Ucensureret GLM-API: mest værdi pr. token

De fleste sammenligninger af »den billigste model« er uærlige, for det billige valg er som regel en lille model iført en stor models markedsføring. Det er ikke det, der sker her. GLM-5.2 er en af de største grundmodeller med åbne vægte, nogen har udgivet, og til $0,73 ind / $2,34 ud ligger den ét trin over vores katalogs bundpris, mens den bærer en grundmodel flere gange større end det, den bundpris normalt køber. Det spring — stor model, næsten bundpris — er grunden til, at denne side findes.

01Hvor GLM kommer fra: Tsinghua, blank infilling og en hård drejning mod agenter

GLM er ikke en omdøbt Llama-aflægger. Det er en af de få modelfamilier med sit eget fortræningsmål, videreudviklet i fem år af den samme forskergruppe. Navnet står for General Language Model, og den grundlæggende artikel — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — foreslog en tredje mulighed ved siden af BERTs maskerede sprogmodellering og GPT's strikse venstre-mod-højre-autoregression. GLM udblænder sammenhængende spænd og gendanner dem autoregressivt i tilfældig rækkefølge, med todimensionelle positionsindkodninger, der både følger en tokens plads i det beskadigede dokument og dens plads inde i det spænd, der udfyldes: én arkitektur, der håndterer forståelse og generering lige godt.

Gruppen bag var Knowledge Engineering Group på Tsinghua University, som udskilte den virksomhed, der i dag hedder Z.ai (tidligere Zhipu AI). Dens første markante resultat var GLM-130B i oktober 2022 — en tosproget engelsk/kinesisk tæt model på 130 milliarder parametre, hvor vægte og kode blev offentliggjort samtidig med artiklen. Åben udgivelse har været husets stil lige siden.

MoE-æraen og drejningen mod agenter

Den røde tråd betyder mere end nogen enkelt udgivelse. Siden GLM-4.5 er hver version blevet optimeret til det samme: at forblive sammenhængende hen over dusinvis af tool calls. Det er et andet mål end at maksimere benchmark-scorer i én tur, og det viser sig som færre misdannede værktøjsargumenter, mindre afdrift i en lang plan og mindre af den »starter selvsikkert opgaven forfra i tur 14«-adfærd, der gør agentframeworks dyre.

02Hvad GLM-5.2 er, og hvad den er blevet målt til

Z.ai offentliggør benchmark-tal for GLM-5.2 i GLM-5-repositoriet. To af dem afspejler reelt agentisk arbejde frem for paratviden:

Terminal-Bench 2.1 — agentopgaver på kommandolinjen over lang horisont. Rapporteret af Z.ai.

SWE-bench Pro — løsning af issues i rigtige repositories. Rapporteret af Z.ai; GLM-5.1 scorede 58,4 på den samme test.

Det er laboratoriets tal, ikke vores, og de beskriver den ukomprimerede grundmodel. De fastslår, hvilken klasse af model du har med at gøre, ikke en garanti.

Ét datapunkt er mere værd end en benchmark, fordi det kommer fra en evaluator uden incitament til at smigre modellen. I juli 2026 vurderede Center for AI Standards and Innovation under det amerikanske National Institute of Standards and Technology GLM-5.2 og konkluderede, at den formentlig var den mest kapable AI-model med åbne vægte, der var tilgængelig, da den udkom, med samlede evner på niveau med GPT-5.2 og cyberevner på niveau med Claude Opus 4.6. Samme vurdering bemærkede, at GLM-5.2 blokerer færre følsomme forespørgsler end amerikanske referencemodeller, og at værn indbygget i åbne vægte kan omgås, når vægtene først er selvhostede. Afsnit 05 vender tilbage til det.

03Hvad »3BIT-REAP« betyder, og hvad det koster dig

REAP: at beskære eksperter i stedet for at flette dem

En MoE-model på 744 mia. parametre har 256 eksperter pr. lag, hvoraf 8 aktiveres på en given token. Routeren fordeler ikke arbejdet jævnt — nogle eksperter rammes konstant, og en lang hale rammes sjældent og bidrager kun lidt, når de gør. REAP (Router-weighted Expert Activation Pruning), fra Cerebras Research og antaget til ICLR 2026, udnytter det: den scorer hver ekspert efter et saliens-kriterium, der kombinerer hvor stærkt og hvor ofte routeren gater den med størrelsen af dens outputbidrag, og fjerner derefter de lavtscorende permanent.

Det interessante er den sammenligning, REAP vinder. Det oplagte alternativ til at fjerne en ekspert er at flette den ind i en overlevende, hvilket lyder mere skånsomt. Artiklens fund på tværs af MoE-modeller fra 20 mia. til 1 bio. parametre er, at fletning faktisk er værre til generativt arbejde, og at beskæring holder bemærkelsesværdigt godt: næsten tabsfrit på benchmarks for kodegenerering og tool calling, selv efter at halvdelen af eksperterne er fjernet, på grundmodeller som Qwen3-Coder-480B og Kimi-K2. At kode og tool calling overlever intakt er præcis det, du vil have bevaret på en model, hvis eksistensberettigelse er agentisk udvikling.

3-bit vægte og den ærlige afvejning

Oven på beskæringen lagres de overlevende vægte med 3 bit — mere aggressivt end niveauerne W4A16-AUTOROUND-REAP og W8A16 andre steder i vores katalog, og forbeholdt de største grundmodeller, hvor der ikke er anden vej til at få en model på trekvart billion parametre ind på en serveringsnode og holde tokens strømmende i et brugbart tempo.

Komprimering er ikke gratis. Den rigtige mentale model: beskæring og kvantisering nedbryder den lange hale først. Tætte, hyppigt anvendte adfærdsmønstre — instruktionsfølgning, kodestruktur, formatering af tool calls, planlægning i flere trin — overlever godt, hvilket er præcis det, REAP-resultaterne viser. Obskur faktahukommelse, sjældne sprog og nichefaglig paratviden er der, hvor du bør forvente en forskel i forhold til en ukomprimeret GLM-5.2. Er din arbejdsopgave »at kunne en usædvanlig kendsgerning på rygraden«, så betal for et niveau med højere trofasthed. Er den »at køre en plan hen over fyrre tool calls uden at køre af sporet«, er det her det niveau, metoden blev designet til.

04Værdiregnestykket: hvad et billigt ucensureret LLM-API rent faktisk koster at køre

Z.ai's egen offentliggjorte API-listepris for GLM-5.2 er $1,40 pr. million input-tokens og $4,40 pr. million output. Vores pris på den samme grundmodel er $0,73 / $2,34 — cirka 48 % mindre på input og 47 % mindre på output. Den rabat er det, komprimeringen køber, og den kommer med noget mere, du ikke kan købe hos førsteparten til nogen pris: intet afvisningslag.

Inden for vores eget katalog er blandet pris det tal, der betyder noget. Her er den ved et input/output-forhold på 3:1, hvilket omtrent svarer til, hvordan en tool calling-agent ser ud i praksis — masser af kontekst og værktøjsresultater ind, forholdsvis få tokens ud.

Model	Ind / 1M	Ud / 1M	Blandet 3:1	Vision
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Nej
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Nej
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Ja
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Nej
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Ja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Ja

Seks modeller ligger på bundprisen $0,50 / $2,00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro og Hy3 — en blandet sats på $0,875. GLM-5.2 ligger 29 % over den bundpris og giver dig en grundmodel i 744 mia.-klassen med en vedvarende investering i agentisk adfærd bag sig. Alt, der er prissat over den, koster mindst 23 % mere blandet, og Kimi-K3 koster 6,8× så meget. Det er værdiargumentet på én linje: det billigste sted i kataloget at købe en agentisk grundmodel i topklasse.

Omregnet til arbejde

• Én fuld kontekstfyldning — 262.144 input-tokens: $0,19. Et helt stort repository læst ind i vinduet for under tyve cent.
• Én completion i maksimal længde — 16.384 output-tokens: $0,038.
• Én agenttur — 20K ind, 2K ud: $0,019. Den samme tur koster $0,115 på Kimi-K3 og $0,047 på DeepSeek-V4-Pro.
• Hundrede agentture: $1,93 mod $11,48 på den dyreste model i kataloget.

Agentiske arbejdsopgaver er inputtunge, og GLM's fordel er størst netop dér: dens inputpris er 5,2× lavere end Kimi-K3's og 2,7× lavere end DeepSeek-V4-Pro's. Sender din agent en voksende samtale igen hver tur — og det gør næsten alle agenter — er det den faktor, der ender på din faktura.

05Hvad »ucensureret« betyder på dette endpoint

Præcis to ting: intet afvisningslag — ingen klassifikator, der afgør, hvilke forespørgsler modellen må se, og ingen politikmodel, der omskriver din prompt, før den ankommer — og ingen outputfiltrering, altså at de tokens, modellen producerer, er de tokens, du modtager, uredigerede og uudskiftede.

Det er noget andet end et kommercielt API, der reklamerer med en »afslappet« eller »udvikler«-tilstand. De sender stadig trafikken gennem en leverandørs politikstak; det, der ændrer sig, er tærsklen, ikke om porten findes. Her er der ingen port at justere — modellen kører på vores egen GPU-klynge, og dens adfærd er grundmodellens adfærd. Læs NIST CAISI-fundet fra afsnit 02 som en teknisk konstatering frem for som en advarsel, og det forklarer produktet: en model, hvis alignment bor i dens vægte, serveret uden et eksternt politiklag, opfører sig i overensstemmelse med sine vægte.

Hvorfor det betyder noget netop for agenter

Afvisninger diskuteres som regel som et indholdsspørgsmål. I agentisk arbejde er de mest af alt et driftssikkerhedsspørgsmål. En afvisning i tur 31 af et forløb på 40 ture er ikke et høfligt afslag, du læser og går videre fra — det er et misdannet trin, en orkestrator, der ikke ved, hvordan den skal fortsætte, en ødelagt plan og 30 ture med forbrugte tokens uden noget at vise. Sikkerhedsforskning, malwareanalyse, penetrationstest, red teaming, voksenfiktion, medicinske og juridiske udkast samt datasætgenerering til sikkerhedstræning rammer det her konstant, og fejlen er dyr netop, fordi den lander sent.

Bagsiden er, at politiklaget nu er dit. Brug af Shannon AI Gateway er omfattet af vores politik for ansvarlig brug; at fjerne en leverandørs dømmekraft fra sløjfen betyder, at du skal levere din egen.

06Hvad endpointet faktisk giver dig

Egenskab	GLM-5.2 · 3BIT-REAP
Model-id	GLM-5.2-3BIT-REAP
Kontekstvindue	262.144 tokens
Maks. output pr. forespørgsel	16.384 tokens
Streaming	Ja
Tool calling	Ja
Ræsonnement / reasoning_effort	Ja
JSON Schema (json_schema)	Ja
response_format	Ja
Vision / billedinput	Nej — kun tekst
Afvisningslag / outputfiltrering	Intet

Læs vision-rækken grundigt, før du bygger. GLM-5.2 er kun tekst på vores gateway. Har du brug for billedinput, har kataloget fem vision-egnede muligheder — MiniMax-M3 og MiMo-V2.5 til bundprisen $0,50 / $2,00, Kimi-K2.6 til $0,78 / $3,67, inkling til $1,42 / $6,07 og Kimi-K3 til $3,83 / $19,12. Et fornuftigt mønster er at sende billedforståelse til MiniMax-M3 og alt andet til GLM-5.2, hvilket ikke koster andet end en modelstreng.

Tre dialekter, én model

Den samme model kan nås gennem tre forespørgselsformater, alle med streaming: /v1/chat/completions (OpenAI-dialekten), /v1/messages (Anthropic-dialekten) og /v1/responses. Intet ved modellen ændrer sig mellem dem — vælg den, dit SDK allerede taler, og du er som regel én base-URL-ændring fra at være i gang.

# 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,
)

Fuldstændige forespørgsels- og svarskemaer for alle tre dialekter, formatet for tool calling, formen på streaming-events og en interaktiv legeplads findes i Shannon AI's API-dokumentation.

07Hvornår du skal vælge GLM-5.2 — og hvornår ikke

Grib til den, når

• Du kører agenter. Lange tool calling-løkker er det, denne slægt blev bygget og gentagne gange efter-trænet til, og inputprisen gør det overkommeligt at gensende en voksende samtale hver tur.
• Du arbejder på tværs af en stor kodebase. 262K kontekst, pålidelig formatering af tool calls og $0,19 for at læse hele vinduet.
• Volumen er din begrænsning. Klassifikation, udtræk, generering af syntetiske data, masseomskrivning — alt hvor pris pr. kald gange et stort antal afgør, om projektet er levedygtigt.
• Afvisninger ødelægger din pipeline. Sikkerhedsforskning, adversarial testning, ucensureret fiktion, følsomme udkast — den fejlform findes ikke her.

Grib til noget andet, når

• Du har brug for vision. Kun tekst. Se de vision-egnede muligheder ovenfor.
• Du har brug for det dybeste ræsonnement i én tur. Til de sværeste analytiske engangsproblemer er DeepSeek-V4-Pro-0813 · 3BIT-REAP det tungere instrument til 2,2× den blandede pris — på kald, hvor loftet er begrænsningen, er det den rigtige handel.
• Du har brug for maksimal trofasthed på obskur viden. W8A16-niveauet — MiMo-V2.5-Pro og Hy3 — er komprimeret langt mindre aggressivt og ligger på bundprisen $0,50 / $2,00, på mindre grundmodeller.

Benchmark-tal for GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) er rapporteret af Z.ai for den ukomprimerede grundmodel; uafhængig replikation udestår. Tal for Claude Opus 4.8 og GPT-5.5 vises udelukkende til reference. Førsteparts listepris for GLM-5.2-API'et som offentliggjort af Z.ai, september 2026.

08Ofte stillede spørgsmål

---

Kilder: Z.ai's GLM-5-repositorium · 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's vurdering af Z.ai's GLM-5.2, juli 2026. Benchmark-scorer for grundmodellen er rapporteret af laboratoriet og er foreløbige; de beskriver den ukomprimerede GLM-5.2, ikke dette komprimerede build. Tal for pris, kontekst og egenskaber er Shannon AI's katalogværdier pr. 5. september 2026.