Contributed byMario AlkaZ.ai (Zhipu) glm-4.7-flash
Performance benchmark · measured on 07.08.2026 17:13
run-20260809-111334-e2be26Performance benchmark · Primary metric: Generation-Speed (tok/s) · 1× concurrent
Wie schlägt sich dieser Benchmark mit anderen Modellen?
Hardware
GPU: NVIDIA GB10 · 128 GB VRAM
CPU: NVIDIA Grace
RAM: 120 GB
Mainboard: ASUSTeK COMPUTER INC. GX10
Setup
Runtime: vLLM
Quantization: AWQ
Driver: NVIDIA 590.48.01 / CUDA 13.1
Model: glm-4.7-flash
Configuration
| Engine?Die Inferenz-Software, die das Modell ausliefert (z.B. vLLM oder llama.cpp). Sie bestimmt Geschwindigkeit, unterstuetzte Modellformate und welche Parameter ueberhaupt verfuegbar sind. | vllm |
| Modellalias?Der Name, unter dem das Modell ueber die API angesprochen wird. Genau dieser Wert muss im Request-Feld 'model' stehen. | glm-4.7-flash |
| Kontextlaenge?Maximale Anzahl Tokens (Eingabe + erzeugte Ausgabe zusammen), die das Modell pro Anfrage verarbeiten kann. | 202752 |
| Tool-Parser?Bestimmt, wie vLLM Tool-Aufrufe aus der Modellantwort ausliest (z.B. hermes, mistral, llama3_json). Muss zum Modell passen. | glm47 |
| Reasoning-Parser?Trennt den Denk-/Reasoning-Teil der Antwort vom eigentlichen Inhalt (z.B. bei Modellen mit <think>-Bloecken). | glm45 |
| Auto-Tool-Choice?Erlaubt dem Modell, Tools (Function-Calling) selbststaendig auszuwaehlen. MUSS aktiv sein, damit 'tools' im Request akzeptiert werden - sonst lehnt vLLM sie mit HTTP 400 ab. | aktiv |
| Alias?Anzeigename des Modells nach aussen (served model name), unabhaengig vom Dateinamen. | glm-4.7-flash |
| Kontext?Groesse des Kontextfensters in Token. 0 = der beim Training verwendete Kontext des Modells. | 202752 |
| Max-Batch-Tokens?Maximale Anzahl Tokens, die pro Rechenschritt gebuendelt verarbeitet werden. Beeinflusst Prefill-Durchsatz und Latenz. | 4096 |
| Max-Sequenzen?Maximale Anzahl gleichzeitig bearbeiteter Anfragen (Batch-Groesse). Hoeher = mehr Durchsatz, braucht aber mehr KV-Cache-Speicher. | 64 |
| GPU-Speicher?Anteil des GPU-Speichers (0 bis 1), den vLLM belegen darf. 0.92 = 92 %. Hoeher = mehr Platz fuer den KV-Cache (mehr/laengere parallele Anfragen), aber groesseres Risiko fuer 'Out of Memory'. | 0.8 |
| tp | 1 |
glm-4.7-flash on various hardware
All published performance runs of this model – each bubble a variant: position = prefill (X) × generation (Y), bubble size = number of runs. Closer to the top right = faster. ★ Marked gold = this benchmark.
Economics of this run
Operating cost, TCO and comparison with the next-best runs of the same model at identical concurrency (1× concurrent). Methodology →
All values above and the charts below take the configured system utilization into account: at X% the system generates only X% of the time, the rest it idles (15 W). Cost per hour drops (more idle), cost per token rises.
Cost over 2 years – electricity only
Cost over 2 years – incl. acquisition (TCO)
Speed vs. tokens per euro
Euro per 1M tokens
Comparison vs. API – economics per benchmark
| glm-4.7-flashNVIDIA GB10 (DGX Spark) | |
|---|---|
| Electricity cost (24 mo.) | – |
| Acquisition cost | – |
| Total cost (TCO) | – |
| Generated tokens (24 mo.) | – |
| Token price via API | – |
| Break-even point (days) | – |
| Result (savings / extra cost) | – |
Comparison with up to 3 next-best runs of this model at the same concurrency (at least one on different hardware). Power = GPU TDP + CPU (idle + 15 %) + board (estimated), acquisition = full system (GPU + CPU + board + RAM + PSU), prices = stored market prices.
Mario Alka Administrator
Ich bin Unternehmer, Softwareentwickler und KI-Enthusiast. Seit vielen Jahren entwickle ich Unternehmenssoftware und beschäftige mich inzwischen fast täglich mit lokalen LLMs, KI-Agenten und leistungsfähiger KI-Hardware.
Mit LLM-Benchmark.de möchte ich eine Plattform schaffen, auf der Modelle, GPUs und Agenten objektiv und reproduzierbar miteinander verglichen werden.