GLM-4.7 API の使い方：開発者ガイド (2026)

GLM-4.7 API の使い方：開発者ガイド (2026年版)

GLM-4.7 は、中国を代表する AI 企業のひとつである Zhipu AI が提供する最新の大型言語モデルです。欧米のモデルに匹敵するパフォーマンスを大幅に低い価格で提供しており、コストを重視するアプリケーションを構築する開発者にとって魅力的な選択肢となっています。このガイドでは、GLM-4.7 API をプロジェクトに統合するために必要なすべてを解説します。

GLM-4.7 とは？

GLM-4.7 は、Zhipu AI（ChatGLM または BigModel としても知られる）によって開発された汎用大型言語モデルです。GLM (General Language Model) ファミリーは、独自の「自己回帰ブランク埋め込み（autoregressive blank-filling）」アーキテクチャを採用しており、GPT スタイルのデコーダー専用アプローチとは一線を画しています。

GLM-4.7 モデルのバリエーション

モデル	パラメータ数	コンテキストウィンドウ	最適な用途
GLM-4.7	非公開（大型）	128K トークン	複雑な推論、長文読解
GLM-4.7-Flash	非公開（小型）	128K トークン	高速応答、高スループット
GLM-4.7-Vision	非公開	128K トークン	テキスト + 画像理解
GLM-4.7-Code	非公開	32K トークン	コード生成と解析

パフォーマンスベンチマーク

ベンチマーク	GLM-4.7	GPT-4o	Claude Sonnet 4	Gemini 2.0 Flash
MMLU	87.2	88.7	88.4	85.1
HumanEval	85.4	90.2	92.0	84.1
MATH	68.1	76.6	73.8	70.2
MT-Bench	9.1	9.3	9.2	8.8

GLM-4.7 はほとんどのベンチマークで競争力があり、特に中国語のタスクにおいては、多くの欧米モデルを凌駕する優れた性能を発揮します。

ステップ 1: Zhipu AI アカウントの作成

1. open.bigmodel.cn (Zhipu AI の開発者プラットフォーム) にアクセスします。
2. Register をクリックし、メールアドレスでアカウントを作成します。
3. メールの認証を完了させます。
4. ダッシュボードの API Keys に移動します。
5. Create API Key をクリックし、キーをコピーします。

注: プラットフォームのインターフェースは中国語と英語の両方で利用可能です。新規アカウントには通常、テスト用の無料クレジットが付与されます。

ステップ 2: SDK のインストール

Python SDK

pip install zhipuai

Node.js / TypeScript

GLM API は OpenAI 互換のフォーマットを採用しているため、カスタムのベース URL を指定して OpenAI SDK を使用できます。

npm install openai

直接 HTTP（SDK 不要）

API は標準的な REST エンドポイントを使用しているため、curl や任意の HTTP クライアントを使用することも可能です。

ステップ 3: 初めての API コール

Python (公式 SDK)

from zhipuai import ZhipuAI

client = ZhipuAI(api_key="your-api-key-here")

response = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Explain the difference between REST and GraphQL APIs."}
    ],
    temperature=0.7,
    max_tokens=1024
)

print(response.choices[0].message.content)

Python (OpenAI 互換)

from openai import OpenAI

client = OpenAI(
    api_key="your-zhipu-api-key",
    base_url="https://open.bigmodel.cn/api/paas/v4/"
)

response = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Write a Python function to merge two sorted arrays."}
    ],
    temperature=0.7,
    max_tokens=1024
)

print(response.choices[0].message.content)

Node.js / TypeScript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "your-zhipu-api-key",
  baseURL: "https://open.bigmodel.cn/api/paas/v4/",
});

async function main() {
  const response = await client.chat.completions.create({
    model: "glm-4.7",
    messages: [
      { role: "system", content: "You are a helpful coding assistant." },
      { role: "user", content: "Write a TypeScript function that debounces any function." },
    ],
    temperature: 0.7,
    max_tokens: 1024,
  });

  console.log(response.choices[0].message.content);
}

main();

cURL

curl https://open.bigmodel.cn/api/paas/v4/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-4.7",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "What is quantum computing?"}
    ],
    "temperature": 0.7,
    "max_tokens": 1024
  }'

ステップ 4: ストリーミングレスポンス

リアルタイムの出力を得るには、ストリーミングを有効にします。

Python

from zhipuai import ZhipuAI

client = ZhipuAI(api_key="your-api-key")

stream = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "user", "content": "Write a detailed guide on Docker networking."}
    ],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Node.js

const stream = await client.chat.completions.create({
  model: "glm-4.7",
  messages: [{ role: "user", content: "Explain Kubernetes pods in detail." }],
  stream: true,
});

for await (const chunk of stream) {
  const content = chunk.choices[0]?.delta?.content || "";
  process.stdout.write(content);
}

ステップ 5: Vision (画像理解)

GLM-4.7-Vision モデルを使用して画像を分析します。

import base64
from zhipuai import ZhipuAI

client = ZhipuAI(api_key="your-api-key")

# 画像を読み込んでエンコード
with open("diagram.png", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="glm-4.7-vision",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Describe this architecture diagram and identify any potential issues."
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_base64}"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

画像の URL を直接渡すこともできます。

response = client.chat.completions.create(
    model="glm-4.7-vision",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What is in this image?"},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/photo.jpg"}
                }
            ]
        }
    ]
)

ステップ 6: Function Calling (ツール利用)

GLM-4.7 は、エージェント型アプリケーションを構築するための Function Calling をサポートしています。

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the current weather for a given city",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "The city name, e.g. 'Beijing'"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "Temperature unit"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "user", "content": "What is the weather like in Shanghai today?"}
    ],
    tools=tools,
    tool_choice="auto"
)

# モデルが関数を呼び出したいかチェック
message = response.choices[0].message
if message.tool_calls:
    tool_call = message.tool_calls[0]
    print(f"Function: {tool_call.function.name}")
    print(f"Arguments: {tool_call.function.arguments}")

API リファレンス

エンドポイント

エンドポイント	メソッド	説明
/v4/chat/completions	POST	チャット補完（テキストおよびビジョン）
/v4/embeddings	POST	テキスト埋め込み
/v4/files	POST	コンテキスト用ファイルのアップロード
/v4/fine-tuning/jobs	POST	ファインチューニングジョブの作成
/v4/images/generations	POST	画像生成 (CogView)

リクエストパラメータ

パラメータ	型	デフォルト	説明
model	string	必須	モデル ID (glm-4.7, glm-4.7-flash など)
messages	array	必須	会話メッセージ
temperature	float	0.95	サンプリング温度 (0.0 - 1.0)
top_p	float	0.7	核サンプリング（Nucleus sampling）パラメータ
max_tokens	integer	1024	最大応答長
stream	boolean	false	ストリーミングの有効化
tools	array	null	ツール利用のための関数定義
tool_choice	string	"auto"	ツール選択戦略

価格

GLM-4.7 の価格設定は、最大の利点のひとつです。

モデル	入力 (100万トークンあたり)	出力 (100万トークンあたり)
GLM-4.7	$0.50	$1.50
GLM-4.7-Flash	$0.05	$0.15
GLM-4.7-Vision	$0.60	$1.80
GLM-4.7-Code	$0.40	$1.20

コスト比較

モデル	入力コスト	出力コスト	GLM-4.7 との比較
GLM-4.7	$0.50/1M	$1.50/1M	--
GPT-4o	$2.50/1M	$10.00/1M	5〜7倍高価
Claude Sonnet 4	$3.00/1M	$15.00/1M	6〜10倍高価
Gemini 2.0 Flash	$0.075/1M	$0.30/1M	約50%安価 (Flash)

コストに敏感なアプリケーションにおいて、GLM-4.7-Flash は入力 100 万トークンわずか 0.05 ドルという、極めて強力な価格競争力を持っています。

ベストプラクティス

1. タスクに適したモデルを選択する

# 複雑な推論には GLM-4.7 を使用
complex_response = client.chat.completions.create(
    model="glm-4.7",
    messages=[{"role": "user", "content": "Analyze this legal document..."}]
)

# 単純で大量のタスクには GLM-4.7-Flash を使用
simple_response = client.chat.completions.create(
    model="glm-4.7-flash",
    messages=[{"role": "user", "content": "Classify this email as spam or not spam."}]
)

2. 128K のコンテキストウィンドウを活用する

GLM-4.7 は最大 128K トークンのコンテキストをサポートしています。以下の用途に活用してください。

• 文書を分割せずに長文を分析する
• すべての履歴を含めたマルチターンの会話
• 大規模なコードベースを一度のリクエストで処理する

3. エラー処理を適切に行う

from zhipuai import ZhipuAI, APIError, RateLimitError

client = ZhipuAI(api_key="your-api-key")

try:
    response = client.chat.completions.create(
        model="glm-4.7",
        messages=[{"role": "user", "content": "Hello"}]
    )
except RateLimitError:
    print("レート制限に達しました。時間を置いて再試行してください。")
except APIError as e:
    print(f"API エラー: {e.status_code} - {e.message}")

4. 中国語タスクへの最適化

GLM-4.7 は特に中国語処理に長けています。中国語ユーザーを対象としたアプリケーションであれば、GPT-4o や Claude を凌駕する可能性があります。

response = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "system", "content": "あなたはプロの中国語コピーライターです。"},
        {"role": "user", "content": "中国の若手ビジネスパーソンをターゲットにした、新しいスマートフォンの発売イベント用のマーケティングコピーを書いてください。"}
    ]
)

制限事項

• 国際的なレイテンシ: サーバーは主に中国にあるため、アジア以外の地域のユーザーはレイテンシが高くなる可能性があります。
• コンテンツフィルタリング: 中国の AI モデルは、中国の規制に沿った厳格なコンテンツモデレーションが適用されます。
• ドキュメント: 主要なドキュメントは中国語ですが、英語のドキュメントも提供されており、改善が進んでいます。
• エコシステム: OpenAI や Anthropic のモデルと比較すると、サードパーティの統合ツールがまだ少ない傾向にあります。

結論

GLM-4.7 は、高いパフォーマンスとアグレッシブな価格設定を兼ね備えており、AI アプリケーションを構築するすべての開発者にとって、一考の価値がある選択肢です。特に、中国語圏向けの市場や、コスト効率を重視するプロジェクトには最適です。OpenAI 互換の API 形式を採用しているため、GPT-4 からの移行であっても統合は非常にスムーズです。

LLM ワークフローと並行して、ビデオ作成、トーキングアバター、音声合成などの AI によるメディア生成が必要な開発者の場合、Hypereal AI が最新の生成型 AI モデルへの手頃な従量課金制 API アクセスを提供しています。これにより、あらゆるアプリケーションに視覚的・音声的な AI 機能を簡単に追加できます。