突然，被GLM-4.7的Coding交付能力惊到了

当国内大模型圈正为智谱启动A股上市的消息兴奋时，GLM系列再次以其标志性的“卷王”姿态横扫市场。本月继GLM-4.6V、GLM-ASR、GLM‑TTS以及AutoGLM之后，更是把刚发布的旗舰GLM-4.7也直接开源了！

这次，一个核心变化是：GLM-4.7 不再是单纯的代码大模型，而是一个任务交付引擎。以任务交付核心，驱动开发流程形成从需求到成品的端到端闭环，一次性交付完整、可运行的解决方案。

实测上百项任务表明，GLM-4.7在Claude Code中的任务完成率显著提升，其定位已超越代码生成。

模型好不好用，光看榜单还不够，得上手，咱们直接实测一下GLM-4.7真实任务完成效果~

月初，NeurIPS 2025会议结束，热点是啥，有哪些关键信息？是不是很想知道，这也是大家日常高频场景。

paper的摘要、作者、类型都有

在Claude Code中简单配置后就可以开工了

setANTHROPIC_BASE_URL=https://open.bigmodel.cn/api/anthropic
setANTHROPIC_AUTH_TOKEN=API-KEY
setANTHROPIC_MODEL=glm-4.7-coding-preview

有近6000篇文章的csv文件，我本以为它会要这要那，或者直接摆烂。但GLM-4.7的反应堪称“顶级外援”：

1. 自动拆解任务：它没有盲目开始，而是先请求获取前50行数据作为“样章”，以理解数据结构。

视觉效果也做了更精细化的拆解

1. 稳健分析：拿到数据后，直接写了一个完整的 analyze_neurips.py 脚本。不仅做了基础论文类型分布统计，还进行了关键词，逻辑清晰，注释到位。

1. 生成视觉炸弹：重头戏来了。它根据分析结果，生成了一个单独的html文件。打开的一瞬间，我就知道GLM-4.7它赢了：深蓝至紫的科技渐变背景上，动态粒子在标题文字间流动；关键数据（如“文章类型分布”）以3D悬浮柱状图的形式呈现，鼠标划过会有磁吸般的动态效果；

光有静态海报还不够。我决定继续压榨GLM-4.7，毕竟在Code Arena评测中，GLM-4.7拿下了两个双冠，开源第一、国产第一，超越GPT-5.2。

能不能基于这个论文库，设计一个交互式论文探索与分析网页？要能搜索、能筛选、能点击查看详情的那种。

GLM-4.7再次展现了其“全栈开发”的潜力。它没有东拼西凑，而是给出了一个完整的技术方案：

语义地形图、热门话题词云、全局搜索

搜索页，左侧过滤器（类型、代码、作者），右侧卡片网格结果，PDF跳转下载

详情页，左侧：论文元数据，右侧：AI 聊天助手

整体效果演示

最后一个任务，直击广大开发者的痛点：重构遗留代码。很多做RAG的小伙伴都用过raptor（树层级检索）框架：我只想保留其核心的tree的构建逻辑，其余部分请你用更现代、更清晰的方式对其进行重构。

面对这块难啃的骨头，GLM-4.7开启了“深度思考”模式。它首先精准地识别出原代码中树结构构建、节点编码和检索这三个核心模块，然后果断地将臃肿的混合类拆分为职责单一的独立类。它引入了更清晰的配置文件管理，用dataclass优化数据结构，并重写了混乱的递归逻辑，使其更易读、易维护。

最后，它还贴心地补上了关键单元测试的示例。

整个过程，它就像一个经验丰富的系统架构师，不仅完成了重构，还提交了一份清晰的“重构说明文档”。

这已经远超简单的代码补全，上升到理解设计意图并进行优化的层面。

GLM4.7，这可能是你今年最值得尝试的编程外脑

经过这一轮高强度、全场景的实测，GLM-4.7给我的体感极度丝滑。它不再是那个只会接单段指令的“助手”，而是一个能理解复杂意图、主动拆解任务、统筹技术方案、并交付高质量代码的“协作者”。

无论是数据科学、全栈开发、还是代码重构，它都能提供真正专业级的助力，将开发者从重复劳动和琐碎细节中解放出来，专注于真正的创意和架构设计。

而对于需要高频、深度使用的小伙伴，“GLM Coding Plan”是不错的性价比之选，已经全面升级支持GLM-4.7。

Hugging Face：huggingface.co/zai-org/GLM-4.7
Blog：https://z.ai/blog/glm-4.7
在线体验GLM-4.7全栈开发：https://z.ai/