GLM API χωρίς λογοκρισία: η καλύτερη αξία ανά token
Το αντζεντικό θεμέλιο GLM της Z.ai, σερβιρισμένο χωρίς επίπεδο άρνησης στο δικό μας cluster GPU — context 262K, κλήση εργαλείων και μεικτή τιμή κάτω από το μισό αυτού που κοστίζει η ίδια γενιά από τον κατασκευαστή της.
Με λίγα λόγια
Το GLM-5.2-3BIT-REAP είναι το μοντέλο του Shannon AI Gateway που προτείνουμε ως προεπιλογή. Τρέχει ένα αραιό θεμέλιο Mixture-of-Experts 744 δισεκατομμυρίων παραμέτρων από τη γενιά GLM — εκπαιδευμένο ρητά για αντζεντική χρήση εργαλείων από το GLM-4.5 — συμπιεσμένο με βάρη 3 bit και κλάδεμα ειδικών REAP ώστε να χωρά και να παραμένει γρήγορο. Παίρνεις context 262.144 tokens, 16.384 tokens εξόδου, κλήση εργαλείων, συλλογιστική με ρυθμιζόμενο reasoning_effort και δομημένη έξοδο JSON Schema, με $0.73 / $2.34 ανά εκατομμύριο tokens. Δεν υπάρχει επίπεδο άρνησης ούτε φίλτρο εξόδου. Μόνο κείμενο — χωρίς όραση.
Οι περισσότερες συγκρίσεις «φθηνότερου μοντέλου» είναι ανέντιμες, επειδή η φθηνή επιλογή είναι συνήθως ένα μικρό μοντέλο ντυμένο με το μάρκετινγκ ενός μεγάλου. Δεν συμβαίνει αυτό εδώ. Το GLM-5.2 είναι ένα από τα μεγαλύτερα θεμέλια ανοιχτών βαρών που έχει κυκλοφορήσει οποιοσδήποτε, και στα $0.73 in / $2.34 out κάθεται ένα σκαλί πάνω από το δάπεδο του καταλόγου μας ενώ κουβαλά ένα θεμέλιο αρκετές φορές μεγαλύτερο από αυτό που συνήθως αγοράζει εκείνο το δάπεδο. Αυτή η απόσταση — μεγάλο μοντέλο, τιμή κοντά στο δάπεδο — είναι ο λόγος που υπάρχει αυτή η σελίδα.
01Από πού έρχεται το GLM: Tsinghua, blank infilling και μια απότομη στροφή προς τους πράκτορες
Το GLM δεν είναι μια μετονομασμένη παραλλαγή του Llama. Είναι μία από τις λίγες οικογένειες μοντέλων με δικό της στόχο προεκπαίδευσης, που εξελίσσεται πέντε χρόνια από την ίδια ερευνητική ομάδα. Το όνομα σημαίνει General Language Model, και η θεμελιώδης εργασία — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — πρότεινε μια τρίτη επιλογή δίπλα στο masked language modeling του BERT και την αυστηρά αριστερά-προς-δεξιά αυτοπαλινδρόμηση του GPT. Το GLM σβήνει συνεχόμενα τμήματα και τα αναπαράγει αυτοπαλινδρομικά με ανακατεμένη σειρά, με δισδιάστατες θεσιακές κωδικοποιήσεις που παρακολουθούν τόσο τη θέση ενός token μέσα στο αλλοιωμένο έγγραφο όσο και τη θέση του μέσα στο τμήμα που συμπληρώνεται: μία αρχιτεκτονική που χειρίζεται εξίσου καλά κατανόηση και παραγωγή.
Πίσω από αυτό βρισκόταν η Knowledge Engineering Group του Πανεπιστημίου Tsinghua, από την οποία προέκυψε η εταιρεία που σήμερα είναι γνωστή ως Z.ai (πρώην Zhipu AI). Το πρώτο εμβληματικό της δημιούργημα ήταν το GLM-130B τον Οκτώβριο του 2022 — ένα δίγλωσσο αγγλικά/κινεζικά πυκνό μοντέλο 130 δισεκατομμυρίων παραμέτρων, με βάρη και κώδικα δημόσια από τη στιγμή της δημοσίευσης. Η ανοιχτή κυκλοφορία είναι το ύφος του σπιτιού από τότε.
Η εποχή MoE και η στροφή προς τους πράκτορες
Ο κοινός άξονας μετράει περισσότερο από οποιαδήποτε μεμονωμένη κυκλοφορία. Από το GLM-4.5, κάθε έκδοση βελτιστοποιείται για το ίδιο πράγμα: να παραμένει συνεκτική σε δεκάδες κλήσεις εργαλείων. Αυτός είναι διαφορετικός στόχος από τη μεγιστοποίηση σκορ benchmark ενός γύρου, και φαίνεται ως λιγότερα κακοσχηματισμένα ορίσματα εργαλείων, μικρότερη απόκλιση σε ένα μεγάλο σχέδιο και λιγότερη από τη συμπεριφορά «ξεκινά με αυτοπεποίθηση τη δουλειά από την αρχή στον γύρο 14» που κάνει ακριβά τα frameworks πρακτόρων.
02Τι είναι το GLM-5.2 και σε τι μετρήθηκε
Η Z.ai δημοσιεύει νούμερα benchmark για το GLM-5.2 στο αποθετήριο GLM-5. Δύο από αυτά αντιστοιχούν σε πραγματική αντζεντική δουλειά και όχι σε ανάκληση τετριμμένων γνώσεων:
Terminal-Bench 2.1 — εργασίες πράκτορα γραμμής εντολών μεγάλου ορίζοντα. Δηλωμένα από τη Z.ai.
SWE-bench Pro — επίλυση ζητημάτων σε πραγματικά αποθετήρια. Δηλωμένα από τη Z.ai· το GLM-5.1 σκόραρε 58,4 στο ίδιο τεστ.
Αυτά είναι τα νούμερα του εργαστηρίου, όχι δικά μας, και περιγράφουν το ασυμπίεστο θεμέλιο. Καθορίζουν την κατηγορία μοντέλου με την οποία έχεις να κάνεις, όχι κάποια εγγύηση.
Ένα δεδομένο αξίζει περισσότερο από ένα benchmark, επειδή προέρχεται από αξιολογητή που δεν έχει κανένα κίνητρο να κολακέψει το μοντέλο. Τον Ιούλιο του 2026 το Center for AI Standards and Innovation του αμερικανικού National Institute of Standards and Technology αξιολόγησε το GLM-5.2 και κατέληξε ότι ήταν πιθανότατα το πιο ικανό διαθέσιμο μοντέλο AI ανοιχτών βαρών όταν κυκλοφόρησε, με συνολικές δυνατότητες συγκρίσιμες με το GPT-5.2 και δυνατότητες στον κυβερνοχώρο συγκρίσιμες με το Claude Opus 4.6. Η ίδια αξιολόγηση παρατήρησε ότι το GLM-5.2 μπλοκάρει λιγότερα ευαίσθητα αιτήματα από τα αμερικανικά μοντέλα αναφοράς, και ότι οι δικλείδες που είναι ψημένες σε ανοιχτά βάρη μπορούν να παρακαμφθούν μόλις αυτά τα βάρη φιλοξενηθούν ιδιωτικά. Η ενότητα 05 επανέρχεται σε αυτό.
03Τι σημαίνει «3BIT-REAP» και τι σου κοστίζει
REAP: κλάδεμα ειδικών αντί για συγχώνευση
Ένα μοντέλο MoE 744B παραμέτρων έχει 256 ειδικούς ανά επίπεδο, από τους οποίους 8 ενεργοποιούνται σε κάθε δεδομένο token. Ο router δεν μοιράζει τη δουλειά ομοιόμορφα — κάποιοι ειδικοί χτυπιούνται διαρκώς, ενώ μια μακριά ουρά χτυπιέται σπάνια και συνεισφέρει λίγα όταν χτυπιέται. Το REAP (Router-weighted Expert Activation Pruning), από τη Cerebras Research και δεκτό στο ICLR 2026, το εκμεταλλεύεται: βαθμολογεί κάθε ειδικό με ένα κριτήριο σημαντικότητας που συνδυάζει πόσο έντονα και πόσο συχνά τον επιλέγει ο router με το μέγεθος της συνεισφοράς της εξόδου του, και μετά αφαιρεί οριστικά αυτούς με χαμηλή βαθμολογία.
Το ενδιαφέρον είναι η σύγκριση που κερδίζει το REAP. Η προφανής εναλλακτική στην αφαίρεση ενός ειδικού είναι η συγχώνευσή του με έναν επιζώντα, κάτι που ακούγεται ασφαλέστερο. Το εύρημα της εργασίας σε μοντέλα MoE από 20B έως 1T παραμέτρους είναι ότι η συγχώνευση είναι στην πραγματικότητα χειρότερη για παραγωγική δουλειά, και ότι το κλάδεμα αντέχει αξιοσημείωτα καλά: σχεδόν χωρίς απώλειες σε benchmark παραγωγής κώδικα και κλήσης εργαλείων ακόμη και μετά την αφαίρεση των μισών ειδικών, σε θεμέλια όπως τα Qwen3-Coder-480B και Kimi-K2. Το να επιβιώνουν άθικτα ο κώδικας και η κλήση εργαλείων είναι ακριβώς αυτό που θέλεις να διατηρηθεί σε ένα μοντέλο του οποίου ο λόγος ύπαρξης είναι η αντζεντική μηχανική.
Βάρη 3 bit και ο ειλικρινής συμβιβασμός
Πάνω από το κλάδεμα, τα βάρη που επιβιώνουν αποθηκεύονται σε 3 bit — πιο επιθετικά από τις βαθμίδες W4A16-AUTOROUND-REAP και W8A16 αλλού στον κατάλογό μας, και δεσμευμένο για τα μεγαλύτερα θεμέλια, όπου δεν υπάρχει άλλος τρόπος να μπει ένα μοντέλο τριών τετάρτων του τρισεκατομμυρίου παραμέτρων σε έναν κόμβο σερβιρίσματος και να συνεχίσουν τα tokens να ρέουν με χρήσιμο ρυθμό.
Η συμπίεση δεν είναι δωρεάν. Το σωστό νοητικό μοντέλο: το κλάδεμα και η κβάντιση υποβαθμίζουν πρώτα τη μακριά ουρά. Οι πυκνές, συχνά εξασκημένες συμπεριφορές — τήρηση οδηγιών, δομή κώδικα, μορφοποίηση κλήσεων εργαλείων, σχεδιασμός πολλών βημάτων — επιβιώνουν καλά, που είναι ακριβώς αυτό που δείχνουν τα αποτελέσματα του REAP. Η ανάκληση δυσεύρετων γεγονότων, οι σπάνιες γλώσσες και οι εξειδικευμένες γνώσεις είναι εκεί όπου πρέπει να περιμένεις διαφορά σε σχέση με ένα ασυμπίεστο GLM-5.2. Αν ο φόρτος σου είναι «να ξέρει απέξω ένα ασυνήθιστο γεγονός», πλήρωσε για μια βαθμίδα μεγαλύτερης πιστότητας. Αν είναι «να τρέξει ένα σχέδιο σε σαράντα κλήσεις εργαλείων χωρίς να ξεφύγει», αυτή είναι η βαθμίδα για την οποία σχεδιάστηκε η μέθοδος.
04Το επιχείρημα της αξίας: τι κοστίζει πραγματικά ένα φθηνό API LLM χωρίς λογοκρισία
Η δημοσιευμένη τιμή καταλόγου API της ίδιας της Z.ai για το GLM-5.2 είναι $1.40 ανά εκατομμύριο tokens εισόδου και $4.40 ανά εκατομμύριο εξόδου. Η δική μας τιμή στο ίδιο θεμέλιο είναι $0.73 / $2.34 — περίπου 48% λιγότερο στην είσοδο και 47% λιγότερο στην έξοδο. Αυτή η έκπτωση είναι ό,τι αγοράζει η συμπίεση, και έρχεται με κάτι δεύτερο που δεν μπορείς να αγοράσεις από τον κατασκευαστή σε καμία τιμή: κανένα επίπεδο άρνησης.
Μέσα στον δικό μας κατάλογο, το μεικτό κόστος είναι το νούμερο που μετράει. Να το με αναλογία εισόδου προς έξοδο 3:1, περίπου όπως δείχνει στην πράξη ένας πράκτορας με κλήσεις εργαλείων — πολύ context και αποτελέσματα εργαλείων προς τα μέσα, σχετικά λίγα tokens προς τα έξω.
| Μοντέλο | In / 1M | Out / 1M | Μεικτό 3:1 | Όραση |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Όχι |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Όχι |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Ναι |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Όχι |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Ναι |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Ναι |
Έξι μοντέλα κάθονται στο δάπεδο των $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro και Hy3 — μεικτή τιμή $0.875. Το GLM-5.2 είναι 29% πάνω από αυτό το δάπεδο και σου αγοράζει ένα θεμέλιο κατηγορίας 744B με μια διαρκή επένδυση σε αντζεντική συμπεριφορά από πίσω. Ό,τι κοστίζει πάνω από αυτό είναι τουλάχιστον 23% ακριβότερο μεικτά, και το Kimi-K3 κοστίζει 6,8× περισσότερο. Αυτό είναι το επιχείρημα της αξίας σε μία γραμμή: το φθηνότερο σημείο του καταλόγου για να αγοράσεις ένα κορυφαίο αντζεντικό θεμέλιο.
Μεταφρασμένο σε δουλειά
- Ένα πλήρες γέμισμα context — 262.144 tokens εισόδου: $0.19. Ένα ολόκληρο μεγάλο αποθετήριο διαβασμένο μέσα στο παράθυρο για κάτω από είκοσι σεντ.
- Μία ολοκλήρωση μέγιστου μήκους — 16.384 tokens εξόδου: $0.038.
- Ένας γύρος πράκτορα — 20K μέσα, 2K έξω: $0.019. Ο ίδιος γύρος κοστίζει $0.115 στο Kimi-K3 και $0.047 στο DeepSeek-V4-Pro.
- Εκατό γύροι πράκτορα: $1.93, έναντι $11.48 στο ακριβότερο μοντέλο του καταλόγου.
Οι αντζεντικοί φόρτοι είναι βαρείς στην είσοδο, και το πλεονέκτημα του GLM είναι μεγαλύτερο ακριβώς εκεί: η τιμή εισόδου του είναι 5,2× χαμηλότερη από του Kimi-K3 και 2,7× χαμηλότερη από του DeepSeek-V4-Pro. Αν ο πράκτοράς σου ξαναστέλνει μια συνομιλία που μεγαλώνει σε κάθε γύρο — και σχεδόν κάθε πράκτορας το κάνει — αυτός ο πολλαπλασιαστής είναι που καταλήγει στο τιμολόγιό σου.
05Τι σημαίνει «χωρίς λογοκρισία» σε αυτό το endpoint
Δύο πράγματα, με ακρίβεια: κανένα επίπεδο άρνησης — κανένας ταξινομητής που αποφασίζει ποια αιτήματα επιτρέπεται να δει το μοντέλο, και κανένα μοντέλο πολιτικής που ξαναγράφει το prompt σου πριν φτάσει — και κανένα φιλτράρισμα εξόδου, δηλαδή τα tokens που παράγει το μοντέλο είναι τα tokens που λαμβάνεις, χωρίς αποκρύψεις και χωρίς αντικαταστάσεις.
Αυτή είναι διαφορετική πρόταση από ένα εμπορικό API που διαφημίζει «χαλαρή» ή «developer» λειτουργία. Εκείνα εξακολουθούν να δρομολογούν την κίνηση μέσα από τη στοίβα πολιτικής ενός προμηθευτή· αυτό που αλλάζει είναι το κατώφλι, όχι η ύπαρξη της πύλης. Εδώ δεν υπάρχει πύλη για να ρυθμιστεί — το μοντέλο τρέχει στο δικό μας cluster GPU, και η συμπεριφορά του είναι η συμπεριφορά του θεμελίου. Διάβασε το εύρημα του NIST CAISI από την ενότητα 02 ως τεχνική διαπίστωση και όχι ως προειδοποίηση, και εξηγεί το προϊόν: ένα μοντέλο του οποίου η ευθυγράμμιση ζει στα βάρη του, σερβιρισμένο χωρίς εξωτερικό επίπεδο πολιτικής, συμπεριφέρεται σύμφωνα με τα βάρη του.
Γιατί αυτό μετράει ειδικά για τους πράκτορες
Οι αρνήσεις συζητιούνται συνήθως ως ζήτημα περιεχομένου. Στην αντζεντική δουλειά είναι κυρίως ζήτημα αξιοπιστίας. Μια άρνηση στον γύρο 31 μιας διαδρομής 40 γύρων δεν είναι μια ευγενική απόρριψη που τη διαβάζεις και προχωράς — είναι ένα κακοσχηματισμένο βήμα, ένας ενορχηστρωτής που δεν ξέρει πώς να συνεχίσει, ένα σπασμένο σχέδιο και 30 γύροι ξοδεμένων tokens χωρίς κανένα αποτέλεσμα. Η έρευνα ασφάλειας, η ανάλυση κακόβουλου λογισμικού, το penetration testing, το red-teaming, η μυθοπλασία για ενήλικες, η σύνταξη ιατρικών και νομικών κειμένων και η παραγωγή συνόλων δεδομένων για εκπαίδευση ασφάλειας το συναντούν διαρκώς, και η αστοχία είναι ακριβή ακριβώς επειδή έρχεται αργά.
Η άλλη όψη είναι ότι το επίπεδο πολιτικής είναι πλέον δικό σου. Η χρήση του Shannon AI Gateway διέπεται από την Πολιτική Υπεύθυνης Χρήσης μας· η αφαίρεση της κρίσης ενός προμηθευτή από τον βρόχο σημαίνει ότι πρέπει να βάλεις τη δική σου.
06Τι σου δίνει πραγματικά το endpoint
| Δυνατότητα | GLM-5.2 · 3BIT-REAP |
|---|---|
| Id μοντέλου | GLM-5.2-3BIT-REAP |
| Παράθυρο context | 262.144 tokens |
| Μέγιστη έξοδος ανά αίτημα | 16.384 tokens |
| Streaming | Ναι |
| Κλήση εργαλείων | Ναι |
Συλλογιστική / reasoning_effort | Ναι |
JSON Schema (json_schema) | Ναι |
response_format | Ναι |
| Όραση / είσοδος εικόνας | Όχι — μόνο κείμενο |
| Επίπεδο άρνησης / φιλτράρισμα εξόδου | Κανένα |
Διάβασε προσεκτικά τη γραμμή για την όραση πριν χτίσεις. Το GLM-5.2 είναι μόνο κειμένου στο gateway μας. Αν χρειάζεσαι είσοδο εικόνας, ο κατάλογος έχει πέντε επιλογές με δυνατότητα όρασης — MiniMax-M3 και MiMo-V2.5 στο δάπεδο των $0.50 / $2.00, Kimi-K2.6 στα $0.78 / $3.67, inkling στα $1.42 / $6.07 και Kimi-K3 στα $3.83 / $19.12. Ένα λογικό μοτίβο είναι να δρομολογείς την κατανόηση εικόνας στο MiniMax-M3 και όλα τα υπόλοιπα στο GLM-5.2, κάτι που δεν κοστίζει τίποτα πέρα από ένα string μοντέλου.
Τρεις διάλεκτοι, ένα μοντέλο
Το ίδιο μοντέλο είναι προσβάσιμο μέσα από τρεις μορφές αιτήματος, όλες με streaming: /v1/chat/completions (διάλεκτος OpenAI), /v1/messages (διάλεκτος Anthropic) και /v1/responses. Τίποτα στο μοντέλο δεν αλλάζει ανάμεσά τους — διάλεξε όποια μιλά ήδη το SDK σου, και συνήθως απέχεις μία αλλαγή base URL από το να τρέχεις.
# 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, )
Πλήρη σχήματα αιτήματος και απάντησης για τις τρεις διαλέκτους, η μορφή κλήσης εργαλείων, οι μορφές συμβάντων streaming και ένα διαδραστικό playground βρίσκονται στην τεκμηρίωση του API του Shannon AI.
07Πότε να διαλέξεις το GLM-5.2 — και πότε όχι
Πήγαινε σε αυτό όταν
- Τρέχεις πράκτορες. Οι μεγάλοι βρόχοι κλήσης εργαλείων είναι αυτό για το οποίο χτίστηκε και επανειλημμένα εκπαιδεύτηκε αυτή η γενιά, και η τιμή εισόδου κάνει προσιτό το να ξαναστέλνεις μια συνομιλία που μεγαλώνει σε κάθε γύρο.
- Δουλεύεις πάνω σε μεγάλη βάση κώδικα. 262K context, αξιόπιστη μορφοποίηση κλήσεων εργαλείων και $0.19 για να διαβάσεις ολόκληρο το παράθυρο.
- Ο όγκος είναι ο περιορισμός σου. Ταξινόμηση, εξαγωγή, παραγωγή συνθετικών δεδομένων, μαζικό ξαναγράψιμο — οτιδήποτε όπου το κόστος ανά κλήση επί έναν μεγάλο αριθμό κρίνει αν το έργο είναι βιώσιμο.
- Οι αρνήσεις σπάνε τη ροή σου. Έρευνα ασφάλειας, ανταγωνιστικός έλεγχος, μυθοπλασία χωρίς λογοκρισία, σύνταξη ευαίσθητων κειμένων — αυτός ο τρόπος αστοχίας δεν υπάρχει εδώ.
Πήγαινε αλλού όταν
- Χρειάζεσαι όραση. Μόνο κείμενο. Δες τις επιλογές με όραση παραπάνω.
- Χρειάζεσαι τη βαθύτερη συλλογιστική ενός γύρου. Για τα δυσκολότερα αναλυτικά προβλήματα μιας βολής, το DeepSeek-V4-Pro-0813 · 3BIT-REAP είναι το βαρύτερο εργαλείο με 2,2× το μεικτό κόστος — σε κλήσεις όπου ο περιορισμός είναι η οροφή, αυτός είναι ο σωστός συμβιβασμός.
- Χρειάζεσαι μέγιστη πιστότητα σε δυσεύρετη γνώση. Η βαθμίδα
W8A16— MiMo-V2.5-Pro και Hy3 — είναι πολύ λιγότερο επιθετικά συμπιεσμένη και κάθεται στο δάπεδο των $0.50 / $2.00, σε μικρότερα θεμέλια.
Κάθε νούμερο για το θεμέλιο σε αυτή τη σελίδα δημοσιεύεται από κάποιον άλλον, όχι από εμάς. Τα νούμερα τιμών και δυνατοτήτων είναι δικές μας ζωντανές τιμές καταλόγου, επαληθεύσιμες μέσω /v1/models με το δικό σου κλειδί. Έλεγξε μόνος σου τις πρωτογενείς πηγές.
Τα νούμερα benchmark του GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) δηλώνονται από τη Z.ai για το ασυμπίεστο θεμέλιο· η ανεξάρτητη αναπαραγωγή εκκρεμεί. Τα νούμερα για Claude Opus 4.8 και GPT-5.5 παρατίθενται μόνο ως αναφορά. Η τιμή καταλόγου API του GLM-5.2 από τον κατασκευαστή είναι όπως δημοσιεύεται από τη Z.ai, Σεπτέμβριος 2026.
08Συχνές ερωτήσεις
Τι είναι το GLM API χωρίς λογοκρισία στο Shannon AI;
Είναι το id μοντέλου GLM-5.2-3BIT-REAP στο Shannon AI Gateway: μια συμπιεσμένη έκδοση του αντζεντικού θεμελίου GLM-5.2 της Z.ai, σερβιρισμένη στο δικό μας cluster GPU χωρίς επίπεδο άρνησης και χωρίς φιλτράρισμα εξόδου. Κοστίζει $0.73 ανά εκατομμύριο tokens εισόδου και $2.34 ανά εκατομμύριο tokens εξόδου, έχει παράθυρο context 262.144 tokens και είναι προσβάσιμο στα /v1/chat/completions, /v1/messages και /v1/responses.
Γιατί το GLM 5.2 χωρίς λογοκρισία είναι φθηνότερο από τα άλλα μεγάλα μοντέλα του καταλόγου;
Λόγω του τρόπου συμπίεσής του. Το 3BIT-REAP συνδυάζει βάρη 3 bit με το REAP, μια μέθοδο κλαδέματος ειδικών για μοντέλα Mixture-of-Experts που αφαιρεί σπάνια δρομολογημένους ειδικούς πριν την κβάντιση. Ένα αραιό θεμέλιο MoE με περίπου 40B ενεργές παραμέτρους ανά token, κλαδεμένο και κβαντισμένο έτσι, καταλαμβάνει πολύ λιγότερη μνήμη και πολύ λιγότερα GPU-δευτερόλεπτα ανά token από ένα πυκνό μοντέλο αντίστοιχης ποιότητας, και η τιμή το αντανακλά.
Σημαίνει το GLM χωρίς αρνήσεις ότι το μοντέλο δεν έχει καθόλου δικλείδες;
Σημαίνει ότι το Shannon δεν προσθέτει καμία. Δεν υπάρχει ταξινομητής άρνησης μπροστά από το μοντέλο ούτε φίλτρο στα tokens που βγαίνουν από αυτό. Το θεμέλιο διατηρεί όποιες προδιαθέσεις του έδωσε η δική του εκπαίδευση, αλλά τίποτα εξωτερικό δεν τις υπερισχύει. Το επίπεδο πολιτικής είναι δικό σου, και η χρήση υπόκειται στην Πολιτική Υπεύθυνης Χρήσης του Shannon AI.
Υποστηρίζει το GLM-5.2 3BIT-REAP όραση ή είσοδο εικόνας;
Όχι. Αυτό το μοντέλο είναι μόνο κειμένου. Αν χρειάζεσαι είσοδο εικόνας σε endpoint χωρίς λογοκρισία, χρησιμοποίησε ένα από τα μοντέλα του καταλόγου με δυνατότητα όρασης, όπως MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ή inkling. Το GLM-5.2 υποστηρίζει δομημένη έξοδο — τόσο json_schema όσο και response_format — και κλήση εργαλείων.
Ποιο είναι το παράθυρο context και το μέγιστο μήκος εξόδου;
262.144 tokens context και 16.384 tokens εξόδου ανά αίτημα. Το γέμισμα ολόκληρου του παραθύρου context μία φορά κοστίζει περίπου 19 σεντ με $0.73 ανά εκατομμύριο tokens εισόδου, και μια ολοκλήρωση μέγιστου μήκους κοστίζει κάτω από 4 σεντ.
Είναι καλό αντζεντικό μοντέλο χωρίς λογοκρισία για μεγάλους βρόχους κλήσης εργαλείων;
Είναι αυτό στο οποίο καταφεύγουμε πρώτα. Η γενιά GLM εκπαιδεύεται ρητά για αντζεντική δουλειά από το GLM-4.5, η κλήση εργαλείων και το reasoning_effort υποστηρίζονται και τα δύο, και η τιμή σημαίνει ότι εκατό γύροι πράκτορα των είκοσι χιλιάδων tokens κοστίζουν περίπου δύο δολάρια αντί για έντεκα. Οι αρνήσεις είναι επίσης πραγματικός τρόπος αστοχίας στους βρόχους πρακτόρων, και εδώ δεν υπάρχει επίπεδο άρνησης για να πυροδοτήσει κάποια.
Δοκίμασε το GLM API χωρίς λογοκρισία
$0.73 in · $2.34 out · context 262K · χωρίς επίπεδο άρνησης.
Διάβασε την τεκμηρίωση του API Δες όλα τα μοντέλαShannon Lab LLC, Νέο Μεξικό, ΗΠΑ · η χρήση διέπεται από την Πολιτική Υπεύθυνης Χρήσης
Πηγές: Αποθετήριο GLM-5 της 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 · Αξιολόγηση NIST CAISI του GLM-5.2 της Z.ai, Ιούλιος 2026. Τα σκορ benchmark του θεμελίου δηλώνονται από το εργαστήριο και είναι προσωρινά· περιγράφουν το ασυμπίεστο GLM-5.2, όχι αυτό το συμπιεσμένο build. Τα νούμερα τιμών, context και δυνατοτήτων είναι τιμές καταλόγου του Shannon AI στις 5 Σεπτεμβρίου 2026.