আনসেন্সরড GLM API: প্রতি টোকেনে সেরা দাম
Z.ai-এর এজেন্টিক GLM ভিত্তি, আমাদের নিজস্ব GPU ক্লাস্টারে কোনো প্রত্যাখ্যানের স্তর ছাড়াই পরিবেশিত — 262K কনটেক্সট, টুল কলিং, আর একই বংশের প্রথম-পক্ষ দামের অর্ধেকেরও কম মিশ্র দাম।
সংক্ষেপে
GLM-5.2-3BIT-REAP হলো Shannon AI গেটওয়ের সেই মডেল যা আমরা ডিফল্ট হিসেবে সুপারিশ করি। এটি GLM বংশের 744 বিলিয়ন প্যারামিটারের একটি স্পার্স Mixture-of-Experts ভিত্তি চালায় — GLM-4.5 থেকেই স্পষ্টভাবে এজেন্টিক টুল ব্যবহারের জন্য প্রশিক্ষিত — 3-বিট ওয়েট ও REAP এক্সপার্ট প্রুনিং দিয়ে সংকুচিত, যাতে এটি এঁটে যায় আর দ্রুত থাকে। আপনি পান 262,144-টোকেন কনটেক্সট, 16,384 টোকেন আউটপুট, টুল কলিং, সমন্বয়যোগ্য reasoning_effort সহ রিজনিং, আর JSON Schema কাঠামোবদ্ধ আউটপুট, প্রতি মিলিয়ন টোকেনে $0.73 / $2.34-এ। কোনো প্রত্যাখ্যানের স্তর নেই আর কোনো আউটপুট ফিল্টার নেই। কেবল লেখা — ভিশন নেই।
"সবচেয়ে সস্তা মডেল"-এর বেশিরভাগ তুলনাই অসৎ, কারণ সস্তা বিকল্পটি সাধারণত একটি বড় মডেলের বিপণন গায়ে চড়ানো একটি ছোট মডেল। এখানে তা ঘটছে না। GLM-5.2 এখন পর্যন্ত প্রকাশিত বৃহত্তম ওপেন-ওয়েট ভিত্তিগুলির একটি, আর $0.73 ইন / $2.34 আউটে এটি আমাদের ক্যাটালগের মেঝের এক ধাপ উপরে বসে থাকে, অথচ বহন করে এমন একটি ভিত্তি যা ওই মেঝেতে সাধারণত যা মেলে তার কয়েক গুণ বড়। সেই ফারাকটাই — বড় মডেল, মেঝে-ছোঁয়া দাম — এই পাতাটি থাকার কারণ।
01GLM কোথা থেকে এসেছে: সিংহুয়া, ব্ল্যাঙ্ক ইনফিলিং, আর এজেন্টের দিকে কড়া মোড়
GLM নতুন নামে বসানো কোনো Llama-উদ্ভূত মডেল নয়। এটি সেই গুটিকয় মডেল-পরিবারের একটি যার নিজস্ব প্রি-ট্রেনিং উদ্দেশ্য আছে, আর একই গবেষণা দল পাঁচ বছর ধরে তা পরিমার্জন করেছে। নামটির অর্থ General Language Model, আর প্রতিষ্ঠাকালীন গবেষণাপত্র — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — BERT-এর মাস্কড ল্যাঙ্গুয়েজ মডেলিং আর GPT-এর কড়া বাম-থেকে-ডান অটোরিগ্রেশনের পাশে তৃতীয় একটি পথ প্রস্তাব করে। GLM পরপর থাকা অংশগুলি ফাঁকা করে দেয় আর সেগুলিকে এলোমেলো ক্রমে অটোরিগ্রেসিভভাবে পুনরায় তৈরি করে, দ্বিমাত্রিক পজিশনাল এনকোডিং দিয়ে একইসঙ্গে বিকৃত নথিতে একটি টোকেনের অবস্থান আর যে অংশটি ভরা হচ্ছে তার ভিতরে তার অবস্থান — দুটিই অনুসরণ করে: একটি স্থাপত্যই বোঝা ও তৈরি করা, দুটিই সমান ভালোভাবে সামলায়।
এর পিছনের দলটি ছিল সিংহুয়া বিশ্ববিদ্যালয়ের Knowledge Engineering Group, যা থেকে বেরিয়ে আসে সেই কোম্পানি যা এখন Z.ai নামে পরিচিত (আগে Zhipu AI)। এর প্রথম শিরোনাম-কাড়া সৃষ্টি ছিল ২০২২ সালের অক্টোবরে GLM-130B — 130 বিলিয়ন প্যারামিটারের একটি দ্বিভাষিক ইংরেজি/চীনা ডেন্স মডেল, প্রকাশের সময়েই ওয়েট ও কোড প্রকাশ্যে ছাড়া হয়। তখন থেকেই উন্মুক্ত প্রকাশ এই ঘরের রীতি।
MoE যুগ, আর এজেন্টের দিকে মোড়
যেকোনো একটি রিলিজের চেয়ে মূল সুতোটি বেশি গুরুত্বপূর্ণ। GLM-4.5 থেকে প্রতিটি সংস্করণ একই জিনিসের জন্য অপ্টিমাইজ করা হয়েছে: কয়েক ডজন টুল কল জুড়ে সুসংগত থাকা। এটি একক-পর্বের বেঞ্চমার্ক স্কোর সর্বোচ্চ করার চেয়ে আলাদা লক্ষ্য, আর তা ধরা পড়ে কম বিকৃত টুল আর্গুমেন্টে, দীর্ঘ পরিকল্পনায় কম বিচ্যুতিতে, আর "১৪তম পর্বে আত্মবিশ্বাসের সঙ্গে কাজটি আবার গোড়া থেকে শুরু করা" আচরণ কমে যাওয়ায় — যে আচরণ এজেন্ট ফ্রেমওয়ার্ককে দামি করে তোলে।
02GLM-5.2 কী, আর তার মাপ কী দাঁড়িয়েছে
Z.ai GLM-5 রিপোজিটরিতে GLM-5.2-এর বেঞ্চমার্ক সংখ্যা প্রকাশ করে। এর দুটি কুইজ-ধাঁচের স্মৃতিচারণ নয়, বাস্তব এজেন্টিক কাজের সঙ্গে মেলে:
Terminal-Bench 2.1 — দীর্ঘ-দিগন্তের কমান্ড-লাইন এজেন্ট কাজ। Z.ai-এর জানানো।
SWE-bench Pro — আসল রিপোজিটরিতে ইস্যু সমাধান। Z.ai-এর জানানো; একই পরীক্ষায় GLM-5.1 পেয়েছিল 58.4।
ওগুলি ল্যাবের সংখ্যা, আমাদের নয়, আর সেগুলি অসংকুচিত ভিত্তিটির বর্ণনা দেয়। সেগুলি আপনি কোন শ্রেণির মডেল নিয়ে কাজ করছেন তা ঠিক করে দেয়, কোনো নিশ্চয়তা নয়।
একটি তথ্যবিন্দু একটি বেঞ্চমার্কের চেয়েও বেশি মূল্যবান, কারণ তা এসেছে এমন একজন মূল্যায়নকারীর কাছ থেকে যাঁর মডেলটির প্রশংসা করার কোনো স্বার্থ নেই। ২০২৬ সালের জুলাইয়ে মার্কিন National Institute of Standards and Technology-র Center for AI Standards and Innovation GLM-5.2 মূল্যায়ন করে এই সিদ্ধান্তে আসে যে প্রকাশের সময় এটি সম্ভবত পাওয়া যাওয়া সবচেয়ে সক্ষম ওপেন-ওয়েট AI মডেল ছিল, যার সামগ্রিক সক্ষমতা GPT-5.2-এর তুলনীয় আর সাইবার সক্ষমতা Claude Opus 4.6-এর তুলনীয়। একই মূল্যায়ন লক্ষ করে যে GLM-5.2 মার্কিন রেফারেন্স মডেলগুলির চেয়ে কম সংবেদনশীল অনুরোধ আটকায়, আর ওপেন ওয়েটে সেঁধিয়ে থাকা রক্ষাকবচ সেই ওয়েট নিজে হোস্ট করা হলে এড়িয়ে যাওয়া যায়। ০৫ নম্বর অংশে আমরা সেখানে ফিরব।
03"3BIT-REAP" মানে কী, আর তাতে আপনার কী খরচ
REAP: এক্সপার্ট মেলানোর বদলে ছেঁটে ফেলা
744B প্যারামিটারের একটি MoE মডেলের প্রতি স্তরে 256টি এক্সপার্ট থাকে, যার মধ্যে যেকোনো একটি টোকেনে 8টি সক্রিয় হয়। রাউটার কাজ সমানভাবে ছড়ায় না — কিছু এক্সপার্টে অনবরত আঘাত পড়ে, আর একটি দীর্ঘ লেজে কদাচিৎ পড়ে, আর পড়লেও তারা সামান্যই অবদান রাখে। Cerebras Research-এর REAP (Router-weighted Expert Activation Pruning), যা ICLR 2026-এ গৃহীত, সেটিই কাজে লাগায়: এটি প্রতিটি এক্সপার্টকে একটি সালিয়েন্সি মানদণ্ডে নম্বর দেয় যা মেলায় রাউটার তাকে কত জোরালোভাবে ও কত ঘন ঘন গেট করে আর তার আউটপুট অবদানের মাত্রা, তারপর কম নম্বর পাওয়াদের স্থায়ীভাবে বাদ দেয়।
আকর্ষণীয় দিকটি হলো REAP যে তুলনায় জেতে। একটি এক্সপার্ট বাদ দেওয়ার সুস্পষ্ট বিকল্প হলো তাকে একটি টিকে থাকা এক্সপার্টের সঙ্গে মিলিয়ে দেওয়া, যা শুনতে বেশি নিরাপদ লাগে। 20B থেকে 1T প্যারামিটার পর্যন্ত MoE মডেল জুড়ে গবেষণাপত্রটির পর্যবেক্ষণ হলো, জেনারেটিভ কাজের জন্য মেলানো আসলে খারাপ, আর ছাঁটাই আশ্চর্যরকম ভালোভাবে টিকে থাকে: Qwen3-Coder-480B ও Kimi-K2 সহ ভিত্তিগুলিতে অর্ধেক এক্সপার্ট সরানোর পরেও কোড জেনারেশন ও টুল-কলিং বেঞ্চমার্কে প্রায়-অক্ষত। কোড ও টুল কলিং অক্ষত থাকাই ঠিক সেই জিনিস যা আপনি এমন একটি মডেলে রক্ষা করতে চান যার অস্তিত্বের কারণই এজেন্টিক ইঞ্জিনিয়ারিং।
3-বিট ওয়েট, আর সৎ আপসটি
ছাঁটাইয়ের উপরে টিকে থাকা ওয়েটগুলি 3 বিটে সংরক্ষণ করা হয় — আমাদের ক্যাটালগের অন্যত্র থাকা W4A16-AUTOROUND-REAP ও W8A16 স্তরের চেয়ে বেশি আক্রমণাত্মক, আর তা কেবল বৃহত্তম ভিত্তিগুলির জন্যই রাখা, যেখানে তিন-চতুর্থাংশ-ট্রিলিয়ন প্যারামিটারের একটি মডেলকে একটি সার্ভিং নোডে তুলে টোকেন ব্যবহারযোগ্য গতিতে বইয়ে রাখার আর কোনো উপায় নেই।
সংকোচন বিনামূল্যে নয়। ঠিক মানসিক ছবিটি হলো: ছাঁটাই ও কোয়ান্টাইজেশন প্রথমে দীর্ঘ লেজটিকেই ক্ষয় করে। ঘন, প্রায়শই ব্যবহৃত আচরণ — নির্দেশ অনুসরণ, কোডের কাঠামো, টুল-কল ফরম্যাটিং, বহু-ধাপের পরিকল্পনা — ভালোভাবেই টিকে যায়, আর REAP-এর ফলাফল ঠিক তা-ই দেখায়। অস্পষ্ট তথ্য স্মরণ, বিরল ভাষা ও কুলুঙ্গি-ডোমেনের খুঁটিনাটিতেই আপনার একটি অসংকুচিত GLM-5.2-এর তুলনায় পার্থক্য আশা করা উচিত। আপনার কাজ যদি হয় "একটি অস্বাভাবিক তথ্য মুখস্থ জানা", তবে উচ্চতর-বিশ্বস্ততার স্তরের জন্য টাকা দিন। আর যদি হয় "চল্লিশটি টুল কল জুড়ে পথ না হারিয়ে একটি পরিকল্পনা চালানো", তবে পদ্ধতিটি ঠিক এই স্তরের জন্যই নকশা করা।
04দামের যুক্তি: একটি সস্তা আনসেন্সরড LLM API চালাতে আসলে কত খরচ
GLM-5.2-এর জন্য Z.ai-এর নিজের প্রকাশিত API তালিকা-দাম হলো প্রতি মিলিয়ন ইনপুট টোকেনে $1.40 আর প্রতি মিলিয়ন আউটপুটে $4.40। একই ভিত্তিতে আমাদের দাম $0.73 / $2.34 — মোটামুটি ইনপুটে 48% আর আউটপুটে 47% কম। সেই ছাড়টিই সংকোচনের প্রতিদান, আর সঙ্গে আসে দ্বিতীয় একটি জিনিস যা প্রথম-পক্ষের কাছে কোনো দামেই কেনা যায় না: কোনো প্রত্যাখ্যানের স্তর নেই।
আমাদের নিজেদের ক্যাটালগের ভিতরে মিশ্র খরচই আসল সংখ্যা। এখানে তা দেওয়া হলো 3:1 ইনপুট-আউটপুট অনুপাতে, বাস্তবে একটি টুল-কলিং এজেন্ট মোটামুটি যেমন দেখায় — প্রচুর কনটেক্সট ও টুল ফলাফল ভিতরে যাচ্ছে, তুলনায় অল্প টোকেন বেরিয়ে আসছে।
| মডেল | ইন / 1M | আউট / 1M | মিশ্র 3:1 | ভিশন |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | না |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | না |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | হ্যাঁ |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | না |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | হ্যাঁ |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | হ্যাঁ |
ছয়টি মডেল বসে আছে $0.50 / $2.00 মেঝেতে — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ও Hy3 — মিশ্র হার $0.875। GLM-5.2 সেই মেঝের 29% উপরে আর তা আপনাকে দেয় একটি 744B-শ্রেণির ভিত্তি, যার পিছনে এজেন্টিক আচরণে ধারাবাহিক বিনিয়োগ আছে। এর উপরে দামের সবকিছুরই মিশ্র খরচ অন্তত 23% বেশি, আর Kimi-K3-এর খরচ 6.8× বেশি। এক সারিতেই দামের যুক্তিটি: ক্যাটালগে শীর্ষস্তরের একটি এজেন্টিক ভিত্তি কেনার সবচেয়ে সস্তা জায়গা।
কাজে রূপান্তরিত
- একবার পূর্ণ কনটেক্সট ভরা — 262,144 ইনপুট টোকেন: $0.19। কুড়ি সেন্টেরও কমে একটি গোটা বড় রিপোজিটরি উইন্ডোতে পড়ে ফেলা।
- সর্বোচ্চ দৈর্ঘ্যের একটি কমপ্লিশন — 16,384 আউটপুট টোকেন: $0.038।
- একটি এজেন্ট পর্ব — 20K ইন, 2K আউট: $0.019। একই পর্বের খরচ Kimi-K3-এ $0.115 আর DeepSeek-V4-Pro-তে $0.047।
- একশোটি এজেন্ট পর্ব: $1.93, ক্যাটালগের সবচেয়ে দামি মডেলে যেখানে $11.48।
এজেন্টিক কাজ ইনপুট-ভারী, আর GLM-এর সুবিধা ঠিক সেখানেই সবচেয়ে বড়: এর ইনপুট দাম Kimi-K3-এর চেয়ে 5.2× কম আর DeepSeek-V4-Pro-র চেয়ে 2.7× কম। আপনার এজেন্ট যদি প্রতি পর্বে একটি ক্রমবর্ধমান কথোপকথন আবার পাঠায় — আর প্রায় প্রতিটি এজেন্টই তা করে — তবে সেই গুণকটিই আপনার চালানে গিয়ে বসে।
05এই এন্ডপয়েন্টে "আনসেন্সরড" মানে কী
ঠিক দুটি জিনিস: কোনো প্রত্যাখ্যানের স্তর নেই — কোন অনুরোধ মডেলটির দেখা অনুমোদিত তা ঠিক করার মতো কোনো ক্লাসিফায়ার নেই, আর পৌঁছানোর আগে আপনার প্রম্পট নতুন করে লেখার মতো কোনো পলিসি মডেল নেই — আর কোনো আউটপুট ফিল্টারিং নেই, অর্থাৎ মডেল যে টোকেনগুলি তৈরি করে সেগুলিই আপনি পান, না-ছাঁটা আর না-বদলানো।
"শিথিল" বা "ডেভেলপার" মোডের বিজ্ঞাপন দেওয়া কোনো বাণিজ্যিক API-এর চেয়ে এটি আলাদা প্রস্তাব। ওগুলি এখনও ট্র্যাফিক একটি বিক্রেতার নীতি-স্তরের ভিতর দিয়েই পাঠায়; সেখানে যা বদলায় তা হলো সীমারেখা, ফটকটির অস্তিত্ব নয়। এখানে সুর মেলানোর মতো কোনো ফটকই নেই — মডেলটি আমাদের নিজস্ব GPU ক্লাস্টারে চলে, আর তার আচরণই ভিত্তিটির আচরণ। ০২ নম্বর অংশের NIST CAISI পর্যবেক্ষণটিকে সতর্কবার্তা নয়, একটি কারিগরি বিবৃতি হিসেবে পড়লেই পণ্যটি বোঝা যায়: যে মডেলের অ্যালাইনমেন্ট তার ওয়েটেই থাকে, বাইরের নীতি-স্তর ছাড়া পরিবেশিত হলে সে তার ওয়েট অনুযায়ীই আচরণ করে।
বিশেষ করে এজেন্টের ক্ষেত্রে এটি কেন গুরুত্বপূর্ণ
প্রত্যাখ্যান সাধারণত কনটেন্টের প্রশ্ন হিসেবেই আলোচিত হয়। এজেন্টিক কাজে সেটি মূলত নির্ভরযোগ্যতার প্রশ্ন। ৪০ পর্বের একটি রানের ৩১তম পর্বে একটি প্রত্যাখ্যান কোনো ভদ্র অস্বীকৃতি নয় যা পড়ে আপনি এগিয়ে যাবেন — সেটি একটি বিকৃত ধাপ, একটি অর্কেস্ট্রেটর যে জানে না এরপর কী করতে হবে, একটি ভাঙা পরিকল্পনা, আর ৩০ পর্বের খরচ হওয়া টোকেন, বিনিময়ে কিছুই নেই। নিরাপত্তা গবেষণা, ম্যালওয়্যার বিশ্লেষণ, পেনিট্রেশন টেস্টিং, রেড-টিমিং, প্রাপ্তবয়স্কদের কল্পকাহিনি, চিকিৎসা ও আইনি খসড়া, আর নিরাপত্তা প্রশিক্ষণের জন্য ডেটাসেট তৈরি — সবগুলিতেই এটি অনবরত ঘটে, আর ব্যর্থতাটি দামি ঠিক এই কারণেই যে তা দেরিতে এসে পড়ে।
উল্টো দিকটি হলো নীতির স্তরটি এখন আপনার। Shannon AI গেটওয়ের ব্যবহার আমাদের দায়িত্বশীল ব্যবহার নীতি দ্বারা নিয়ন্ত্রিত; লুপ থেকে একটি বিক্রেতার বিচারবুদ্ধি সরিয়ে দেওয়ার মানে নিজেরটি জোগানো।
06এন্ডপয়েন্টটি আসলে আপনাকে কী দেয়
| সক্ষমতা | GLM-5.2 · 3BIT-REAP |
|---|---|
| মডেল আইডি | GLM-5.2-3BIT-REAP |
| কনটেক্সট উইন্ডো | 262,144 টোকেন |
| প্রতি রিকোয়েস্টে সর্বোচ্চ আউটপুট | 16,384 টোকেন |
| স্ট্রিমিং | হ্যাঁ |
| টুল কলিং | হ্যাঁ |
রিজনিং / reasoning_effort | হ্যাঁ |
JSON Schema (json_schema) | হ্যাঁ |
response_format | হ্যাঁ |
| ভিশন / ছবি ইনপুট | না — কেবল লেখা |
| প্রত্যাখ্যানের স্তর / আউটপুট ফিল্টারিং | নেই |
কিছু বানানোর আগে ভিশনের সারিটি মন দিয়ে পড়ুন। আমাদের গেটওয়েতে GLM-5.2 কেবল লেখার। ছবি ইনপুট দরকার হলে ক্যাটালগে পাঁচটি ভিশন-সক্ষম বিকল্প আছে — $0.50 / $2.00 মেঝেতে MiniMax-M3 ও MiMo-V2.5, $0.78 / $3.67-এ Kimi-K2.6, $1.42 / $6.07-এ inkling, আর $3.83 / $19.12-এ Kimi-K3। একটি সুবিবেচিত ধরন হলো ছবি বোঝার কাজ MiniMax-M3-এ আর বাকি সবকিছু GLM-5.2-এ পাঠানো, যাতে একটি মডেল স্ট্রিং ছাড়া বাড়তি কিছুই খরচ হয় না।
তিনটি উপভাষা, একটি মডেল
একই মডেল তিনটি রিকোয়েস্ট ফরম্যাটে পাওয়া যায়, সবগুলিতেই স্ট্রিমিং সহ: /v1/chat/completions (OpenAI উপভাষা), /v1/messages (Anthropic উপভাষা), আর /v1/responses। এদের মধ্যে মডেলের কিছুই বদলায় না — আপনার SDK ইতিমধ্যেই যেটি বোঝে সেটিই বাছুন, আর সাধারণত একটি বেস-URL বদলেই আপনি চালু।
# 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, )
তিনটি উপভাষার পূর্ণ রিকোয়েস্ট ও রেসপন্স স্কিমা, টুল-কলিং ফরম্যাট, স্ট্রিমিং ইভেন্টের আকৃতি আর একটি ইন্টারঅ্যাক্টিভ প্লেগ্রাউন্ড আছে Shannon AI API ডকুমেন্টেশনে।
07কখন GLM-5.2 বাছবেন — আর কখন নয়
এটির দিকে হাত বাড়ান যখন
- আপনি এজেন্ট চালাচ্ছেন। দীর্ঘ টুল-কলিং লুপের জন্যই এই বংশ তৈরি ও বারবার পোস্ট-ট্রেইন করা হয়েছে, আর ইনপুটের দাম প্রতি পর্বে একটি ক্রমবর্ধমান কথোপকথন আবার পাঠানো সাধ্যের মধ্যে রাখে।
- আপনি একটি বড় কোডবেস জুড়ে কাজ করছেন। 262K কনটেক্সট, নির্ভরযোগ্য টুল-কল ফরম্যাটিং, আর গোটা উইন্ডো পড়তে $0.19।
- পরিমাণই আপনার বাধা। শ্রেণিবিন্যাস, তথ্য নিষ্কাশন, সিন্থেটিক ডেটা তৈরি, বিপুল পুনর্লিখন — যেখানে প্রতি কলের খরচ গুণ বিশাল একটি সংখ্যা ঠিক করে দেয় প্রকল্পটি আদৌ সম্ভব কিনা।
- প্রত্যাখ্যান আপনার পাইপলাইন ভাঙছে। নিরাপত্তা গবেষণা, প্রতিকূল পরীক্ষা, আনসেন্সরড কল্পকাহিনি, সংবেদনশীল খসড়া — এখানে সেই ব্যর্থতার ধরনটিই নেই।
অন্য কিছুর দিকে হাত বাড়ান যখন
- আপনার ভিশন দরকার। কেবল লেখা। উপরের ভিশন-সক্ষম বিকল্পগুলি দেখুন।
- আপনার গভীরতম একক-পর্বের রিজনিং দরকার। সবচেয়ে কঠিন এক-দফা বিশ্লেষণাত্মক সমস্যার জন্য DeepSeek-V4-Pro-0813 · 3BIT-REAP ভারী যন্ত্রটি, মিশ্র খরচের 2.2× দামে — যেসব কলে ছাদটিই বাধা, সেখানে ওটাই ঠিক বিনিময়।
- অস্পষ্ট জ্ঞানে সর্বোচ্চ বিশ্বস্ততা দরকার।
W8A16স্তরটি — MiMo-V2.5-Pro ও Hy3 — অনেক কম আক্রমণাত্মকভাবে সংকুচিত আর ছোট ভিত্তিতে $0.50 / $2.00 মেঝেতেই বসে।
এই পাতার প্রতিটি ভিত্তি-সংক্রান্ত সংখ্যা আমাদের বাইরের কেউ প্রকাশ করেছে। দাম ও সক্ষমতার সংখ্যাগুলি আমাদের নিজেদের লাইভ ক্যাটালগের মান, আপনার নিজের কী দিয়ে /v1/models-এ যাচাই করা যায়। মূল উৎসগুলি নিজেই দেখে নিন।
GLM-5.2-এর বেঞ্চমার্ক সংখ্যা (Terminal-Bench 2.1, SWE-bench Pro) অসংকুচিত ভিত্তিটির জন্য Z.ai-এর জানানো; স্বাধীন পুনরাবৃত্তি এখনও বাকি। Claude Opus 4.8 ও GPT-5.5-এর সংখ্যা কেবল তুলনার জন্য দেখানো। প্রথম-পক্ষের GLM-5.2 API তালিকা-দাম Z.ai-এর প্রকাশিত, সেপ্টেম্বর ২০২৬।
08প্রায়শই জিজ্ঞাসিত প্রশ্ন
Shannon AI-তে আনসেন্সরড GLM API কী?
এটি Shannon AI গেটওয়েতে GLM-5.2-3BIT-REAP মডেল আইডিটি: Z.ai-এর GLM-5.2 এজেন্টিক ভিত্তির একটি সংকুচিত বিল্ড, আমাদের নিজস্ব GPU ক্লাস্টারে পরিবেশিত, কোনো প্রত্যাখ্যানের স্তর ও কোনো আউটপুট ফিল্টারিং ছাড়াই। এর খরচ প্রতি মিলিয়ন ইনপুট টোকেনে $0.73 আর প্রতি মিলিয়ন আউটপুট টোকেনে $2.34, এতে আছে 262,144-টোকেন কনটেক্সট উইন্ডো, আর এটি /v1/chat/completions, /v1/messages ও /v1/responses-এ পাওয়া যায়।
ক্যাটালগের অন্য বড় মডেলগুলির চেয়ে আনসেন্সরড GLM 5.2 সস্তা কেন?
এটি কীভাবে সংকুচিত করা হয়েছে তার কারণে। 3BIT-REAP 3-বিট ওয়েটের সঙ্গে REAP মেলায়, যা Mixture-of-Experts মডেলের জন্য একটি এক্সপার্ট-ছাঁটাই পদ্ধতি এবং কোয়ান্টাইজ করার আগে কদাচিৎ রাউট হওয়া এক্সপার্টগুলি বাদ দেয়। প্রতি টোকেনে মোটামুটি 40B সক্রিয় প্যারামিটারের একটি স্পার্স MoE ভিত্তি, এভাবে ছাঁটা ও কোয়ান্টাইজ করা হলে, সমমানের একটি ডেন্স মডেলের চেয়ে অনেক কম মেমরি আর প্রতি টোকেনে অনেক কম GPU-সেকেন্ড দখল করে, আর দামে সেটিই প্রতিফলিত হয়।
প্রত্যাখ্যানহীন GLM মানে কি মডেলটির কোনো রক্ষাকবচই নেই?
এর মানে Shannon কোনোটিই যোগ করে না। মডেলের সামনে কোনো প্রত্যাখ্যান-ক্লাসিফায়ার নেই আর তার থেকে বেরিয়ে আসা টোকেনের উপর কোনো ফিল্টার নেই। ভিত্তিটির নিজের প্রশিক্ষণ তাকে যে প্রবণতা দিয়েছে তা তার থাকেই, তবে বাইরের কিছুই সেগুলিকে অগ্রাহ্য করে না। নীতির স্তরটি আপনার, আর ব্যবহার Shannon AI দায়িত্বশীল ব্যবহার নীতির অধীন।
GLM-5.2 3BIT-REAP কি ভিশন বা ছবি ইনপুট সমর্থন করে?
না। এই মডেলটি কেবল লেখার। কোনো আনসেন্সরড এন্ডপয়েন্টে ছবি ইনপুট দরকার হলে ক্যাটালগের ভিশন-সক্ষম মডেলগুলির একটি ব্যবহার করুন, যেমন MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 বা inkling। GLM-5.2 কাঠামোবদ্ধ আউটপুট সমর্থন করে — json_schema ও response_format দুটিই — আর টুল কলিংও।
কনটেক্সট উইন্ডো আর সর্বোচ্চ আউটপুট দৈর্ঘ্য কত?
262,144 টোকেন কনটেক্সট আর প্রতি রিকোয়েস্টে 16,384 টোকেন আউটপুট। প্রতি মিলিয়ন ইনপুট টোকেনে $0.73 দরে গোটা কনটেক্সট উইন্ডো একবার ভরতে খরচ প্রায় 19 সেন্ট, আর সর্বোচ্চ দৈর্ঘ্যের একটি কমপ্লিশনের খরচ 4 সেন্টেরও কম।
দীর্ঘ টুল-কলিং লুপের জন্য এটি কি একটি ভালো এজেন্টিক আনসেন্সরড মডেল?
আমরা প্রথমে এটির দিকেই হাত বাড়াই। GLM বংশ GLM-4.5 থেকেই স্পষ্টভাবে এজেন্টিক কাজের জন্য প্রশিক্ষিত, টুল কলিং ও reasoning_effort দুটিই সমর্থিত, আর দামের অর্থ হলো একশোটি বিশ-হাজার-টোকেন এজেন্ট পর্বের খরচ এগারো ডলারের বদলে মোটামুটি দুই ডলার। এজেন্ট লুপে প্রত্যাখ্যানও একটি বাস্তব ব্যর্থতার ধরন, আর এখানে সেটি ঘটানোর মতো কোনো প্রত্যাখ্যানের স্তরই নেই।
আনসেন্সরড GLM API ব্যবহার করে দেখুন
$0.73 ইন · $2.34 আউট · 262K কনটেক্সট · কোনো প্রত্যাখ্যানের স্তর নেই।
API ডকুমেন্টেশন পড়ুন সব মডেল দেখুনShannon Lab LLC, নিউ মেক্সিকো, যুক্তরাষ্ট্র · ব্যবহার দায়িত্বশীল ব্যবহার নীতি দ্বারা নিয়ন্ত্রিত
উৎস: Z.ai GLM-5 রিপোজিটরি · 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 · NIST CAISI Assessment of Z.ai's GLM-5.2, জুলাই ২০২৬। ভিত্তির বেঞ্চমার্ক স্কোরগুলি ল্যাবের জানানো ও অস্থায়ী; সেগুলি অসংকুচিত GLM-5.2-এর বর্ণনা দেয়, এই সংকুচিত বিল্ডের নয়। দাম, কনটেক্সট ও সক্ষমতার সংখ্যা ৫ সেপ্টেম্বর ২০২৬ অনুযায়ী Shannon AI ক্যাটালগের মান।