Novi igrač u AI coding areni
Kineska tvrtka Z.ai objavila je uoči Božića GLM-4.7, open-source AI model koji donosi ozbiljnu konkurenciju komercijalnim gigantima poput Claudea i GPT-a. S cijenom od samo 3 dolara mjesečno (ili besplatno za lokalno pokretanje), ovaj model postavlja novo pitanje: vrijede li američki AI alati za kodiranje 200 dolara mjesečno?
GLM-4.7 je prvi open-source model koji ozbiljno konkurira vodećim komercijalnim modelima u agentnim zadacima kodiranja – zadacima gdje AI ne samo da piše kod, već i interaktivno koristi alate, otklanja greške i rješava složene probleme kroz više koraka.
Pametna arhitektura: 355 milijardi parametara, ali…
GLM-4.7 koristi Mixture-of-Experts (MoE) arhitekturu – tehniku koja omogućava modelu da ima ogromnu ukupnu veličinu (355 milijardi parametara), ali aktivira samo 32 milijarde za svaki pojedini zahtjev.
Zašto je to važno? Manji aktivni dio znači brže odgovore i manje računalnih resursa, dok ukupna veličina omogućava dubinu znanja i sposobnosti. To je kao imati cijelu stručnu knjižnicu, ali pozivati samo relevantne stručnjake za svaki problem.
Tri ključne inovacije u razmišljanju
Z.ai je implementirao tri napredne tehnike koje omogućavaju modelu da “razmišlja” prije nego odgovori:
- Isprepleteno razmišljanje (Interleaved Thinking) – model interno razmišlja prije svakog odgovora, analizirajući problem i planirajući pristup
- Očuvano razmišljanje (Preserved Thinking) – čuva svoj proces razmišljanja kroz višestruke razgovore, omogućavajući kontekstualni kontinuitet
- Razmišljanje po koracima (Turn-level Thinking) – precizna kontrola nad procesom razmišljanja po svakom koraku interakcije
Ovaj pristup omogućava modelu da se ponaša više kao programer koji razmišlja naglas, umjesto kao stroj za automatsko dopunjavanje.
Mjerila koja govore sama za sebe
GLM-4.7 postiže impresivne rezultate na industrijskim mjerilima:
- τ²-Bench: 87,4 – najviši rezultat među svim open-source modelima za interaktivno korištenje alata
- SWE-bench: 73,8% (poboljšanje od +5,8%)
- SWE-bench Multilingual: 66,7% (+12,9%)
- Terminal Bench 2.0: 41% (+16,5%)
- AIME 2025: 95,7% – matematičko mjerilo
- LiveCodeBench v6: 84,9%
- Code Arena: #1 pozicija među open-source modelima
SWE-bench je posebno relevantno mjerilo jer testira sposobnost modela da rješava stvarne GitHub probleme – točno ono što developeri rade svakodnevno.
Već integriran u popularne alate
GLM-4.7 već podržavaju vodeći AI alati za kodiranje:
- Claude Code
- Cline
- Roo Code
- TRAE
- Kilo Code
Za lokalno postavljanje, model je kompatibilan s vLLM i SGLang radnim okvirima, što omogućava pokretanje na vlastitom hardveru bez slanja koda vanjskim poslužiteljima.
Zašto je ovo važno za razvojnu zajednicu
Objava GLM-4.7 ima nekoliko ključnih implikacija:
Demokratizacija AI alata: Open-source pristup znači da developeri više nisu ovisni o skupim komercijalnim alatima. 3 dolara mjesečno naspram 200 dolara mjesečno je značajna razlika, posebno za freelancere i manje timove.
Privatnost i kontrola: Mogućnost lokalnog pokretanja znači da osjetljivi kod ne mora napuštati vašu infrastrukturu – ključno za poslovne sustave i projekte s visokim zahtjevima sigurnosti.
Konkurencija potiče inovaciju: Kada open-source model dosegne kvalitetu komercijalnih rješenja, svi igrači moraju ubrzati inovacije. To znači bolje alate za sve developere.
Globalna perspektiva: GLM-4.7 pokazuje da AI inovacije ne dolaze samo iz Silicijske doline. Kineske tvrtke poput Z.ai postaju ozbiljni igrači u globalnoj AI utrci.
Što je sljedeće?
GLM-4.7 je dostupan na HuggingFace platformi pod otvorenom licencom. Z.ai je naglasio da je model “izgrađen za stvarne razvojne radne tokove”, fokusirajući se na praktičnu upotrebljivost umjesto samo na rezultate mjerila.
Za developere koji žele testirati model, preporučen je pristup preko podržanih alata poput Claude Code ili Cline, koji već imaju ugrađenu podršku i optimizirane upute za najbolje rezultate.
Pitanje više nije “mogu li si priuštiti AI asistenta za kodiranje”, već “koji model najbolje odgovara mom radnom toku”. A to je dobra vijest za sve nas.
