واجهة GLM بلا رقابة: أفضل قيمة لكل رمز

معظم مقارنات "النموذج الأرخص" غير أمينة، لأن الخيار الرخيص عادةً نموذج صغير يرتدي تسويق نموذج كبير. وليس هذا ما يحدث هنا. فـGLM-5.2 من أكبر الأسس مفتوحة الأوزان التي أصدرها أحد، وبسعر 0.73$ دخلًا / 2.34$ خرجًا يقف على درجة واحدة فوق أرضية فهرسنا بينما يحمل أساسًا يفوق حجمه أضعاف ما تشتريه تلك الأرضية عادةً. وتلك الفجوة — نموذج كبير بسعر قريب من الأرضية — هي سبب وجود هذه الصفحة.

01من أين جاء GLM: تسينغهوا، وملء الفراغات، وانعطافة حادّة نحو الوكلاء

GLM ليس مشتقًّا من Llama بعلامة جديدة. بل هو من العائلات القليلة التي تملك هدف تدريب مسبق خاصًّا بها، كرّرته المجموعة البحثية نفسها على مدى خمس سنوات. والاسم اختصار لـGeneral Language Model، والورقة المؤسِّسة — GLM: General Language Model Pretraining with Autoregressive Blank Infilling، ACL 2022 — اقترحت خيارًا ثالثًا إلى جانب النمذجة اللغوية المقنّعة في BERT والانحدار الذاتي الصارم من اليسار إلى اليمين في GPT. فـGLM يفرّغ مقاطع متّصلة ثم يعيد توليدها انحداريًا بترتيب مخلوط، مع ترميزات موضعية ثنائية الأبعاد تتعقّب موضع الرمز في المستند المشوَّه وموضعه داخل المقطع الجاري ملؤه: بنية واحدة تتقن الفهم والتوليد على السواء.

والمجموعة التي تقف خلفه هي مجموعة هندسة المعرفة في جامعة تسينغهوا، التي تفرّعت عنها الشركة المعروفة اليوم باسم Z.ai (وكانت Zhipu AI). وأول عمل بارز لها كان GLM-130B في أكتوبر 2022 — نموذج كثيف ثنائي اللغة إنجليزي/صيني بـ130 مليار معامل، أُطلقت أوزانه وشيفرته علنًا وقت النشر. وقد صار الإصدار المفتوح أسلوب البيت منذ ذلك الحين.

عصر مزيج الخبراء، والتحوّل إلى الوكلاء

والخيط الناظم أهمّ من أي إصدار منفرد. فمنذ GLM-4.5، حُسِّنت كل نسخة لأجل الشيء نفسه: البقاء متماسكًا عبر عشرات استدعاءات الأدوات. وهذا هدف مختلف عن تعظيم درجات المقاييس في دورة واحدة، ويظهر في صورة وسائط أدوات مشوّهة أقل، وانحراف أقلّ في خطة طويلة، وقدر أقلّ من سلوك "إعادة بدء المهمة بثقة عند الدورة الرابعة عشرة" الذي يجعل أطر الوكلاء باهظة.

02ما هو GLM-5.2، وعلى ماذا قيس

تنشر Z.ai أرقامًا قياسية لـGLM-5.2 في مستودع GLM-5. واثنان منها ينسحبان على عمل وكيل حقيقي لا على استظهار معلومات:

Terminal-Bench 2.1 — مهامّ وكيل سطر أوامر طويلة الأفق. مبلَّغ عنها من Z.ai.

SWE-bench Pro — حلّ مشكلات في مستودعات حقيقية. مبلَّغ عنها من Z.ai؛ وسجّل GLM-5.1 درجة 58.4 في الاختبار نفسه.

هذه أرقام المختبر لا أرقامنا، وهي تصف الأساس غير المضغوط. فهي تحدّد فئة النموذج الذي تتعامل معه، لا ضمانًا.

وثمّة معطًى واحد يفوق أي مقياس قيمةً، لأنه يأتي من جهة تقييم لا مصلحة لها في مجاملة النموذج. ففي يوليو 2026 قيّم مركز معايير الذكاء الاصطناعي والابتكار التابع للمعهد الوطني الأمريكي للمعايير والتقنية نموذج GLM-5.2 وخلص إلى أنه ربما كان أقدر نموذج ذكاء اصطناعي مفتوح الأوزان متاحًا وقت إصداره، بقدرات عامّة تضاهي GPT-5.2 وقدرات سيبرانية تضاهي Claude Opus 4.6. ولاحظ التقييم نفسه أن GLM-5.2 يحجب طلبات حسّاسة أقل من النماذج الأمريكية المرجعية، وأن الضمانات المخبوزة في أوزان مفتوحة يمكن الالتفاف عليها متى استُضيفت تلك الأوزان ذاتيًا. والقسم 05 يعود إلى ذلك.

03ماذا تعني "3BIT-REAP"، وماذا تكلّفك

REAP: تشذيب الخبراء بدل دمجهم

نموذج مزيج خبراء بـ744 مليار معامل فيه 256 خبيرًا لكل طبقة، يشتعل منهم 8 على أي رمز بعينه. والموجّه لا يوزّع العمل بالتساوي — فبعض الخبراء يُطرَقون باستمرار، وذيل طويل منهم يُطرَق نادرًا ويسهم قليلًا حين يُطرَق. وتستغلّ REAP (تشذيب تنشيط الخبراء الموزون بالموجّه)، من Cerebras Research والمقبولة في ICLR 2026، ذلك: إذ تقيّم كل خبير بمعيار بروز يجمع بين قوّة وتكرار بوّابة الموجّه له ومقدار مساهمة مخرَجه، ثم تُسقط أصحاب الدرجات المنخفضة نهائيًا.

والجزء المثير هو المقارنة التي تكسبها REAP. فالبديل البديهي لإسقاط خبير هو دمجه في خبير ناجٍ، وذلك يبدو أأمن. لكن ما وجدته الورقة عبر نماذج مزيج خبراء من 20 مليارًا إلى تريليون معامل هو أن الدمج في الواقع أسوأ للعمل التوليدي، وأن التشذيب يصمد على نحو لافت: شبه خالٍ من الخسارة في مقاييس توليد الشيفرة واستدعاء الأدوات حتى بعد إزالة نصف الخبراء، على أسس منها Qwen3-Coder-480B وKimi-K2. وبقاء الشيفرة واستدعاء الأدوات سالمَين هو بالضبط ما تريد الحفاظ عليه في نموذج سبب وجوده الهندسة الوكيلة.

أوزان بثلاث بتّات، والمقايضة الصادقة

وفوق التشذيب، تُخزَّن الأوزان الناجية بثلاث بتّات — وهو أجرأ من مستويَي W4A16-AUTOROUND-REAP وW8A16 في مواضع أخرى من فهرسنا، ومحجوز لأكبر الأسس، حيث لا سبيل آخر لوضع نموذج بثلاثة أرباع تريليون معامل على عقدة تقديم وإبقاء الرموز تتدفّق بمعدّل صالح للاستعمال.

والضغط ليس مجانيًا. والنموذج الذهني الصحيح: التشذيب والتكميم يفسدان الذيل الطويل أولًا. فالسلوكيات الكثيفة كثيرة التمرين — اتّباع التعليمات، وبنية الشيفرة، وتنسيق استدعاء الأدوات، والتخطيط متعدّد الخطوات — تنجو جيدًا، وهو بالضبط ما تُظهره نتائج REAP. أما الاستظهار الوقائعي النادر واللغات النادرة ومعلومات المجالات الضيّقة فهي المواضع التي ينبغي أن تتوقّع فيها فرقًا مقابل GLM-5.2 غير المضغوط. فإن كان عبء عملك "أن يعرف معلومة غير مألوفة عن ظهر قلب"، فادفع مقابل مستوى أعلى أمانة. وإن كان "أن يشغّل خطة عبر أربعين استدعاء أداة دون أن يخرج عن المسار"، فهذا هو المستوى الذي صُمِّمت الطريقة له.

04حجّة القيمة: كم تكلّف فعلًا واجهة نموذج لغوي رخيصة بلا رقابة

سعر القائمة الذي تنشره Z.ai لواجهة GLM-5.2 هو 1.40$ لكل مليون رمز دخلًا و4.40$ لكل مليون خرجًا. وسعرنا على الأساس نفسه هو 0.73$ / 2.34$ — أي أقلّ بنحو 48% في الدخل و47% في الخرج. وذلك الخصم هو ما يشتريه الضغط، ويأتي معه شيء ثانٍ لا تستطيع شراءه من الطرف الأول بأي سعر: بلا طبقة رفض.

وضمن فهرسنا نحن، الكلفة المخلوطة هي الرقم المهمّ. وإليك إياها بنسبة دخل إلى خرج 3:1، وهي تقريبًا ما يبدو عليه وكيل يستدعي الأدوات عمليًا — سياق ونتائج أدوات كثيرة تدخل، ورموز قليلة نسبيًا تخرج.

النموذج	دخل / مليون	خرج / مليون	مخلوط 3:1	الرؤية
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	لا
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	لا
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	نعم
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	لا
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	نعم
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	نعم

وستة نماذج تقف عند أرضية 0.50$ / 2.00$ — MiniMax-M3، وDeepSeek-V4-Flash، وLaguna-S-2.1، وMiMo-V2.5، وMiMo-V2.5-Pro، وHy3 — أي معدّل مخلوط 0.875$. وGLM-5.2 يعلو تلك الأرضية بـ29% ويشتري لك أساسًا من فئة 744 مليارًا وراءه استثمار متواصل في السلوك الوكيل. وكل ما يقع فوقه سعرًا يكلّف مخلوطًا أكثر بـ23% على الأقل، وKimi-K3 يكلّف 6.8 أضعاف. تلك هي حجّة القيمة في صفّ واحد: أرخص موضع في الفهرس لشراء أساس وكيل من الطبقة العليا.

محوّلة إلى عمل

• ملء سياق كامل واحد — 262,144 رمز دخل: 0.19$. مستودع كبير كامل يُقرأ داخل النافذة بأقلّ من عشرين سنتًا.
• إكمال واحد بالطول الأقصى — 16,384 رمز خرج: 0.038$.
• دورة وكيل واحدة — 20 ألفًا دخلًا و2000 خرجًا: 0.019$. والدورة نفسها تكلّف 0.115$ على Kimi-K3 و0.047$ على DeepSeek-V4-Pro.
• مئة دورة وكيل: 1.93$، مقابل 11.48$ على أغلى نموذج في الفهرس.

والأحمال الوكيلة ثقيلة الدخل، وميزة GLM أكبر ما تكون هناك بالضبط: فسعر دخله أقلّ بـ5.2 أضعاف من Kimi-K3 وبـ2.7 ضعف من DeepSeek-V4-Pro. وإن كان وكيلك يعيد إرسال محادثة متنامية في كل دورة — وكل وكيل تقريبًا يفعل — فذلك المضاعِف هو ما ينتهي إلى فاتورتك.

05ماذا تعني "بلا رقابة" على هذه النقطة الطرفية

شيئان بدقّة: بلا طبقة رفض — فلا مصنِّف يقرّر أي الطلبات يُسمح للنموذج برؤيتها، ولا نموذج سياسة يعيد كتابة مطالبتك قبل وصولها — وبلا ترشيح للمخرجات، بمعنى أن الرموز التي ينتجها النموذج هي الرموز التي تستلمها، بلا حجب وبلا استبدال.

وهذا عرض مختلف عن واجهة تجارية تعلن عن نمط "مرن" أو "للمطوّرين". فتلك لا تزال توجّه حركتك عبر كدس سياسة المورّد؛ وما يتغيّر هو العتبة لا وجود البوّابة. أما هنا فلا بوّابة تُضبَط — إذ يعمل النموذج على عنقود GPU الخاص بنا، وسلوكه هو سلوك الأساس. واقرأ ما توصّل إليه NIST CAISI في القسم 02 بوصفه بيانًا تقنيًا لا تحذيرًا، فهو يفسّر المنتج: نموذج تسكن مواءمته في أوزانه، ويُقدَّم بلا طبقة سياسة خارجية، فيتصرّف بحسب أوزانه.

لماذا يهمّ ذلك للوكلاء تحديدًا

يُناقَش الرفض عادةً بوصفه مسألة محتوى. لكنه في العمل الوكيل مسألة موثوقية في الأغلب. فرفض عند الدورة 31 من تشغيل من 40 دورة ليس اعتذارًا مهذّبًا تقرأه وتمضي — بل خطوة مشوّهة، ومنسّق لا يعرف كيف يتابع، وخطة معطوبة، و30 دورة من رموز أُنفقت بلا حاصل. وأبحاث الأمن، وتحليل البرمجيات الخبيثة، واختبار الاختراق، والفرق الحمراء، والأدب للبالغين، والصياغة الطبية والقانونية، وتوليد بيانات لتدريب السلامة — كلها تصطدم بذلك باستمرار، والعطل باهظ تحديدًا لأنه يقع متأخّرًا.

والوجه الآخر أن طبقة السياسة صارت ملكك. واستخدام بوّابة Shannon AI محكوم بـسياسة الاستخدام المسؤول لدينا؛ فإخراج حُكم المورّد من الحلقة يعني توفير حُكمك أنت.

06ما الذي تمنحه لك النقطة الطرفية فعلًا

القدرة	GLM-5.2 · 3BIT-REAP
معرّف النموذج	GLM-5.2-3BIT-REAP
نافذة السياق	262,144 رمزًا
أقصى مخرجات لكل طلب	16,384 رمزًا
البثّ	نعم
استدعاء الأدوات	نعم
الاستدلال / reasoning_effort	نعم
JSON Schema (json_schema)	نعم
response_format	نعم
الرؤية / إدخال الصور	لا — نصّي فقط
طبقة الرفض / ترشيح المخرجات	لا شيء

اقرأ صفّ الرؤية بعناية قبل أن تبني. فـGLM-5.2 نصّي فقط على بوّابتنا. وإن احتجت إدخال الصور، ففي الفهرس خمسة خيارات قادرة على الرؤية — MiniMax-M3 وMiMo-V2.5 عند أرضية 0.50$ / 2.00$، وKimi-K2.6 بسعر 0.78$ / 3.67$، وinkling بسعر 1.42$ / 6.07$، وKimi-K3 بسعر 3.83$ / 19.12$. والنمط المعقول هو توجيه فهم الصور إلى MiniMax-M3 وكل ما عداه إلى GLM-5.2، وهو ما لا يكلّف شيئًا سوى سلسلة نصّية باسم النموذج.

ثلاث لهجات، نموذج واحد

النموذج نفسه يمكن بلوغه عبر ثلاث صيغ طلب، وكلها بالبثّ: /v1/chat/completions (لهجة OpenAI)، و/v1/messages (لهجة Anthropic)، و/v1/responses. ولا يتغيّر شيء في النموذج بينها — اختر ما تتحدّثه حزمتك أصلًا، وستكون عادةً على بعد تغيير واحد لعنوان الأساس من التشغيل.

# OpenAI dialect — point your existing client at the gateway
from openai import OpenAI

client = OpenAI(
    base_url="https://api.shannon-ai.com/v1",
    api_key="sk-...",
)

resp = client.chat.completions.create(
    model="GLM-5.2-3BIT-REAP",
    messages=[{"role": "user", "content": "..."}],
    tools=tools,                 # tool calling supported
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

مخطّطات الطلب والاستجابة الكاملة للّهجات الثلاث، وصيغة استدعاء الأدوات، وأشكال أحداث البثّ، وساحة تجريب تفاعلية، كلها في توثيق واجهة Shannon AI البرمجية.

07متى تختار GLM-5.2 — ومتى لا تختاره

الجأ إليه حين

• تشغّل وكلاء. فحلقات استدعاء الأدوات الطويلة هي ما بُنيت له هذه السلالة وأُعيد تدريبها لأجله مرارًا، وسعر الدخل يجعل إعادة إرسال محادثة متنامية في كل دورة أمرًا محتملًا.
• تعمل عبر قاعدة شيفرة كبيرة. سياق 262 ألف رمز، وتنسيق موثوق لاستدعاء الأدوات، و0.19$ لقراءة النافذة كاملة.
• الحجم هو قيدك. التصنيف، والاستخراج، وتوليد البيانات الاصطناعية، وإعادة الصياغة بالجملة — وكل ما تقرّر فيه الكلفة لكل استدعاء مضروبة في عدد كبير جدوى المشروع من عدمها.
• الرفض يكسر خطّ أنابيبك. أبحاث الأمن، والاختبار العدائي، والأدب بلا رقابة، والصياغة الحسّاسة — نمط العطل هذا غير موجود هنا.

الجأ إلى غيره حين

• تحتاج الرؤية. نصّي فقط. راجع الخيارات القادرة على الرؤية أعلاه.
• تحتاج أعمق استدلال في دورة واحدة. فلأصعب المسائل التحليلية من طلقة واحدة، يكون DeepSeek-V4-Pro-0813 · 3BIT-REAP هو الأداة الأثقل بكلفة مخلوطة أعلى 2.2 مرّة — وفي الاستدعاءات التي يكون السقف فيها هو القيد، تلك هي المقايضة الصحيحة.
• تحتاج أقصى أمانة في المعرفة النادرة. فمستوى W8A16 — MiMo-V2.5-Pro وHy3 — مضغوط بجرأة أقلّ بكثير ويقف عند أرضية 0.50$ / 2.00$، على أسس أصغر.

أرقام GLM-5.2 القياسية (Terminal-Bench 2.1، وSWE-bench Pro) مبلَّغ عنها من Z.ai عن الأساس غير المضغوط؛ والتكرار المستقلّ لا يزال معلَّقًا. وأرقام Claude Opus 4.8 وGPT-5.5 معروضة للمرجع فقط. وسعر قائمة واجهة GLM-5.2 لدى الطرف الأول كما نشرته Z.ai في سبتمبر 2026.

08أسئلة شائعة

---

المصادر: مستودع Z.ai GLM-5 · Du et al., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng et al., GLM-130B: An Open Bilingual Pre-trained Model · Lasby et al., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · تقييم NIST CAISI لنموذج GLM-5.2 من Z.ai، يوليو 2026. ودرجات المقاييس الخاصة بالأساس مبلَّغ عنها من المختبر ومؤقّتة؛ وهي تصف GLM-5.2 غير المضغوط لا هذه النسخة المضغوطة. وأرقام السعر والسياق والقدرات هي قيم فهرس Shannon AI حتى 5 سبتمبر 2026.