API de GLM sense censura: el millor valor per token
La base agèntica GLM de Z.ai, servida sense cap capa de refús al nostre propi clúster de GPU — 262K de context, crides a eines i un preu combinat inferior a la meitat del que costa el mateix llinatge de primera part.
TL;DR
GLM-5.2-3BIT-REAP és el model de la passarel·la de Shannon AI que recomanem per defecte. Executa una base Mixture-of-Experts esparsa de 744.000 milions de paràmetres del llinatge GLM — entrenada explícitament per a l'ús agèntic d'eines des de GLM-4.5 — comprimida amb pesos de 3 bits i poda d'experts REAP perquè hi càpiga i continuï sent ràpida. Obtens un context de 262.144 tokens, 16.384 tokens de sortida, crides a eines, raonament amb reasoning_effort ajustable i sortida estructurada amb JSON Schema, per 0,73 $ / 2,34 $ per milió de tokens. No hi ha cap capa de refús ni cap filtre de sortida. Només text — sense visió.
La majoria de comparatives del «model més barat» són poc honestes, perquè l'opció barata sol ser un model petit vestit amb el màrqueting d'un de gran. Aquí no passa això. GLM-5.2 és una de les bases de pesos oberts més grans que ningú hagi publicat, i a 0,73 $ d'entrada / 2,34 $ de sortida se situa un esglaó per damunt del terra del nostre catàleg mentre porta una base diverses vegades més gran que la que aquest terra sol comprar. Aquesta distància — model gran, preu gairebé de terra — és la raó per la qual existeix aquesta pàgina.
01D'on ve GLM: Tsinghua, l'ompliment de buits i un gir decidit cap als agents
GLM no és un derivat de Llama amb un altre nom. És una de les poques famílies de models amb un objectiu de preentrenament propi, iterat durant cinc anys pel mateix grup de recerca. El nom vol dir General Language Model, i l'article fundacional — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — va proposar una tercera opció al costat del modelatge de llenguatge emmascarat de BERT i de l'autoregressió estricta d'esquerra a dreta de GPT. GLM esborra trams contigus i els regenera de manera autoregressiva en un ordre barrejat, amb codificacions posicionals bidimensionals que segueixen tant la posició d'un token dins del document corromput com la seva posició dins del tram que s'omple: una sola arquitectura que gestiona igual de bé la comprensió i la generació.
El grup que hi ha al darrere era el Knowledge Engineering Group de la Universitat de Tsinghua, que va escindir l'empresa avui coneguda com a Z.ai (abans Zhipu AI). El seu primer artefacte destacat va ser GLM-130B l'octubre de 2022 — un model dens bilingüe anglès/xinès de 130.000 milions de paràmetres, amb els pesos i el codi publicats obertament en el moment de la publicació. La publicació oberta ha estat l'estil de la casa des de llavors.
L'era MoE i el gir cap als agents
El fil conductor importa més que qualsevol publicació concreta. Des de GLM-4.5, cada versió s'ha optimitzat per al mateix: mantenir-se coherent al llarg de desenes de crides a eines. Això és un objectiu diferent de maximitzar puntuacions de benchmark d'un sol torn, i es nota en menys arguments d'eina mal formats, menys deriva en un pla llarg i menys d'aquell comportament de «reinicia la tasca amb tota confiança al torn 14» que encareix els marcs d'agents.
02Què és GLM-5.2 i què s'hi ha mesurat
Z.ai publica xifres de benchmark per a GLM-5.2 al repositori de GLM-5. Dues es corresponen amb feina agèntica real i no amb memorització de trivialitats:
Terminal-Bench 2.1 — tasques d'agent de línia d'ordres d'horitzó llarg. Reportat per Z.ai.
SWE-bench Pro — resolució d'incidències en repositoris reals. Reportat per Z.ai; GLM-5.1 va puntuar 58,4 a la mateixa prova.
Aquestes són les xifres del laboratori, no les nostres, i descriuen la base sense comprimir. Estableixen la classe de model amb què tractes, no una garantia.
Hi ha una dada que val més que un benchmark, perquè ve d'un avaluador sense cap incentiu per afalagar el model. El juliol de 2026 el Center for AI Standards and Innovation de l'Institut Nacional d'Estàndards i Tecnologia dels EUA va avaluar GLM-5.2 i va concloure que probablement era el model d'IA de pesos oberts més capaç disponible quan es va publicar, amb capacitats generals comparables a GPT-5.2 i capacitats cibernètiques comparables a Claude Opus 4.6. La mateixa avaluació va observar que GLM-5.2 bloqueja menys peticions sensibles que els models de referència dels EUA, i que les salvaguardes cuites dins de pesos oberts es poden esquivar un cop aquests pesos s'allotgen pel seu compte. La secció 05 hi torna.
03Què vol dir «3BIT-REAP» i què et costa
REAP: podar experts en lloc de fusionar-los
Un model MoE de 744B de paràmetres té 256 experts per capa, dels quals 8 s'activen en un token qualsevol. El router no reparteix la feina de manera uniforme — alguns experts es toquen constantment, i una cua llarga es toca poc i hi aporta poc quan es toca. REAP (Router-weighted Expert Activation Pruning), de Cerebras Research i acceptat a ICLR 2026, ho aprofita: puntua cada expert amb un criteri de rellevància que combina amb quina força i freqüència el router l'obre amb la magnitud de la contribució de la seva sortida, i després elimina permanentment els de puntuació baixa.
La part interessant és la comparació que REAP guanya. L'alternativa òbvia a eliminar un expert és fusionar-lo amb un supervivent, cosa que sona més segura. La troballa de l'article, en models MoE de 20B a 1T de paràmetres, és que fusionar de fet és pitjor per a la feina generativa, i que podar aguanta notablement bé: gairebé sense pèrdues en proves de generació de codi i de crides a eines fins i tot després d'eliminar la meitat dels experts, en bases com Qwen3-Coder-480B i Kimi-K2. Que el codi i les crides a eines sobrevisquin intactes és exactament el que vols preservar en un model la raó de ser del qual és l'enginyeria agèntica.
Pesos de 3 bits i la contrapartida honesta
A més de la poda, els pesos supervivents es desen a 3 bits — més agressiu que els nivells W4A16-AUTOROUND-REAP i W8A16 d'altres punts del nostre catàleg, i reservat a les bases més grans, on no hi ha cap altra manera de posar un model de tres quarts de bilió de paràmetres en un node de servei i mantenir els tokens fluint a un ritme utilitzable.
La compressió no és gratuïta. El model mental correcte: la poda i la quantització degraden primer la cua llarga. Els comportaments densos i exercitats sovint — seguir instruccions, estructura del codi, format de les crides a eines, planificació de diversos passos — sobreviuen bé, que és precisament el que mostren els resultats de REAP. La memorització de fets obscurs, les llengües rares i les trivialitats de dominis de nínxol són allà on has d'esperar una diferència respecte d'una GLM-5.2 sense comprimir. Si la teva càrrega de treball és «saber-se de memòria un fet inusual», paga per un nivell de més fidelitat. Si és «executar un pla al llarg de quaranta crides a eines sense descarrilar», aquest és el nivell per al qual es va dissenyar el mètode.
04L'argument del valor: què costa realment operar una API d'LLM sense censura barata
El preu de tarifa d'API publicat per la mateixa Z.ai per a GLM-5.2 és de 1,40 $ per milió de tokens d'entrada i 4,40 $ per milió de sortida. El nostre preu sobre la mateixa base és de 0,73 $ / 2,34 $ — aproximadament un 48% menys a l'entrada i un 47% menys a la sortida. Aquest descompte és el que compra la compressió, i ve amb una segona cosa que no pots comprar de primera part a cap preu: cap capa de refús.
Dins del nostre propi catàleg, el cost combinat és la xifra que importa. Aquí el tens amb una ràtio entrada-sortida de 3:1, que és aproximadament el que sembla a la pràctica un agent que crida eines — molt context i molts resultats d'eina que entren, comparativament pocs tokens que surten.
| Model | Entrada / 1M | Sortida / 1M | Combinat 3:1 | Visió |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | No |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | No |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Sí |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | No |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Sí |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Sí |
Sis models se situen al terra de 0,50 $ / 2,00 $ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro i Hy3 —, una tarifa combinada de 0,875 $. GLM-5.2 està un 29% per damunt d'aquest terra i et compra una base de la classe dels 744B amb una inversió sostinguda en comportament agèntic al darrere. Tot el que està per damunt seu costa com a mínim un 23% més en combinat, i Kimi-K3 costa 6,8× més. Aquest és l'argument del valor en una sola fila: el lloc més barat del catàleg per comprar una base agèntica de primer nivell.
Convertit en feina
- Un ompliment complet del context — 262.144 tokens d'entrada: 0,19 $. Un repositori sencer i gran llegit dins de la finestra per menys de vint cèntims.
- Una compleció de longitud màxima — 16.384 tokens de sortida: 0,038 $.
- Un torn d'agent — 20K d'entrada, 2K de sortida: 0,019 $. El mateix torn costa 0,115 $ a Kimi-K3 i 0,047 $ a DeepSeek-V4-Pro.
- Cent torns d'agent: 1,93 $, contra 11,48 $ al model més car del catàleg.
Les càrregues agèntiques són pesades d'entrada, i l'avantatge de GLM és més gran justament allà: el seu preu d'entrada és 5,2× més baix que el de Kimi-K3 i 2,7× més baix que el de DeepSeek-V4-Pro. Si el teu agent reenvia una conversa que creix a cada torn — i gairebé tots els agents ho fan —, aquest multiplicador és el que acaba a la teva factura.
05Què vol dir «sense censura» en aquest extrem
Dues coses, exactament: cap capa de refús — cap classificador que decideixi quines peticions pot veure el model, i cap model de política que reescrigui el teu prompt abans que arribi — i cap filtratge de la sortida, és a dir que els tokens que produeix el model són els tokens que reps, sense redaccions ni substitucions.
Això és una proposta diferent de la d'una API comercial que anuncia un mode «relaxat» o «per a desenvolupadors». Aquestes continuen encaminant el trànsit per la pila de política d'un proveïdor; el que canvia és el llindar, no l'existència de la porta. Aquí no hi ha cap porta per ajustar — el model s'executa al nostre propi clúster de GPU, i el seu comportament és el comportament de la base. Llegeix la conclusió del NIST CAISI de la secció 02 com una afirmació tècnica i no com un advertiment i t'explica el producte: un model l'alineament del qual viu als seus pesos, servit sense cap capa de política externa, es comporta d'acord amb els seus pesos.
Per què això importa especialment per als agents
Els refusos se solen discutir com una qüestió de contingut. En feina agèntica són sobretot una qüestió de fiabilitat. Un refús al torn 31 d'una execució de 40 torns no és una negativa educada que llegeixes i deixes enrere — és un pas mal format, un orquestrador que no sap com continuar, un pla trencat i 30 torns de tokens gastats sense res per ensenyar. La recerca en seguretat, l'anàlisi de programari maliciós, les proves de penetració, els equips vermells, la ficció per a adults, la redacció mèdica i jurídica i la generació de conjunts de dades per a entrenament de seguretat topen amb això constantment, i la fallada surt cara precisament perquè arriba tard.
L'altra cara és que ara la capa de política és teva. L'ús de la passarel·la de Shannon AI es regeix per la nostra Política d'ús responsable; treure el criteri d'un proveïdor del bucle vol dir aportar el teu.
06Què et dona realment aquest extrem
| Capacitat | GLM-5.2 · 3BIT-REAP |
|---|---|
| Id del model | GLM-5.2-3BIT-REAP |
| Finestra de context | 262.144 tokens |
| Sortida màxima per petició | 16.384 tokens |
| Streaming | Sí |
| Crides a eines | Sí |
Raonament / reasoning_effort | Sí |
JSON Schema (json_schema) | Sí |
response_format | Sí |
| Visió / entrada d'imatge | No — només text |
| Capa de refús / filtratge de sortida | Cap |
Llegeix bé la fila de la visió abans de construir. GLM-5.2 és només de text a la nostra passarel·la. Si necessites entrada d'imatge, el catàleg té cinc opcions amb visió — MiniMax-M3 i MiMo-V2.5 al terra de 0,50 $ / 2,00 $, Kimi-K2.6 a 0,78 $ / 3,67 $, inkling a 1,42 $ / 6,07 $ i Kimi-K3 a 3,83 $ / 19,12 $. Un patró sensat és encaminar la comprensió d'imatges cap a MiniMax-M3 i tota la resta cap a GLM-5.2, cosa que no costa res més enllà d'una cadena de model.
Tres dialectes, un model
El mateix model és accessible mitjançant tres formats de petició, tots amb streaming: /v1/chat/completions (dialecte d'OpenAI), /v1/messages (dialecte d'Anthropic) i /v1/responses. Res del model no canvia entre ells — tria el que ja parli el teu SDK i normalment ets a un canvi d'URL base de posar-te en marxa.
# 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, )
Els esquemes complets de petició i resposta dels tres dialectes, el format de crides a eines, les formes dels esdeveniments d'streaming i un espai de proves interactiu són a la documentació de l'API de Shannon AI.
07Quan triar GLM-5.2 — i quan no
Agafa'l quan
- Estàs executant agents. Els bucles llargs de crides a eines són allò per a què es va construir i es va postentrenar repetidament aquest llinatge, i el preu d'entrada fa assequible reenviar una conversa creixent a cada torn.
- Treballes en una base de codi gran. 262K de context, format fiable de crides a eines i 0,19 $ per llegir la finestra sencera.
- El volum és la teva restricció. Classificació, extracció, generació de dades sintètiques, reescriptura massiva — qualsevol cosa on el cost per crida multiplicat per un nombre gran decideix si el projecte és viable.
- Els refusos et trenquen la canonada. Recerca en seguretat, proves adversàries, ficció sense censura, redacció sensible — aquest mode de fallada aquí no hi és.
Agafa una altra cosa quan
- Necessites visió. Només text. Vegeu les opcions amb visió de més amunt.
- Necessites el raonament d'un sol torn més profund. Per als problemes analítics d'un sol tret més difícils, DeepSeek-V4-Pro-0813 · 3BIT-REAP és l'instrument més pesant a 2,2× el cost combinat — en crides on el sostre és la restricció, aquest és el canvi correcte.
- Necessites la màxima fidelitat en coneixement obscur. El nivell
W8A16— MiMo-V2.5-Pro i Hy3 — està comprimit molt menys agressivament i se situa al terra de 0,50 $ / 2,00 $, sobre bases més petites.
Cada xifra sobre la base d'aquesta pàgina la publica algú altre que nosaltres. Les xifres de preu i de capacitat són els valors en viu del nostre propi catàleg, verificables contra /v1/models amb la teva pròpia clau. Comprova tu mateix les fonts primàries.
Les xifres de benchmark de GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) les reporta Z.ai per a la base sense comprimir; la replicació independent està pendent. Les xifres de Claude Opus 4.8 i GPT-5.5 es mostren només com a referència. Preus de tarifa de l'API de GLM-5.2 de primera part tal com els publica Z.ai, setembre de 2026.
08Preguntes freqüents
Què és l'API de GLM sense censura de Shannon AI?
És l'id de model GLM-5.2-3BIT-REAP a la passarel·la de Shannon AI: una compilació comprimida de la base agèntica GLM-5.2 de Z.ai, servida al nostre propi clúster de GPU sense cap capa de refús i sense filtratge de la sortida. Costa 0,73 $ per milió de tokens d'entrada i 2,34 $ per milió de tokens de sortida, porta una finestra de context de 262.144 tokens i és accessible a /v1/chat/completions, /v1/messages i /v1/responses.
Per què GLM 5.2 sense censura és més barat que els altres models grans del catàleg?
Per com està comprimit. 3BIT-REAP combina pesos de 3 bits amb REAP, un mètode de poda d'experts per a models Mixture-of-Experts que elimina els experts poc encaminats abans de quantitzar. Una base MoE esparsa amb aproximadament 40B de paràmetres actius per token, podada i quantitzada d'aquesta manera, ocupa molta menys memòria i moltes menys GPU-segons per token que un model dens de qualitat equivalent, i el preu ho reflecteix.
Que GLM no tingui refusos vol dir que el model no té cap salvaguarda?
Vol dir que Shannon no n'hi afegeix cap. No hi ha cap classificador de refús davant del model ni cap filtre sobre els tokens que en surten. La base conserva les disposicions que li hagi donat el seu propi entrenament, però res d'extern no les anul·la. La capa de política és teva, i l'ús està subjecte a la Política d'ús responsable de Shannon AI.
GLM-5.2 3BIT-REAP admet visió o entrada d'imatge?
No. Aquest model és només de text. Si necessites entrada d'imatge en un extrem sense censura, fes servir un dels models amb visió del catàleg, com ara MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 o inkling. GLM-5.2 sí que admet sortida estructurada — tant json_schema com response_format — i crides a eines.
Quina és la finestra de context i la longitud màxima de sortida?
262.144 tokens de context i 16.384 tokens de sortida per petició. Omplir la finestra de context sencera una vegada costa uns 19 cèntims a 0,73 $ per milió de tokens d'entrada, i una compleció de longitud màxima costa menys de 4 cèntims.
És un bon model agèntic sense censura per a bucles llargs de crides a eines?
És el primer que agafem. El llinatge GLM s'ha entrenat explícitament per a feina agèntica des de GLM-4.5, les crides a eines i reasoning_effort estan tots dos admesos, i el preu fa que cent torns d'agent de vint mil tokens costin aproximadament dos dòlars en lloc d'onze. Els refusos també són un mode de fallada real als bucles d'agent, i aquí no hi ha cap capa de refús que en pugui provocar cap.
Prova l'API de GLM sense censura
0,73 $ d'entrada · 2,34 $ de sortida · 262K de context · cap capa de refús.
Llegeix la documentació de l'API Consulta tots els modelsShannon Lab LLC, Nou Mèxic, EUA · ús regit per la Política d'ús responsable
Fonts: repositori GLM-5 de Z.ai · 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 · Avaluació del NIST CAISI de GLM-5.2 de Z.ai, juliol de 2026. Les puntuacions de benchmark de la base les reporta el laboratori i són provisionals; descriuen la GLM-5.2 sense comprimir, no aquesta compilació comprimida. Les xifres de preu, context i capacitats són valors del catàleg de Shannon AI a 5 de setembre de 2026.