Sensuroimaton GLM-API: paras vastine tokenille

Useimmat ”halvin malli” -vertailut ovat epärehellisiä, koska halpa vaihtoehto on yleensä pieni malli suuren mallin markkinointipuvussa. Tässä ei ole kyse siitä. GLM-5.2 on yksi suurimmista avoinpainoisista perustoista joita kukaan on julkaissut, ja hinnalla $0.73 sisään / $2.34 ulos se istuu yhden pykälän luettelomme pohjan yläpuolella kantaen samalla perustaa joka on moninkertainen siihen nähden mitä tuo pohja yleensä ostaa. Juuri tuo ero — suuri malli, lähes pohjahinta — on syy tämän sivun olemassaoloon.

01Mistä GLM tulee: Tsinghua, aukkojen täyttö ja jyrkkä käännös agentteihin

GLM ei ole uudelleenbrändätty Llama-johdannainen. Se on yksi harvoista malliperheistä, jolla on oma esikoulutustavoite, jota sama tutkimusryhmä on iteroinut viisi vuotta. Nimi tulee sanoista General Language Model, ja perustava artikkeli — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — esitti kolmannen vaihtoehdon BERTin peitetyn kielimallinnuksen ja GPT:n tiukan vasemmalta oikealle etenevän autoregression rinnalle. GLM tyhjentää yhtenäisiä jaksoja ja generoi ne uudelleen autoregressiivisesti sekoitetussa järjestyksessä, kaksiulotteisilla sijaintikoodauksilla jotka seuraavat sekä tokenin sijaintia turmellussa dokumentissa että sen sijaintia täytettävän jakson sisällä: yksi arkkitehtuuri hoitaa ymmärtämisen ja generoinnin yhtä hyvin.

Sen takana oleva ryhmä oli Tsinghuan yliopiston Knowledge Engineering Group, josta irtautui yhtiö joka tunnetaan nyt nimellä Z.ai (aiemmin Zhipu AI). Sen ensimmäinen näyttävä tuotos oli GLM-130B lokakuussa 2022 — 130 miljardin parametrin kaksikielinen englanti/kiina-tiheä malli, jonka painot ja koodi julkaistiin julkisesti julkaisuhetkellä. Avoin julkaisu on ollut talon tapa siitä lähtien.

MoE-aikakausi ja käännös agentteihin

Punainen lanka merkitsee enemmän kuin mikään yksittäinen julkaisu. GLM-4.5:stä lähtien jokainen versio on optimoitu samaan asiaan: pysymään johdonmukaisena kymmenien työkalukutsujen läpi. Se on eri tavoite kuin yksittäisen kierroksen vertailupisteiden maksimointi, ja se näkyy vähempinä väärin muotoiltuina työkaluargumentteina, vähäisempänä ajautumisena pitkässä suunnitelmassa ja vähempänä sitä ”aloittaa tehtävän itsevarmasti alusta kierroksella 14” -käyttäytymistä, joka tekee agenttikehyksistä kalliita.

02Mikä GLM-5.2 on ja millaisia lukuja siitä on mitattu

Z.ai julkaisee GLM-5.2:n vertailuluvut GLM-5-repositoriossa. Kaksi niistä vastaa oikeaa agenttityötä eikä triviamuistia:

Terminal-Bench 2.1 — pitkäjänteiset komentorivin agenttitehtävät. Z.ai:n raportoima.

SWE-bench Pro — oikean repositorion issue-ratkaisu. Z.ai:n raportoima; GLM-5.1 sai samasta testistä 58,4.

Nämä ovat laboratorion lukuja, eivät meidän, ja ne kuvaavat pakkaamatonta perustaa. Ne kertovat minkä luokan mallista on kyse, eivät ole takuu.

Yksi tietopiste on arvokkaampi kuin vertailuluku, koska se tulee arvioijalta jolla ei ole syytä imarrella mallia. Heinäkuussa 2026 Yhdysvaltain National Institute of Standards and Technologyn Center for AI Standards and Innovation arvioi GLM-5.2:n ja päätteli, että se oli todennäköisesti kyvykkäin saatavilla oleva avoinpainoinen tekoälymalli julkaisuhetkellään, kokonaiskyvyiltään verrattavissa GPT-5.2:een ja kyberkyvyiltään Claude Opus 4.6:een. Sama arviointi havaitsi, että GLM-5.2 estää vähemmän herkkiä pyyntöjä kuin yhdysvaltalaiset verrokkimallit, ja että avoimiin painoihin leivotut suojaukset voidaan kiertää kun painoja ajetaan itse. Osa 05 palaa siihen.

03Mitä ”3BIT-REAP” tarkoittaa ja mitä se maksaa sinulle

REAP: asiantuntijoiden karsinta yhdistämisen sijaan

744 miljardin parametrin MoE-mallissa on 256 asiantuntijaa kerrosta kohti, joista 8 laukeaa millä tahansa yksittäisellä tokenilla. Reititin ei jaa työtä tasaisesti — joitakin asiantuntijoita käytetään jatkuvasti, ja pitkää häntää käytetään harvoin ja se vaikuttaa vähän silloinkin. REAP (Router-weighted Expert Activation Pruning) Cerebras Researchilta, hyväksyttynä ICLR 2026:een, hyödyntää sitä: se pisteyttää kunkin asiantuntijan huomattavuuskriteerillä, joka yhdistää kuinka voimakkaasti ja usein reititin päästää sen läpi ja sen tuloskontribuution suuruuden, ja poistaa sitten pysyvästi matalapisteiset.

Kiinnostavinta on se vertailu, jonka REAP voittaa. Ilmeinen vaihtoehto asiantuntijan poistamiselle on sen yhdistäminen selviytyjään, mikä kuulostaa turvallisemmalta. Artikkelin havainto 20 miljardista biljoonaan parametriin ulottuvissa MoE-malleissa on, että yhdistäminen on itse asiassa huonompi generatiiviselle työlle, ja karsinta kestää huomattavan hyvin: lähes häviöttömästi koodin generoinnin ja työkalukutsujen vertailuissa vielä sen jälkeenkin kun puolet asiantuntijoista on poistettu, perustoilla joihin kuuluvat Qwen3-Coder-480B ja Kimi-K2. Koodin ja työkalukutsujen säilyminen ehjinä on täsmälleen se mitä haluat säilytettävän mallissa, jonka olemassaolon syy on agenttipohjainen ohjelmointi.

3-bittiset painot ja rehellinen kompromissi

Karsinnan päälle jäljelle jäävät painot tallennetaan 3 bittiin — aggressiivisemmin kuin W4A16-AUTOROUND-REAP- ja W8A16-tasoilla muualla luettelossamme, ja varattuna suurimmille perustoille, joilla ei ole muuta tapaa saada kolmen neljäsosabiljoonan parametrin mallia palvelinsolmuun ja pitää tokenit virtaamassa käyttökelpoisella nopeudella.

Pakkaus ei ole ilmaista. Oikea ajatusmalli: karsinta ja kvantisointi heikentävät ensin pitkän hännän. Tiheät, usein käytetyt käyttäytymiset — ohjeiden noudattaminen, koodin rakenne, työkalukutsujen muotoilu, monivaiheinen suunnittelu — säilyvät hyvin, mikä on juuri sitä mitä REAP-tulokset näyttävät. Hämärä faktamuisti, harvinaiset kielet ja kapean alan trivia ovat se paikka jossa kannattaa odottaa eroa pakkaamattomaan GLM-5.2:een. Jos kuormasi on ”tiedä epätavallinen fakta ulkoa”, maksa korkeamman tarkkuuden tasosta. Jos se on ”aja suunnitelma neljänkymmenen työkalukutsun läpi raiteilta suistumatta”, tämä on se taso jota varten menetelmä suunniteltiin.

04Arvopohja: mitä halvan sensuroimattoman LLM-API:n ajaminen oikeasti maksaa

Z.ai:n oma julkaistu API-listahinta GLM-5.2:lle on $1.40 miljoonalta syötetokenilta ja $4.40 miljoonalta tulostetokenilta. Meidän hintamme samalle perustalle on $0.73 / $2.34 — noin 48 % vähemmän syötteestä ja 47 % vähemmän tulosteesta. Tuon alennuksen ostaa pakkaus, ja mukana tulee toinen asia jota et voi ostaa ensimmäiseltä osapuolelta millään hinnalla: ei kieltäytymiskerrosta.

Oman luettelomme sisällä yhdistetty kustannus on se luku jolla on merkitystä. Tässä se 3:1-suhteella syötettä tulosteeseen, joka on karkeasti se miltä työkalukutsuva agentti käytännössä näyttää — paljon kontekstia ja työkalutuloksia sisään, verrattain vähän tokeneita ulos.

Malli	Sisään / 1M	Ulos / 1M	Yhdistetty 3:1	Näkö
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Ei
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Ei
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Kyllä
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Ei
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Kyllä
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Kyllä

Kuusi mallia istuu $0.50 / $2.00 -pohjalla — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ja Hy3 — eli $0.875 yhdistettynä. GLM-5.2 on 29 % tuon pohjan yläpuolella ja ostaa sinulle 744 miljardin luokan perustan, jonka takana on pitkäjänteinen panostus agenttikäyttäytymiseen. Kaikki sen yläpuolelle hinnoitellut maksavat vähintään 23 % enemmän yhdistettynä, ja Kimi-K3 maksaa 6,8× enemmän. Siinä on arvoargumentti yhdellä rivillä: luettelon halvin paikka ostaa huipputason agenttiperusta.

Työksi muutettuna

• Yksi täysi kontekstin täyttö — 262 144 syötetokenia: $0.19. Kokonainen suuri repositorio luettuna ikkunaan alle kahdellakymmenellä sentillä.
• Yksi täyspitkä täydennys — 16 384 tulostetokenia: $0.038.
• Yksi agenttikierros — 20K sisään, 2K ulos: $0.019. Sama kierros maksaa $0.115 Kimi-K3:lla ja $0.047 DeepSeek-V4-Prolla.
• Sata agenttikierrosta: $1.93, verrattuna $11.48:aan luettelon kalleimmalla mallilla.

Agenttikuormat ovat syötepainotteisia, ja GLM:n etu on suurimmillaan juuri siellä: sen syötehinta on 5,2× alle Kimi-K3:n ja 2,7× alle DeepSeek-V4-Pron. Jos agenttisi lähettää kasvavan keskustelun uudelleen joka kierroksella — ja lähes jokainen agentti lähettää — juuri se kerroin päätyy laskullesi.

05Mitä ”sensuroimaton” tarkoittaa tässä päätepisteessä

Täsmälleen kahta asiaa: ei kieltäytymiskerrosta — ei luokittelijaa joka päättää mitkä pyynnöt malli saa nähdä, eikä käytäntömallia joka kirjoittaa kehotteesi uusiksi ennen sen saapumista — ja ei tulosteen suodatusta, eli mallin tuottamat tokenit ovat ne tokenit jotka saat, sensuroimattomina ja vaihtamattomina.

Se on eri tarjous kuin kaupallinen API, joka mainostaa ”rentoa” tai ”kehittäjä”-tilaa. Ne reitittävät liikenteen edelleen toimittajan käytäntöpinon läpi; muuttuva asia on kynnys, ei portin olemassaolo. Täällä ei ole porttia viritettäväksi — malli ajetaan omalla GPU-klusterillamme, ja sen käyttäytyminen on perustan käyttäytymistä. Lue osan 02 NIST CAISI -havainto teknisenä toteamuksena varoituksen sijaan, ja se selittää tuotteen: malli, jonka linjaus asuu sen painoissa ja jota tarjotaan ilman ulkoista käytäntökerrosta, käyttäytyy painojensa mukaisesti.

Miksi tällä on merkitystä erityisesti agenteille

Kieltäytymisistä puhutaan yleensä sisältökysymyksenä. Agenttityössä ne ovat enimmäkseen luotettavuuskysymys. Kieltäytyminen 40 kierroksen ajon 31. kierroksella ei ole kohtelias ei-kiitos jonka luet ja ohitat — se on viallinen askel, orkestroija joka ei tiedä miten jatkaa, rikkoutunut suunnitelma ja 30 kierrosta kulutettuja tokeneita ilman mitään näytettävää. Tietoturvatutkimus, haittaohjelma-analyysi, tunkeutumistestaus, red teaming, aikuisviihdefiktio, lääketieteellinen ja juridinen laadinta sekä aineistojen generointi turvallisuuskoulutukseen törmäävät tähän jatkuvasti, ja virhe on kallis nimenomaan siksi että se osuu myöhään.

Kääntöpuoli on, että käytäntökerros on nyt sinun. Shannon AI -yhdyskäytävän käyttöä sääntelee vastuullisen käytön käytäntömme; toimittajan harkinnan poistaminen silmukasta tarkoittaa oman tuomista tilalle.

06Mitä päätepiste oikeasti antaa sinulle

Ominaisuus	GLM-5.2 · 3BIT-REAP
Mallitunnus	GLM-5.2-3BIT-REAP
Konteksti-ikkuna	262 144 tokenia
Enimmäistuloste pyyntöä kohti	16 384 tokenia
Suoratoisto	Kyllä
Työkalukutsut	Kyllä
Päättely / reasoning_effort	Kyllä
JSON Schema (json_schema)	Kyllä
response_format	Kyllä
Näkö / kuvasyöte	Ei — vain teksti
Kieltäytymiskerros / tulosteen suodatus	Ei mitään

Lue näkörivi tarkkaan ennen kuin rakennat. GLM-5.2 on yhdyskäytävässämme vain tekstille. Jos tarvitset kuvasyötettä, luettelossa on viisi näkökykyistä vaihtoehtoa — MiniMax-M3 ja MiMo-V2.5 hintaan $0.50 / $2.00, Kimi-K2.6 hintaan $0.78 / $3.67, inkling hintaan $1.42 / $6.07 ja Kimi-K3 hintaan $3.83 / $19.12. Järkevä kuvio on reitittää kuvan ymmärtäminen MiniMax-M3:lle ja kaikki muu GLM-5.2:lle, mikä ei maksa mitään mallimerkkijonon lisäksi.

Kolme murretta, yksi malli

Sama malli on tavoitettavissa kolmen pyyntömuodon kautta, kaikki suoratoistavia: /v1/chat/completions (OpenAI-murre), /v1/messages (Anthropic-murre) ja /v1/responses. Mallissa itsessään ei muutu mikään niiden välillä — valitse se jota SDK:si jo puhuu, ja olet yleensä yhden perus-URL-muutoksen päässä käynnistä.

# OpenAI-murre — osoita nykyinen asiakkaasi yhdyskäytävään
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,                 # työkalukutsut tuettu
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

Täydet pyyntö- ja vastausskeemat kaikille kolmelle murteelle, työkalukutsujen muoto, suoratoistotapahtumien rakenteet ja interaktiivinen leikkikenttä ovat Shannon AI:n API-dokumentaatiossa.

07Milloin valita GLM-5.2 — ja milloin ei

Tartu siihen kun

• Ajat agentteja. Pitkät työkalukutsusilmukat ovat juuri se mitä varten tämä sukulinja rakennettiin ja jälkikoulutettiin toistuvasti, ja syötehinta tekee kasvavan keskustelun uudelleenlähettämisestä joka kierroksella kohtuuhintaista.
• Työskentelet suuren koodikannan parissa. 262K kontekstia, luotettava työkalukutsujen muotoilu ja $0.19 koko ikkunan lukemiseen.
• Volyymi on rajoitteesi. Luokittelu, poiminta, synteettisen datan generointi, massauudelleenkirjoitus — kaikki missä kutsukohtainen hinta kerrottuna suurella luvulla ratkaisee onko projekti kannattava.
• Kieltäytymiset rikkovat putkeasi. Tietoturvatutkimus, adversariaalinen testaus, sensuroimaton fiktio, herkkä laadinta — tätä virhetilaa ei täällä ole.

Tartu johonkin muuhun kun

• Tarvitset näköä. Vain teksti. Katso näkökykyiset vaihtoehdot yltä.
• Tarvitset syvintä yhden kierroksen päättelyä. Vaikeimpiin kertaluonteisiin analyyttisiin ongelmiin DeepSeek-V4-Pro-0813 · 3BIT-REAP on raskaampi instrumentti 2,2-kertaisella yhdistetyllä hinnalla — kutsuissa joissa katto on rajoite se on oikea vaihtokauppa.
• Tarvitset maksimaalisen tarkkuuden hämärään tietoon. W8A16-taso — MiMo-V2.5-Pro ja Hy3 — on pakattu paljon vähemmän aggressiivisesti ja istuu $0.50 / $2.00 -pohjalla, pienemmillä perustoilla.

GLM-5.2:n vertailuluvut (Terminal-Bench 2.1, SWE-bench Pro) ovat Z.ai:n raportoimia pakkaamattomalle perustalle; riippumaton toistaminen on kesken. Claude Opus 4.8:n ja GPT-5.5:n luvut näytetään vain vertailun vuoksi. Ensimmäisen osapuolen GLM-5.2:n API-listahinnat Z.ai:n julkaisemina, syyskuu 2026.

08Usein kysytyt kysymykset

---

Lähteet: Z.ai GLM-5 -repositorio · Du ym., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng ym., GLM-130B: An Open Bilingual Pre-trained Model · Lasby ym., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST CAISI -arviointi Z.ai:n GLM-5.2:sta, heinäkuu 2026. Perustan vertailupisteet ovat laboratorion raportoimia ja alustavia; ne kuvaavat pakkaamatonta GLM-5.2:ta, eivät tätä pakattua buildia. Hinta-, konteksti- ja ominaisuusluvut ovat Shannon AI:n luetteloarvoja 5. syyskuuta 2026.