Sencenzura GLM-API: la plej bona valoro po ĵetono
La agenta GLM-fundamento de Z.ai, servata kun neniu rifuza tavolo sur nia propra GPU-aro — 262K kunteksto, ilvokado, kaj miksita prezo malpli ol duono de tio, kion la sama deveno kostas unuaparte.
Resume
GLM-5.2-3BIT-REAP estas la modelo sur la Enirejo de Shannon AI, kiun ni rekomendas defaŭlte. Ĝi rulas maldensan fundamenton laŭ Miksaĵo de Spertuloj kun 744 miliardoj da parametroj el la GLM-deveno — trejnitan eksplicite por agenta ilouzo ekde GLM-4.5 — kunpremitan per 3-bitaj pezoj kaj REAP-pritondado de spertuloj, por ke ĝi enteniĝu kaj restu rapida. Vi ricevas kuntekston de 262,144 ĵetonoj, 16,384 ĵetonojn da eligo, ilvokadon, rezonadon kun agordebla reasoning_effort, kaj strukturitan eligon laŭ JSON-skemo, por $0.73 / $2.34 por miliono da ĵetonoj. Ekzistas neniu rifuza tavolo kaj neniu eliga filtrilo. Nur teksto — neniu vido.
Plej multaj komparoj pri "la plej malmultekosta modelo" estas malhonestaj, ĉar la malmultekosta opcio kutime estas malgranda modelo portanta la merkatikon de granda modelo. Tio ne okazas ĉi tie. GLM-5.2 estas unu el la plej grandaj malfermpezaj fundamentoj, kiujn iu ajn eldonis, kaj je $0.73 enige / $2.34 elige ĝi sidas unu ŝtupon super la planko de nia katalogo dum ĝi portas fundamenton plurfoje pli grandan ol tio, kion tiu planko kutime aĉetas. Tiu breĉo — granda modelo, preskaŭ-planka prezo — estas la kialo, kial ĉi tiu paĝo ekzistas.
01De kie venas GLM: Tsinghua, plenigo de blankoj, kaj akra turno al agentoj
GLM ne estas remarkita derivaĵo de Llama. Ĝi estas unu el la malmultaj modelfamilioj kun sia propra antaŭtrejnada celo, iterita dum kvin jaroj de la sama esplorgrupo. La nomo signifas General Language Model, kaj la fonda artikolo — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — proponis trian opcion apud la maskita lingvomodelado de BERT kaj la strikte maldekstra-dekstra aŭtoregresado de GPT. GLM blankigas kontinuajn intervalojn kaj regeneras ilin aŭtoregrese en miksita ordo, kun dudimensiaj poziciaj kodigoj sekvantaj kaj la pozicion de ĵetono en la difektita dokumento kaj ĝian pozicion ene de la plenigata intervalo: unu arkitekturo traktanta komprenon kaj generadon same bone.
La grupo malantaŭ ĝi estis la Knowledge Engineering Group de la Universitato Tsinghua, kiu elturniĝis en la kompanion nun konatan kiel Z.ai (antaŭe Zhipu AI). Ĝia unua ĉefartikolo estis GLM-130B en oktobro 2022 — dulingva angla/ĉina densa modelo kun 130 miliardoj da parametroj, kies pezoj kaj kodo estis publikigitaj je la momento de eldono. Malferma eldonado estas la doma stilo ekde tiam.
La MoE-epoko, kaj la turno al agentoj
La kontinua linio gravas pli ol iu ajn unuopa eldono. Ekde GLM-4.5, ĉiu versio estis optimumigita por la sama afero: resti kohera tra dekoj da ilvokoj. Tio estas alia celo ol maksimumigi unuvicajn benchmark-poentojn, kaj ĝi montriĝas kiel malpli da misformitaj ilargumentoj, malpli da drivo en longa plano, kaj malpli da la konduto "memfide rekomencas la taskon ĉe vico 14", kiu igas agentajn kadrojn multekostaj.
02Kio estas GLM-5.2, kaj kiel ĝi estis mezurita
Z.ai publikigas benchmark-ciferojn por GLM-5.2 en la deponejo GLM-5. Du el ili respondas al reala agenta laboro anstataŭ al memorado de bagateloj:
Terminal-Bench 2.1 — longhorizontaj agentaj taskoj sur la komandlinio. Raportita de Z.ai.
SWE-bench Pro — solvado de veraj problemoj en deponejoj. Raportita de Z.ai; GLM-5.1 poentis 58.4 sur la sama testo.
Tiuj estas la ciferoj de la laboratorio, ne niaj, kaj ili priskribas la nekunpremitan fundamenton. Ili establas la klason de modelo, kun kiu vi traktas, ne garantion.
Unu datumpunkto valoras pli ol benchmark, ĉar ĝi venas de taksanto sen instigo flati la modelon. En julio 2026 la Center for AI Standards and Innovation de la usona National Institute of Standards and Technology taksis GLM-5.2 kaj konkludis, ke ĝi estis verŝajne la plej kapabla malfermpeza AI-modelo disponebla kiam ĝi estis eldonita, kun ĝeneralaj kapabloj kompareblaj al GPT-5.2 kaj ciberaj kapabloj kompareblaj al Claude Opus 4.6. La sama takso observis, ke GLM-5.2 blokas malpli da sentemaj petoj ol usonaj referencaj modeloj, kaj ke sekurigiloj bakitaj en malfermajn pezojn povas esti ĉirkaŭirataj post kiam tiuj pezoj estas mem-gastigitaj. Sekcio 05 revenas al tio.
03Kion signifas "3BIT-REAP", kaj kion ĝi kostas al vi
REAP: pritondi spertulojn anstataŭ kunfandi ilin
MoE-modelo kun 744 miliardoj da parametroj havas 256 spertulojn po tavolo, el kiuj 8 ekbrulas ĉe iu ajn ĵetono. La enkursigilo ne disvastigas la laboron egale — kelkaj spertuloj estas trafataj konstante, kaj longa vosto estas trafata malofte kaj kontribuas malmulte kiam jes. REAP (Router-weighted Expert Activation Pruning), de Cerebras Research kaj akceptita ĉe ICLR 2026, ekspluatas tion: ĝi poentas ĉiun spertulon per elstareca kriterio kombinanta kiom forte kaj kiom ofte la enkursigilo kluzas ĝin kun la amplekso de ĝia eliga kontribuo, poste konstante forigas la malaltpoentulojn.
La interesa parto estas la komparo, kiun REAP gajnas. La evidenta alternativo al forigi spertulon estas kunfandi ĝin en postvivanton, kio sonas pli sekure. La trovo de la artikolo tra MoE-modeloj de 20 miliardoj ĝis 1 biliono da parametroj estas, ke kunfandado fakte estas pli malbona por genera laboro, kaj pritondado tenas sin rimarkinde bone: preskaŭ senperde ĉe benchmark-oj pri kodgenerado kaj ilvokado eĉ post forigo de duono de la spertuloj, sur fundamentoj inkluzive de Qwen3-Coder-480B kaj Kimi-K2. Kodo kaj ilvokado postvivantaj netuŝitaj estas ĝuste tio, kion vi volas konservi sur modelo, kies ekzistokialo estas agenta inĝenierado.
3-bitaj pezoj, kaj la honesta kompromiso
Krom la pritondado, la postvivantaj pezoj estas konservataj je 3 bitoj — pli agrese ol la niveloj W4A16-AUTOROUND-REAP kaj W8A16 aliloke en nia katalogo, kaj rezervita por la plej grandaj fundamentoj, kie ne ekzistas alia maniero meti modelon kun tri kvaronoj de biliono da parametroj sur servan nodon kaj teni la ĵetonojn fluantaj je uzebla rapido.
Kunpremo ne estas senpaga. La ĝusta mensa modelo: pritondado kaj kvantigo degradas la longan voston unue. Densaj, ofte ekzercataj kondutoj — sekvado de instrukcioj, kodstrukturo, formatado de ilvokoj, plurpaŝa planado — postvivas bone, kio estas precize tio, kion la REAP-rezultoj montras. Obskura fakta memorado, maloftaj lingvoj kaj niĉaj fakaj bagateloj estas tie, kie vi atendu diferencon kontraŭ nekunpremita GLM-5.2. Se via ŝarĝo estas "koni nekutiman fakton perfekte", pagu por pli altfidela nivelo. Se ĝi estas "ruli planon tra kvardek ilvokoj sen elreliĝi", jen la nivelo, por kiu la metodo estis desegnita.
04La valorargumento: kiom efektive kostas ruli malmultekostan sencenzuran LLM-API-on
La propra publikigita API-lista prezo de Z.ai por GLM-5.2 estas $1.40 por miliono da enigaj ĵetonoj kaj $4.40 por miliono elige. Nia prezo sur la sama fundamento estas $0.73 / $2.34 — proksimume 48% malpli enige kaj 47% malpli elige. Tiu rabato estas tio, kion la kunpremo aĉetas, kaj ĝi venas kun dua afero, kiun vi ne povas aĉeti unuaparte je iu ajn prezo: neniu rifuza tavolo.
Ene de nia propra katalogo, la miksita kosto estas la cifero, kiu gravas. Jen ĝi je proporcio 3:1 inter enigo kaj eligo, proksimume tio, kiel ilvoka agento aspektas praktike — multe da kunteksto kaj ilrezultoj enirantaj, relative malmultaj ĵetonoj elirantaj.
| Modelo | Enige / 1M | Elige / 1M | Miksita 3:1 | Vido |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Ne |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Ne |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Jes |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Ne |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Jes |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Jes |
Ses modeloj sidas ĉe la planko de $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro kaj Hy3 — miksita tarifo de $0.875. GLM-5.2 estas 29% super tiu planko kaj aĉetas al vi fundamenton de la klaso 744 miliardoj kun daŭra investo en agentan konduton malantaŭ ĝi. Ĉio prezigita super ĝi kostas almenaŭ 23% pli mikse, kaj Kimi-K3 kostas 6.8× pli. Jen la valorargumento en unu vico: la plej malmultekosta loko en la katalogo por aĉeti pintnivelan agentan fundamenton.
Konvertita en laboron
- Unu plena kuntekstoplenigo — 262,144 enigaj ĵetonoj: $0.19. Tuta granda deponejo legita en la fenestron por malpli ol dudek cendoj.
- Unu kompletigo de maksimuma longeco — 16,384 eligaj ĵetonoj: $0.038.
- Unu agenta vico — 20K enige, 2K elige: $0.019. La sama vico kostas $0.115 ĉe Kimi-K3 kaj $0.047 ĉe DeepSeek-V4-Pro.
- Cent agentaj vicoj: $1.93, kontraŭ $11.48 ĉe la plej multekosta modelo en la katalogo.
Agentaj ŝarĝoj estas enig-pezaj, kaj la avantaĝo de GLM estas plej granda ĝuste tie: ĝia eniga prezo estas 5.2× sub tiu de Kimi-K3 kaj 2.7× sub tiu de DeepSeek-V4-Pro. Se via agento resendas kreskantan konversacion ĉiuvice — kaj preskaŭ ĉiu agento faras tion — tiu multiplikanto estas tio, kio finiĝas sur via fakturo.
05Kion "sencenzura" signifas sur ĉi tiu finpunkto
Du aferojn, precize: neniu rifuza tavolo — neniu klasifikilo decidanta, kiujn petojn la modelo rajtas vidi, kaj neniu politika modelo reverkanta vian peton antaŭ ol ĝi alvenas — kaj neniu filtrado de la eligo, kio signifas, ke la ĵetonoj, kiujn la modelo produktas, estas la ĵetonoj, kiujn vi ricevas, nesubstrekitaj kaj neinterŝanĝitaj.
Tio estas alia propono ol komerca API reklamanta "malstreĉitan" aŭ "disvolvistan" reĝimon. Tiuj ankoraŭ kondukas la trafikon tra la politika stako de vendisto; kio ŝanĝiĝas estas la sojlo, ne la ekzisto de la pordo. Ĉi tie ne ekzistas pordo por agordi — la modelo rulas sur nia propra GPU-aro, kaj ĝia konduto estas la konduto de la fundamento. Legu la trovon de NIST CAISI el sekcio 02 kiel teknikan deklaron anstataŭ kiel averton kaj ĝi klarigas la produkton: modelo, kies alliniigo loĝas en ĝiaj pezoj, servata sen ekstera politika tavolo, kondutas laŭ siaj pezoj.
Kial tio gravas specife por agentoj
Rifuzoj kutime estas diskutataj kiel enhava demando. En agenta laboro ili estas plejparte demando pri fidindeco. Rifuzo ĉe vico 31 el rulo de 40 vicoj ne estas ĝentila malakcepto, kiun vi legas kaj preterpasas — ĝi estas misformita paŝo, orkestrigilo, kiu ne scias kiel daŭrigi, rompita plano, kaj 30 vicoj da elspezitaj ĵetonoj kun nenio por montri. Sekureca esplorado, analizo de malvaro, penetra testado, ruĝteamado, plenaĝula fikcio, medicina kaj jura redaktado, kaj generado de datumaroj por sekureca trejnado ĉiuj trafas tion konstante, kaj la fiasko estas multekosta ĝuste ĉar ĝi alteriĝas malfrue.
La alia flanko estas, ke la politika tavolo nun estas via. La uzo de la Enirejo de Shannon AI estas regata de nia Politiko pri Respondeca Uzo; forigi la juĝon de vendisto el la buklo signifas provizi vian propran.
06Kion la finpunkto efektive donas al vi
| Kapablo | GLM-5.2 · 3BIT-REAP |
|---|---|
| Modela identigilo | GLM-5.2-3BIT-REAP |
| Kunteksta fenestro | 262,144 ĵetonoj |
| Maks. eligo po peto | 16,384 ĵetonoj |
| Flusendado | Jes |
| Ilvokado | Jes |
Rezonado / reasoning_effort | Jes |
JSON-skemo (json_schema) | Jes |
response_format | Jes |
| Vido / bilda enigo | Ne — nur teksto |
| Rifuza tavolo / filtrado de la eligo | Neniu |
Legu la vidan vicon atente antaŭ ol vi konstruas. GLM-5.2 estas nur teksta sur nia enirejo. Se vi bezonas bildan enigon, la katalogo havas kvin vidkapablajn opciojn — MiniMax-M3 kaj MiMo-V2.5 ĉe la planko de $0.50 / $2.00, Kimi-K2.6 je $0.78 / $3.67, inkling je $1.42 / $6.07, kaj Kimi-K3 je $3.83 / $19.12. Prudenta ŝablono estas konduki bildkomprenon al MiniMax-M3 kaj ĉion alian al GLM-5.2, kio kostas nenion krom modela ĉeno.
Tri dialektoj, unu modelo
La sama modelo estas atingebla tra tri petformatoj, ĉiuj flusendaj: /v1/chat/completions (dialekto de OpenAI), /v1/messages (dialekto de Anthropic), kaj /v1/responses. Nenio pri la modelo ŝanĝiĝas inter ili — elektu tiun, kiun via SDK jam parolas, kaj vi kutime estas je unu ŝanĝo de baza URL for de funkciado.
# 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, )
Plenaj skemoj de petoj kaj respondoj por ĉiuj tri dialektoj, la formato de ilvokado, la formoj de flusendaj eventoj, kaj interaga ludejo troviĝas en la API-dokumentado de Shannon AI.
07Kiam elekti GLM-5.2 — kaj kiam ne
Elektu ĝin kiam
- Vi rulas agentojn. Longaj ilvokaj bukloj estas tio, por kio ĉi tiu deveno estis konstruita kaj ripete post-trejnita, kaj la eniga prezo igas kreskantan konversacion pagebla por resendi ĉiuvice.
- Vi laboras tra granda kodbazo. 262K da kunteksto, fidinda formatado de ilvokoj, kaj $0.19 por legi la tutan fenestron.
- Volumeno estas via limigo. Klasifikado, ekstraktado, generado de sintezaj datumoj, amasa reverkado — ĉio, kie kosto po voko oble granda nombro decidas, ĉu la projekto estas realigebla.
- Rifuzoj rompas vian ĉenstablon. Sekureca esplorado, kontraŭula testado, sencenzura fikcio, sentema redaktado — la fiasko-modo ne ĉeestas ĉi tie.
Elektu ion alian kiam
- Vi bezonas vidon. Nur teksto. Vidu la vidkapablajn opciojn supre.
- Vi bezonas la plej profundan unuvican rezonadon. Por la plej malfacilaj unupafaj analizaj problemoj, DeepSeek-V4-Pro-0813 · 3BIT-REAP estas la pli peza instrumento je 2.2× de la miksita kosto — ĉe vokoj, kie la plafono estas la limigo, tio estas la ĝusta interŝanĝo.
- Vi bezonas maksimuman fidelecon pri obskura scio. La nivelo
W8A16— MiMo-V2.5-Pro kaj Hy3 — estas kunpremita multe malpli agrese kaj sidas ĉe la planko de $0.50 / $2.00, sur pli malgrandaj fundamentoj.
Ĉiu cifero pri la fundamento sur ĉi tiu paĝo estas publikigita de iu alia ol ni. La ciferoj pri prezoj kaj kapabloj estas niaj propraj vivaj katalogaj valoroj, kontroleblaj kontraŭ /v1/models per via propra ŝlosilo. Kontrolu la unuarangajn fontojn mem.
La benchmark-ciferoj pri GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) estas raportitaj de Z.ai por la nekunpremita fundamento; sendependa ripeto ankoraŭ mankas. La ciferoj pri Claude Opus 4.8 kaj GPT-5.5 estas montrataj nur por referenco. Unuapartia lista prezo de la API de GLM-5.2 kiel publikigita de Z.ai, septembro 2026.
08Oftaj demandoj
Kio estas la sencenzura GLM-API ĉe Shannon AI?
Ĝi estas la modela identigilo GLM-5.2-3BIT-REAP sur la Enirejo de Shannon AI: kunpremita konstruo de la agenta fundamento GLM-5.2 de Z.ai, servata sur nia propra GPU-aro sen rifuza tavolo kaj sen filtrado de la eligo. Ĝi kostas $0.73 por miliono da enigaj ĵetonoj kaj $2.34 por miliono da eligaj ĵetonoj, portas kuntekstan fenestron de 262,144 ĵetonoj, kaj estas atingebla ĉe /v1/chat/completions, /v1/messages kaj /v1/responses.
Kial sencenzura GLM 5.2 estas pli malmultekosta ol la aliaj grandaj modeloj en la katalogo?
Pro tio, kiel ĝi estas kunpremita. 3BIT-REAP kombinas 3-bitajn pezojn kun REAP, metodo de spertul-pritondado por modeloj laŭ Miksaĵo de Spertuloj, kiu forigas malofte enkursigitajn spertulojn antaŭ la kvantigo. Maldensa MoE-fundamento kun proksimume 40 miliardoj da aktivaj parametroj po ĵetono, pritondita kaj kvantigita tiel, okupas multe malpli da memoro kaj multe malpli da GPU-sekundoj po ĵetono ol densa modelo de egala kvalito, kaj la prezo respegulas tion.
Ĉu GLM sen rifuzoj signifas, ke la modelo tute ne havas sekurigilojn?
Ĝi signifas, ke Shannon aldonas neniujn. Ne ekzistas rifuza klasifikilo antaŭ la modelo kaj neniu filtrilo sur la ĵetonoj, kiuj eliras el ĝi. La fundamento konservas kiajn ajn emojn ĝia propra trejnado donis al ĝi, sed nenio ekstera superregas ilin. Vi posedas la politikan tavolon, kaj la uzo estas submetita al la Politiko pri Respondeca Uzo de Shannon AI.
Ĉu GLM-5.2 3BIT-REAP subtenas vidon aŭ bildan enigon?
Ne. Ĉi tiu modelo estas nur teksta. Se vi bezonas bildan enigon sur sencenzura finpunkto, uzu unu el la vidkapablaj modeloj en la katalogo, kiel MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 aŭ inkling. GLM-5.2 ja subtenas strukturitan eligon — kaj json_schema kaj response_format — kaj ilvokadon.
Kio estas la kunteksta fenestro kaj la maksimuma eliga longeco?
262,144 ĵetonoj da kunteksto kaj 16,384 ĵetonoj da eligo por unu peto. Plenigi la tutan kuntekstan fenestron unufoje kostas ĉirkaŭ 19 cendojn je $0.73 por miliono da enigaj ĵetonoj, kaj kompletigo de maksimuma longeco kostas malpli ol 4 cendojn.
Ĉu ĉi tiu estas bona agenta sencenzura modelo por longaj ilvokaj bukloj?
Ĝi estas tiu, kiun ni elektas unue. La GLM-deveno estas eksplicite trejnita por agenta laboro ekde GLM-4.5, ilvokado kaj reasoning_effort estas ambaŭ subtenataj, kaj la prezo signifas, ke cent agentaj vicoj de dudek mil ĵetonoj kostas proksimume du dolarojn anstataŭ dek unu. Rifuzoj ankaŭ estas reala fiasko-modo en agentaj bukloj, kaj ĉi tie ne ekzistas rifuza tavolo por ekigi unu.
Provu la sencenzuran GLM-API-on
$0.73 enige · $2.34 elige · 262K kunteksto · neniu rifuza tavolo.
Legu la API-dokumentojn Trarigardu ĉiujn modelojnShannon Lab LLC, Nov-Meksiko, Usono · la uzo estas regata de la Politiko pri Respondeca Uzo
Fontoj: deponejo 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 · Takso de NIST CAISI pri GLM-5.2 de Z.ai, julio 2026. La benchmark-poentoj pri la fundamento estas raportitaj de la laboratorio kaj provizoraj; ili priskribas la nekunpremitan GLM-5.2, ne ĉi tiun kunpremitan konstruon. La ciferoj pri prezoj, kunteksto kaj kapabloj estas katalogaj valoroj de Shannon AI je la 5-a de septembro 2026.