API بدون سانسور GLM: بهترین ارزش به‌ازای هر توکن

بیشتر مقایسه‌های «ارزان‌ترین مدل» ناصادقانه‌اند، چون گزینه ارزان معمولاً مدلی کوچک است که لباس بازاریابی یک مدل بزرگ را پوشیده. اینجا چنین چیزی در جریان نیست. GLM-5.2 یکی از بزرگ‌ترین بنیان‌های وزن‌بازی است که تا امروز کسی منتشر کرده، و با ۰٫۷۳ دلار ورودی / ۲٫۳۴ دلار خروجی یک پله بالاتر از کف کاتالوگ ما می‌نشیند در حالی که بنیانی چند برابر بزرگ‌تر از آنچه آن کف معمولاً می‌خرد حمل می‌کند. همین شکاف — مدل بزرگ، قیمت نزدیک به کف — دلیل وجود این صفحه است.

01GLM از کجا می‌آید: دانشگاه Tsinghua، پرکردن جای خالی، و چرخشی تند به‌سوی عامل‌ها

GLM یک مشتق برچسب‌عوض‌شده از Llama نیست. یکی از معدود خانواده‌های مدلی است که هدف پیش‌آموزش خودش را دارد و پنج سال است که همان گروه پژوهشی رویش تکرار می‌کند. این نام سرنام General Language Model است، و مقاله بنیان‌گذار — GLM: General Language Model Pretraining with Autoregressive Blank Infilling، ACL 2022 — گزینه سومی را کنار مدل‌سازی زبانی ماسک‌دار BERT و خودبازگشتی سخت‌گیرانه چپ‌به‌راست GPT پیشنهاد کرد. GLM بازه‌های پیوسته را خالی می‌کند و آنها را به‌شکل خودبازگشتی و با ترتیبی درهم بازتولید می‌کند، با کدگذاری موقعیتی دوبعدی که هم موقعیت یک توکن در سند مخدوش و هم موقعیتش درون بازه‌ای که پر می‌شود را ردیابی می‌کند: یک معماری که فهم و تولید را به‌یک‌اندازه خوب انجام می‌دهد.

گروه پشت آن، گروه مهندسی دانش دانشگاه Tsinghua بود که شرکتی را جدا کرد که امروز با نام Z.ai (پیش‌تر Zhipu AI) شناخته می‌شود. نخستین دستاورد پرآوازه‌اش GLM-130B در اکتبر ۲۰۲۲ بود — یک مدل چگال دوزبانه انگلیسی/چینی با ۱۳۰ میلیارد پارامتر، که وزن‌ها و کدش هم‌زمان با انتشار مقاله عمومی شد. انتشار باز از آن زمان سبک خانگی این گروه بوده است.

عصر MoE، و چرخش به‌سوی عامل‌ها

خط ممتد از هر نسخه‌ای به‌تنهایی مهم‌تر است. از GLM-4.5 به‌بعد، هر نسخه برای یک چیز بهینه شده: منسجم ماندن در طول ده‌ها فراخوانی ابزار. این هدفی متفاوت از بیشینه کردن امتیاز بنچمارک‌های تک‌نوبتی است، و خودش را به‌شکل آرگومان‌های ابزار بدشکل کمتر، انحراف کمتر در یک برنامه بلند، و کمتر شدن رفتار «با اعتمادبه‌نفس در نوبت چهاردهم کار را از اول شروع می‌کند» نشان می‌دهد که چارچوب‌های عامل را گران می‌کند.

02GLM-5.2 چیست، و چه اعدادی برایش اندازه‌گیری شده

Z.ai اعداد بنچمارک GLM-5.2 را در مخزن GLM-5 منتشر می‌کند. دو مورد به‌جای بازیابی اطلاعات عمومی، به کار واقعی عامل‌محور نگاشت می‌شوند:

Terminal-Bench 2.1 — وظایف عاملِ خط فرمان با افق بلند. گزارش‌شده از سوی Z.ai.

SWE-bench Pro — حل ایشوی مخزن واقعی. گزارش‌شده از سوی Z.ai؛ GLM-5.1 در همین آزمون ۵۸٫۴ گرفت.

اینها اعداد آزمایشگاه است، نه اعداد ما، و بنیان فشرده‌نشده را توصیف می‌کنند. آنها رده مدلی را که با آن سروکار دارید مشخص می‌کنند، نه یک ضمانت‌نامه را.

یک داده‌نقطه بیش از یک بنچمارک ارزش دارد، چون از ارزیابی می‌آید که هیچ انگیزه‌ای برای تعریف از مدل ندارد. در ژوئیه ۲۰۲۶ مرکز استانداردها و نوآوری هوش مصنوعی وابسته به مؤسسه ملی استاندارد و فناوری ایالات متحده، GLM-5.2 را ارزیابی کرد و نتیجه گرفت که این مدل احتمالاً تواناترین مدل وزن‌بازِ در دسترس در زمان انتشارش بوده، با توانایی‌های کلی قابل‌مقایسه با GPT-5.2 و توانایی‌های سایبری قابل‌مقایسه با Claude Opus 4.6. همان ارزیابی مشاهده کرد که GLM-5.2 درخواست‌های حساس کمتری را مسدود می‌کند نسبت به مدل‌های مرجع آمریکایی، و اینکه حفاظ‌های پخته‌شده در وزن‌های باز، به‌محض اینکه آن وزن‌ها خودمیزبانی شوند قابل دور زدن‌اند. بخش ۰۵ به آن بازمی‌گردد.

03«3BIT-REAP» یعنی چه، و چه هزینه‌ای برایتان دارد

REAP: هرس کردن متخصص‌ها به‌جای ادغام کردنشان

یک مدل MoE با ۷۴۴ میلیارد پارامتر در هر لایه ۲۵۶ متخصص دارد که ۸ تای آنها روی هر توکن مشخص شلیک می‌کنند. روتر کار را یکنواخت پخش نمی‌کند — برخی متخصص‌ها دائم اصابت می‌گیرند و یک دنباله بلند به‌ندرت اصابت می‌گیرند و وقتی هم می‌گیرند سهم کمی دارند. REAP (سرنام Router-weighted Expert Activation Pruning) از Cerebras Research که در ICLR 2026 پذیرفته شده، از همین بهره می‌برد: هر متخصص را با معیار برجستگی‌ای امتیاز می‌دهد که میزان قدرت و تکرار گیت‌شدنش از سوی روتر را با بزرگی سهم خروجی‌اش ترکیب می‌کند، سپس کم‌امتیازها را برای همیشه حذف می‌کند.

بخش جالب ماجرا همان مقایسه‌ای است که REAP در آن برنده می‌شود. جایگزین بدیهی برای حذف یک متخصص، ادغام کردنش در یک بازمانده است که امن‌تر به‌نظر می‌رسد. یافته مقاله در مدل‌های MoE از ۲۰ میلیارد تا ۱ تریلیون پارامتر این است که ادغام در واقع برای کار مولد بدتر است، و هرس به‌طور قابل‌توجهی خوب دوام می‌آورد: تقریباً بدون افت در بنچمارک‌های تولید کد و فراخوانی ابزار حتی پس از حذف نیمی از متخصص‌ها، روی بنیان‌هایی از جمله Qwen3-Coder-480B و Kimi-K2. سالم ماندن کد و فراخوانی ابزار دقیقاً همان چیزی است که می‌خواهید روی مدلی حفظ شود که دلیل وجودی‌اش مهندسی عامل‌محور است.

وزن‌های ۳ بیتی، و بده‌بستان صادقانه

روی هرس، وزن‌های بازمانده در ۳ بیت ذخیره می‌شوند — تهاجمی‌تر از رده‌های W4A16-AUTOROUND-REAP و W8A16 در جاهای دیگر کاتالوگ ما، و مخصوص بزرگ‌ترین بنیان‌ها، جایی که راه دیگری برای جا دادن یک مدل سه‌چهارم تریلیون پارامتری روی یک گره سرویس‌دهی و نگه داشتن جریان توکن‌ها با نرخی قابل‌استفاده وجود ندارد.

فشرده‌سازی رایگان نیست. مدل ذهنی درست این است: هرس و کوانتیزاسیون اول دنباله بلند را تخریب می‌کنند. رفتارهای چگال و پرتمرین — پیروی از دستور، ساختار کد، قالب‌بندی فراخوانی ابزار، برنامه‌ریزی چندمرحله‌ای — خوب دوام می‌آورند، که دقیقاً همان چیزی است که نتایج REAP نشان می‌دهند. بازیابی حقایق ناشناخته، زبان‌های کم‌کاربرد و اطلاعات جزئی حوزه‌های خاص جایی است که باید انتظار تفاوت با یک GLM-5.2 فشرده‌نشده را داشته باشید. اگر بارِ کاری شما «یک حقیقت غیرمعمول را دقیق بداند» است، برای رده‌ای با وفاداری بالاتر پول بدهید. اگر «یک برنامه را در طول چهل فراخوانی ابزار بدون خارج شدن از ریل اجرا کند» است، این همان رده‌ای است که روش برایش طراحی شده.

04استدلال ارزش: یک API ارزان و بدون سانسور واقعاً چقدر خرج برمی‌دارد

قیمت فهرست API خودِ Z.ai برای GLM-5.2 برابر ۱٫۴۰ دلار به ازای هر میلیون توکن ورودی و ۴٫۴۰ دلار به ازای هر میلیون خروجی است. قیمت ما روی همان بنیان ۰٫۷۳ / ۲٫۳۴ دلار است — تقریباً ۴۸٪ کمتر روی ورودی و ۴۷٪ کمتر روی خروجی. این تخفیف همان چیزی است که فشرده‌سازی می‌خرد، و با چیز دومی همراه است که به‌شکل دست‌اول به هیچ قیمتی نمی‌توانید بخرید: بدون لایه رد درخواست.

درون کاتالوگ خودمان، هزینه ترکیبی همان عددی است که اهمیت دارد. اینجا با نسبت ۳ به ۱ ورودی به خروجی آمده، تقریباً همان چیزی که یک عاملِ فراخوان ابزار در عمل به آن شبیه است — کانتکست و نتایج ابزار زیادی که وارد می‌شوند و توکن‌های نسبتاً کمی که بیرون می‌آیند.

مدل	ورودی / 1M	خروجی / 1M	ترکیبی ۳:۱	بینایی
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	خیر
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	خیر
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	بله
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	خیر
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	بله
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	بله

شش مدل روی کف ۰٫۵۰ / ۲٫۰۰ دلار می‌نشینند — MiniMax-M3، DeepSeek-V4-Flash، Laguna-S-2.1، MiMo-V2.5، MiMo-V2.5-Pro و Hy3 — یعنی نرخ ترکیبی ۰٫۸۷۵ دلار. GLM-5.2 ۲۹٪ بالاتر از آن کف است و بنیانی در رده ۷۴۴ میلیارد پارامتر با سرمایه‌گذاری مستمر روی رفتار عامل‌محور پشتش را به شما می‌دهد. هر چیزی که بالاتر از آن قیمت‌گذاری شده دست‌کم ۲۳٪ ترکیبی گران‌تر است، و Kimi-K3 ۶٫۸ برابر گران‌تر. استدلال ارزش در یک سطر همین است: ارزان‌ترین جای کاتالوگ برای خریدن یک بنیان عامل‌محور رده‌بالا.

ترجمه‌شده به کار

• یک بار پر کردن کامل کانتکست — ۲۶۲٬۱۴۴ توکن ورودی: ۰٫۱۹ دلار. یک مخزن بزرگ کامل که با کمتر از بیست سنت به پنجره خوانده می‌شود.
• یک تکمیل با بیشترین طول — ۱۶٬۳۸۴ توکن خروجی: ۰٫۰۳۸ دلار.
• یک نوبت عامل — ۲۰ هزار ورودی، ۲ هزار خروجی: ۰٫۰۱۹ دلار. همان نوبت روی Kimi-K3 برابر ۰٫۱۱۵ دلار و روی DeepSeek-V4-Pro برابر ۰٫۰۴۷ دلار هزینه دارد.
• صد نوبت عامل: ۱٫۹۳ دلار، در برابر ۱۱٫۴۸ دلار روی گران‌ترین مدل کاتالوگ.

بارهای کاری عامل‌محور ورودی‌سنگین‌اند، و برتری GLM دقیقاً همان‌جا بیشترین است: قیمت ورودی‌اش ۵٫۲ برابر پایین‌تر از Kimi-K3 و ۲٫۷ برابر پایین‌تر از DeepSeek-V4-Pro است. اگر عامل شما در هر نوبت یک گفت‌وگوی روبه‌رشد را دوباره می‌فرستد — و تقریباً هر عاملی این کار را می‌کند — همان ضریب است که سر از صورت‌حساب شما درمی‌آورد.

05«بدون سانسور» روی این اندپوینت یعنی چه

دقیقاً دو چیز: بدون لایه رد درخواست — هیچ دسته‌بندی تصمیم نمی‌گیرد مدل اجازه دیدن کدام درخواست‌ها را دارد، و هیچ مدل سیاستی پیش از رسیدن پرامپت شما آن را بازنویسی نمی‌کند — و بدون فیلتر خروجی، یعنی توکن‌هایی که مدل تولید می‌کند همان توکن‌هایی هستند که دریافت می‌کنید، بدون سانسور و بدون جایگزینی.

این پیشنهاد متفاوتی از یک API تجاری است که حالت «آزادتر» یا «توسعه‌دهنده» تبلیغ می‌کند. آنها همچنان ترافیک را از پشته سیاست فروشنده عبور می‌دهند؛ آنچه تغییر می‌کند آستانه است، نه وجود دروازه. اینجا دروازه‌ای برای تنظیم کردن وجود ندارد — مدل روی خوشه GPU خودمان اجرا می‌شود، و رفتارش رفتار بنیان است. یافته NIST CAISI از بخش ۰۲ را به‌عنوان یک گزاره فنی بخوانید نه یک هشدار، و محصول را توضیح می‌دهد: مدلی که هم‌راستایی‌اش در وزن‌هایش زندگی می‌کند و بدون یک لایه سیاست بیرونی سرو می‌شود، مطابق وزن‌هایش رفتار می‌کند.

چرا این به‌طور خاص برای عامل‌ها مهم است

رد درخواست معمولاً به‌عنوان یک پرسش محتوایی بحث می‌شود. در کار عامل‌محور، بیشتر یک پرسش قابلیت اطمینان است. یک رد درخواست در نوبت ۳۱ از یک اجرای ۴۰ نوبتی یک «نه» مؤدبانه نیست که بخوانید و رد شوید — یک گام بدشکل است، یک ارکستراتور که نمی‌داند چطور ادامه دهد، یک برنامه شکسته، و ۳۰ نوبت توکن خرج‌شده بدون هیچ نتیجه‌ای. پژوهش امنیتی، تحلیل بدافزار، تست نفوذ، تیم قرمز، داستان بزرگسال، پیش‌نویس‌نویسی پزشکی و حقوقی، و تولید دیتاست برای آموزش ایمنی همگی دائم به این برمی‌خورند، و شکست دقیقاً به این دلیل گران است که دیر فرود می‌آید.

روی دیگر سکه این است که لایه سیاست حالا از آنِ شماست. استفاده از گیت‌وی Shannon AI تابع سیاست استفاده مسئولانه ماست؛ بیرون کشیدن قضاوت یک فروشنده از حلقه یعنی باید قضاوت خودتان را تأمین کنید.

06اندپوینت واقعاً چه چیزی به شما می‌دهد

قابلیت	GLM-5.2 · 3BIT-REAP
شناسه مدل	GLM-5.2-3BIT-REAP
پنجره کانتکست	۲۶۲٬۱۴۴ توکن
بیشینه خروجی در هر درخواست	۱۶٬۳۸۴ توکن
استریمینگ	بله
فراخوانی ابزار	بله
استدلال / reasoning_effort	بله
JSON Schema (json_schema)	بله
response_format	بله
بینایی / ورودی تصویری	خیر — فقط متن
لایه رد درخواست / فیلتر خروجی	هیچ‌کدام

سطر بینایی را پیش از ساختن با دقت بخوانید. GLM-5.2 روی گیت‌وی ما فقط متنی است. اگر به ورودی تصویری نیاز دارید، کاتالوگ پنج گزینه دارای بینایی دارد — MiniMax-M3 و MiMo-V2.5 روی کف ۰٫۵۰ / ۲٫۰۰ دلار، Kimi-K2.6 با ۰٫۷۸ / ۳٫۶۷ دلار، inkling با ۱٫۴۲ / ۶٫۰۷ دلار، و Kimi-K3 با ۳٫۸۳ / ۱۹٫۱۲ دلار. یک الگوی معقول این است که فهم تصویر را به MiniMax-M3 و بقیه را به GLM-5.2 مسیردهی کنید، که چیزی فراتر از یک رشته نام مدل هزینه ندارد.

سه گویش، یک مدل

همین مدل از طریق سه قالب درخواست در دسترس است، همه با استریمینگ: /v1/chat/completions (گویش OpenAI)، /v1/messages (گویش Anthropic)، و /v1/responses. هیچ چیزی درباره مدل میان آنها عوض نمی‌شود — هرکدام را که SDK شما از پیش صحبت می‌کند انتخاب کنید، و معمولاً تا اجرا شدن فقط یک تغییر base URL فاصله دارید.

# گویش OpenAI — کلاینت موجودتان را به گیت‌وی نشانه بگیرید
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,                 # فراخوانی ابزار پشتیبانی می‌شود
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

اسکیمای کامل درخواست و پاسخ برای هر سه گویش، قالب فراخوانی ابزار، شکل رویدادهای استریمینگ، و یک پلی‌گراند تعاملی در مستندات API شرکت Shannon AI هستند.

07کی GLM-5.2 را انتخاب کنید — و کی نه

وقتی سراغش بروید که

• عامل اجرا می‌کنید. حلقه‌های طولانی فراخوانی ابزار همان چیزی است که این تبار برایش ساخته و بارها پس‌آموزش داده شده، و قیمت ورودی، دوباره فرستادن یک گفت‌وگوی روبه‌رشد در هر نوبت را مقرون‌به‌صرفه می‌کند.
• روی یک کدبیس بزرگ کار می‌کنید. کانتکست ۲۶۲ هزار توکنی، قالب‌بندی قابل‌اتکای فراخوانی ابزار، و ۰٫۱۹ دلار برای خواندن کل پنجره.
• حجم محدودیت شماست. دسته‌بندی، استخراج، تولید داده مصنوعی، بازنویسی انبوه — هر جایی که هزینه هر فراخوان ضرب در عددی بزرگ تعیین می‌کند پروژه شدنی است یا نه.
• رد درخواست‌ها خط لوله شما را می‌شکنند. پژوهش امنیتی، تست خصمانه، داستان بدون سانسور، پیش‌نویس‌نویسی حساس — این حالت شکست اینجا وجود ندارد.

وقتی سراغ چیز دیگری بروید که

• به بینایی نیاز دارید. فقط متن. گزینه‌های دارای بینایی بالاتر آمده‌اند.
• به عمیق‌ترین استدلال تک‌نوبتی نیاز دارید. برای سخت‌ترین مسائل تحلیلی یک‌ضرب، DeepSeek-V4-Pro-0813 · 3BIT-REAP ابزار سنگین‌تری است با ۲٫۲ برابر هزینه ترکیبی — در فراخوان‌هایی که سقف محدودیت است، همین معامله درست است.
• به بیشترین وفاداری روی دانش ناشناخته نیاز دارید. رده W8A16 — یعنی MiMo-V2.5-Pro و Hy3 — بسیار کم‌تهاجمی‌تر فشرده شده و روی کف ۰٫۵۰ / ۲٫۰۰ دلار می‌نشیند، البته روی بنیان‌های کوچک‌تر.

اعداد بنچمارک GLM-5.2 (یعنی Terminal-Bench 2.1 و SWE-bench Pro) از سوی Z.ai برای بنیان فشرده‌نشده گزارش شده‌اند؛ بازتولید مستقل هنوز انجام نشده است. اعداد Claude Opus 4.8 و GPT-5.5 فقط برای مرجع نشان داده شده‌اند. قیمت فهرست API دست‌اول GLM-5.2 همان‌طور که Z.ai در سپتامبر ۲۰۲۶ منتشر کرده است.

08پرسش‌های پرتکرار

---

منابع: مخزن GLM-5 شرکت Z.ai · Du و همکاران، GLM: General Language Model Pretraining with Autoregressive Blank Infilling، ACL 2022 · Zeng و همکاران، GLM-130B: An Open Bilingual Pre-trained Model · Lasby و همکاران، REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression، ICLR 2026 · ارزیابی NIST CAISI از GLM-5.2 شرکت Z.ai، ژوئیه ۲۰۲۶. امتیازهای بنچمارک بنیان از سوی آزمایشگاه گزارش شده و موقتی‌اند؛ آنها GLM-5.2 فشرده‌نشده را توصیف می‌کنند، نه این بیلد فشرده را. اعداد قیمت، کانتکست و قابلیت، مقادیر کاتالوگ Shannon AI تا ۵ سپتامبر ۲۰۲۶ هستند.