API GLM sans censure : le meilleur rapport prix / token
La fondation agentique GLM de Z.ai, servie sans aucune couche de refus sur notre propre cluster GPU — 262K de contexte, appel d'outils, et un prix mixte inférieur à la moitié de ce que coûte la même lignée en première partie.
En bref
GLM-5.2-3BIT-REAP est le modèle que nous recommandons par défaut sur la passerelle Shannon AI. Il fait tourner une fondation Mixture-of-Experts éparse de 744 milliards de paramètres issue de la lignée GLM — entraînée explicitement pour l'usage agentique d'outils depuis GLM-4.5 — compressée en poids 3 bits avec élagage d'experts REAP pour qu'elle tienne et reste rapide. Vous disposez d'un contexte de 262,144 tokens, de 16,384 tokens de sortie, de l'appel d'outils, du raisonnement avec reasoning_effort ajustable et de la sortie structurée JSON Schema, pour 0,73 $ / 2,34 $ par million de tokens. Il n'y a aucune couche de refus ni aucun filtre de sortie. Texte uniquement — pas de vision.
La plupart des comparatifs « modèle le moins cher » sont malhonnêtes, parce que l'option bon marché est en général un petit modèle habillé du marketing d'un grand. Ce n'est pas ce qui se passe ici. GLM-5.2 est l'une des plus grandes fondations à poids ouverts jamais publiées, et à 0,73 $ en entrée / 2,34 $ en sortie il se situe un cran au-dessus du plancher de notre catalogue tout en portant une fondation plusieurs fois plus grosse que ce que ce plancher achète d'ordinaire. Cet écart — gros modèle, prix quasi plancher — est la raison d'être de cette page.
01D'où vient GLM : Tsinghua, le remplissage de blancs et un virage net vers les agents
GLM n'est pas un dérivé de Llama rebaptisé. C'est l'une des rares familles de modèles à disposer de son propre objectif de pré-entraînement, itéré pendant cinq ans par la même équipe de recherche. Le nom signifie General Language Model, et l'article fondateur — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — proposait une troisième voie à côté de la modélisation de langage masquée de BERT et de l'autorégression strictement de gauche à droite de GPT. GLM efface des segments contigus et les régénère de façon autorégressive dans un ordre mélangé, avec des encodages positionnels bidimensionnels qui suivent à la fois la position d'un token dans le document corrompu et sa position à l'intérieur du segment en cours de remplissage : une seule architecture qui gère aussi bien la compréhension que la génération.
L'équipe à l'origine du projet est le Knowledge Engineering Group de l'université Tsinghua, dont est issue l'entreprise aujourd'hui connue sous le nom de Z.ai (anciennement Zhipu AI). Son premier artefact marquant fut GLM-130B en octobre 2022 — un modèle dense bilingue anglais/chinois de 130 milliards de paramètres, dont les poids et le code ont été publiés au moment de la parution. La publication ouverte est depuis la marque de fabrique de la maison.
L'ère MoE et le pivot vers les agents
Le fil conducteur compte davantage que n'importe quelle version isolée. Depuis GLM-4.5, chaque version est optimisée pour la même chose : rester cohérent sur des dizaines d'appels d'outils. C'est un objectif différent de la maximisation des scores de benchmark en un seul tour, et cela se traduit par moins d'arguments d'outils mal formés, moins de dérive dans un plan long, et moins de ce comportement « redémarre la tâche avec assurance au tour 14 » qui rend les frameworks d'agents coûteux.
02Ce qu'est GLM-5.2, et ce à quoi il a été mesuré
Z.ai publie des chiffres de benchmark pour GLM-5.2 dans le dépôt GLM-5. Deux d'entre eux correspondent à du vrai travail agentique plutôt qu'à de la restitution de connaissances :
Terminal-Bench 2.1 — tâches d'agent en ligne de commande sur long horizon. Chiffres rapportés par Z.ai.
SWE-bench Pro — résolution d'issues sur de vrais dépôts. Chiffres rapportés par Z.ai ; GLM-5.1 obtenait 58,4 sur le même test.
Ce sont les chiffres du laboratoire, pas les nôtres, et ils décrivent la fondation non compressée. Ils établissent la catégorie de modèle à laquelle vous avez affaire, pas une garantie.
Une donnée vaut plus qu'un benchmark, parce qu'elle vient d'un évaluateur qui n'a aucun intérêt à flatter le modèle. En juillet 2026, le Center for AI Standards and Innovation du National Institute of Standards and Technology américain a évalué GLM-5.2 et a conclu qu'il était probablement le modèle d'IA à poids ouverts le plus capable disponible au moment de sa sortie, avec des capacités globales comparables à GPT-5.2 et des capacités cyber comparables à Claude Opus 4.6. La même évaluation a observé que GLM-5.2 bloque moins de requêtes sensibles que les modèles de référence américains, et que les garde-fous inscrits dans des poids ouverts peuvent être contournés une fois ces poids auto-hébergés. La section 05 y revient.
03Ce que signifie « 3BIT-REAP », et ce que cela vous coûte
REAP : élaguer les experts plutôt que les fusionner
Un modèle MoE de 744 milliards de paramètres compte 256 experts par couche, dont 8 s'activent sur un token donné. Le routeur ne répartit pas le travail uniformément — certains experts sont sollicités en permanence, tandis qu'une longue traîne l'est rarement et contribue peu quand elle l'est. REAP (Router-weighted Expert Activation Pruning), de Cerebras Research et accepté à ICLR 2026, exploite cela : il note chaque expert selon un critère de saillance combinant la force et la fréquence avec lesquelles le routeur l'active et l'amplitude de la contribution de sa sortie, puis supprime définitivement les moins bien notés.
L'intéressant, c'est la comparaison que REAP remporte. L'alternative évidente à la suppression d'un expert est sa fusion dans un survivant, ce qui semble plus prudent. Le résultat de l'article, sur des modèles MoE de 20 à 1 000 milliards de paramètres, est que la fusion est en fait pire pour le travail génératif, et que l'élagage tient remarquablement bien : quasiment sans perte sur les benchmarks de génération de code et d'appel d'outils, même après avoir retiré la moitié des experts, sur des fondations comme Qwen3-Coder-480B et Kimi-K2. Que le code et l'appel d'outils survivent intacts est exactement ce que l'on veut préserver sur un modèle dont la raison d'être est l'ingénierie agentique.
Poids 3 bits, et le compromis assumé
En plus de l'élagage, les poids survivants sont stockés sur 3 bits — plus agressif que les paliers W4A16-AUTOROUND-REAP et W8A16 présents ailleurs dans notre catalogue, et réservé aux plus grandes fondations, là où il n'existe aucun autre moyen de faire tenir un modèle de trois quarts de billion de paramètres sur un nœud de service tout en gardant un débit de tokens utilisable.
La compression n'est pas gratuite. Le bon modèle mental : l'élagage et la quantification dégradent d'abord la longue traîne. Les comportements denses et souvent sollicités — suivi d'instructions, structure du code, formatage des appels d'outils, planification en plusieurs étapes — survivent bien, ce que montrent précisément les résultats de REAP. C'est sur la restitution de faits obscurs, les langues rares et les trivialités de domaines de niche que vous devez vous attendre à une différence face à un GLM-5.2 non compressé. Si votre charge de travail consiste à « connaître un fait inhabituel sur le bout des doigts », payez pour un palier de plus haute fidélité. Si elle consiste à « dérouler un plan sur quarante appels d'outils sans partir en vrille », c'est le palier pour lequel la méthode a été conçue.
04L'argument prix : ce que coûte vraiment une API LLM sans censure bon marché
Le tarif catalogue publié par Z.ai pour son API GLM-5.2 est de 1,40 $ par million de tokens d'entrée et 4,40 $ par million en sortie. Notre prix sur la même fondation est de 0,73 $ / 2,34 $ — soit environ 48 % de moins en entrée et 47 % de moins en sortie. Cette remise, c'est ce que la compression achète, et elle s'accompagne d'une seconde chose qu'aucun prix ne permet d'obtenir en première partie : l'absence de couche de refus.
Au sein de notre propre catalogue, c'est le coût mixte qui compte. Le voici pour un ratio entrée/sortie de 3:1, à peu près ce à quoi ressemble un agent à appels d'outils en pratique — beaucoup de contexte et de résultats d'outils qui entrent, comparativement peu de tokens qui sortent.
| Modèle | Entrée / 1M | Sortie / 1M | Mixte 3:1 | Vision |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | 0,73 $ | 2,34 $ | 1,13 $ | Non |
| Nemotron3Ultra · 3BIT-REAP | 0,75 $ | 3,30 $ | 1,39 $ | Non |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | 0,78 $ | 3,67 $ | 1,50 $ | Oui |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | 1,95 $ | 3,90 $ | 2,44 $ | Non |
| inkling · W4A16-AUTOROUND-REAP | 1,42 $ | 6,07 $ | 2,58 $ | Oui |
| Kimi-K3 · 3BIT-REAP | 3,83 $ | 19,12 $ | 7,65 $ | Oui |
Six modèles se situent au plancher de 0,50 $ / 2,00 $ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro et Hy3 — soit un tarif mixte de 0,875 $. GLM-5.2 est 29 % au-dessus de ce plancher et vous donne une fondation de classe 744B, avec derrière elle un investissement soutenu dans le comportement agentique. Tout ce qui est facturé au-dessus coûte au moins 23 % de plus en mixte, et Kimi-K3 coûte 6,8× plus cher. C'est l'argument prix en une ligne : l'endroit le moins cher du catalogue pour s'offrir une fondation agentique de premier plan.
Converti en travail réel
- Un remplissage complet du contexte — 262,144 tokens d'entrée : 0,19 $. Un dépôt entier de grande taille chargé dans la fenêtre pour moins de vingt cents.
- Une complétion de longueur maximale — 16,384 tokens de sortie : 0,038 $.
- Un tour d'agent — 20K en entrée, 2K en sortie : 0,019 $. Le même tour coûte 0,115 $ sur Kimi-K3 et 0,047 $ sur DeepSeek-V4-Pro.
- Cent tours d'agent : 1,93 $, contre 11,48 $ sur le modèle le plus cher du catalogue.
Les charges agentiques sont lourdes en entrée, et c'est précisément là que l'avantage de GLM est le plus grand : son prix d'entrée est 5,2× inférieur à celui de Kimi-K3 et 2,7× inférieur à celui de DeepSeek-V4-Pro. Si votre agent renvoie à chaque tour une conversation qui grossit — et c'est le cas de presque tous les agents — c'est ce multiplicateur qui finit sur votre facture.
05Ce que « sans censure » veut dire sur ce point de terminaison
Deux choses, précisément : aucune couche de refus — pas de classifieur décidant quelles requêtes le modèle a le droit de voir, ni de modèle de politique réécrivant votre requête avant qu'elle n'arrive — et aucun filtrage de sortie, c'est-à-dire que les tokens produits par le modèle sont ceux que vous recevez, sans caviardage ni substitution.
C'est une proposition différente de celle d'une API commerciale annonçant un mode « assoupli » ou « développeur ». Celles-ci font toujours passer le trafic par la pile de politique d'un fournisseur ; ce qui change, c'est le seuil, pas l'existence du portail. Ici, il n'y a aucun portail à régler — le modèle tourne sur notre propre cluster GPU, et son comportement est celui de la fondation. Lisez le constat du NIST CAISI de la section 02 comme un énoncé technique plutôt que comme un avertissement, et il explique le produit : un modèle dont l'alignement réside dans ses poids, servi sans couche de politique externe, se comporte conformément à ses poids.
Pourquoi cela compte particulièrement pour les agents
Les refus sont d'ordinaire discutés comme une question de contenu. Dans le travail agentique, ce sont surtout une question de fiabilité. Un refus au tour 31 d'une exécution de 40 tours n'est pas un refus poli que l'on lit et que l'on dépasse — c'est une étape mal formée, un orchestrateur qui ne sait pas comment continuer, un plan cassé, et 30 tours de tokens dépensés pour rien. La recherche en sécurité, l'analyse de malwares, les tests d'intrusion, le red teaming, la fiction pour adultes, la rédaction médicale et juridique et la génération de jeux de données pour l'entraînement de sécurité y sont confrontés en permanence, et l'échec coûte cher précisément parce qu'il survient tard.
La contrepartie, c'est que la couche de politique est désormais la vôtre. L'usage de la passerelle Shannon AI est régi par notre politique d'usage responsable ; retirer le jugement d'un fournisseur de la boucle implique de fournir le vôtre.
06Ce que le point de terminaison vous offre réellement
| Capacité | GLM-5.2 · 3BIT-REAP |
|---|---|
| Identifiant de modèle | GLM-5.2-3BIT-REAP |
| Fenêtre de contexte | 262,144 tokens |
| Sortie max par requête | 16,384 tokens |
| Streaming | Oui |
| Appel d'outils | Oui |
Raisonnement / reasoning_effort | Oui |
JSON Schema (json_schema) | Oui |
response_format | Oui |
| Vision / image en entrée | Non — texte uniquement |
| Couche de refus / filtrage de sortie | Aucune |
Lisez attentivement la ligne « vision » avant de construire. GLM-5.2 est uniquement textuel sur notre passerelle. S'il vous faut des images en entrée, le catalogue propose cinq options capables de vision — MiniMax-M3 et MiMo-V2.5 au plancher de 0,50 $ / 2,00 $, Kimi-K2.6 à 0,78 $ / 3,67 $, inkling à 1,42 $ / 6,07 $, et Kimi-K3 à 3,83 $ / 19,12 $. Un schéma sensé consiste à router la compréhension d'images vers MiniMax-M3 et tout le reste vers GLM-5.2, ce qui ne coûte rien de plus qu'une chaîne de caractères de modèle.
Trois dialectes, un seul modèle
Le même modèle est accessible via trois formats de requête, tous en streaming : /v1/chat/completions (dialecte OpenAI), /v1/messages (dialecte Anthropic) et /v1/responses. Rien ne change dans le modèle d'un format à l'autre — choisissez celui que votre SDK parle déjà, et vous n'êtes en général qu'à un changement d'URL de base du fonctionnement.
# 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, )
Les schémas complets de requête et de réponse pour les trois dialectes, le format d'appel d'outils, la forme des événements de streaming et un bac à sable interactif se trouvent dans la documentation de l'API Shannon AI.
07Quand choisir GLM-5.2 — et quand ne pas le faire
Tournez-vous vers lui quand
- Vous faites tourner des agents. Les longues boucles d'appels d'outils sont ce pour quoi cette lignée a été bâtie et post-entraînée à répétition, et le prix d'entrée rend abordable le renvoi d'une conversation qui grossit à chaque tour.
- Vous travaillez sur une grande base de code. 262K de contexte, un formatage d'appels d'outils fiable, et 0,19 $ pour lire toute la fenêtre.
- Le volume est votre contrainte. Classification, extraction, génération de données synthétiques, réécriture en masse — tout ce où le coût par appel multiplié par un grand nombre décide de la viabilité du projet.
- Les refus cassent votre pipeline. Recherche en sécurité, tests adverses, fiction sans censure, rédaction sensible — ce mode de défaillance n'existe pas ici.
Tournez-vous vers autre chose quand
- Il vous faut la vision. Texte uniquement. Voyez les options capables de vision ci-dessus.
- Il vous faut le raisonnement le plus profond en un seul tour. Pour les problèmes analytiques les plus durs en one-shot, DeepSeek-V4-Pro-0813 · 3BIT-REAP est l'instrument le plus lourd, à 2,2× le coût mixte — sur les appels où le plafond est la contrainte, c'est le bon arbitrage.
- Il vous faut une fidélité maximale sur des connaissances obscures. Le palier
W8A16— MiMo-V2.5-Pro et Hy3 — est bien moins agressivement compressé et se situe au plancher de 0,50 $ / 2,00 $, sur des fondations plus petites.
Chaque chiffre relatif à la fondation sur cette page est publié par quelqu'un d'autre que nous. Les chiffres de tarification et de capacités sont les valeurs en vigueur de notre propre catalogue, vérifiables via /v1/models avec votre propre clé. Vérifiez les sources primaires vous-même.
Les chiffres de benchmark de GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) sont rapportés par Z.ai pour la fondation non compressée ; une réplication indépendante reste à venir. Les chiffres de Claude Opus 4.8 et de GPT-5.5 sont donnés à titre de référence uniquement. Tarif catalogue de l'API GLM-5.2 de première partie tel que publié par Z.ai, septembre 2026.
08Questions fréquentes
Qu'est-ce que l'API GLM sans censure de Shannon AI ?
C'est l'identifiant de modèle GLM-5.2-3BIT-REAP sur la passerelle Shannon AI : un build compressé de la fondation agentique GLM-5.2 de Z.ai, servi sur notre propre cluster GPU sans couche de refus et sans filtrage de sortie. Il coûte 0,73 $ par million de tokens d'entrée et 2,34 $ par million de tokens de sortie, dispose d'une fenêtre de contexte de 262,144 tokens et est accessible sur /v1/chat/completions, /v1/messages et /v1/responses.
Pourquoi GLM 5.2 sans censure est-il moins cher que les autres grands modèles du catalogue ?
À cause de la façon dont il est compressé. 3BIT-REAP combine des poids 3 bits avec REAP, une méthode d'élagage d'experts pour les modèles Mixture-of-Experts qui supprime les experts rarement routés avant la quantification. Une fondation MoE éparse d'environ 40 milliards de paramètres actifs par token, élaguée et quantifiée de cette manière, occupe beaucoup moins de mémoire et consomme beaucoup moins de secondes-GPU par token qu'un modèle dense de qualité équivalente, et le prix le reflète.
Un GLM sans refus veut-il dire que le modèle n'a aucun garde-fou ?
Cela veut dire que Shannon n'en ajoute aucun. Il n'y a pas de classifieur de refus devant le modèle ni de filtre sur les tokens qui en sortent. La fondation conserve les dispositions que son propre entraînement lui a données, mais rien d'externe ne les surcharge. C'est vous qui possédez la couche de politique, et l'usage est soumis à la politique d'usage responsable de Shannon AI.
GLM-5.2 3BIT-REAP prend-il en charge la vision ou les images en entrée ?
Non. Ce modèle est uniquement textuel. S'il vous faut des images en entrée sur un point de terminaison sans censure, utilisez l'un des modèles du catalogue capables de vision, comme MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ou inkling. GLM-5.2 prend bien en charge la sortie structurée — json_schema et response_format — ainsi que l'appel d'outils.
Quelles sont la fenêtre de contexte et la longueur de sortie maximale ?
262,144 tokens de contexte et 16,384 tokens de sortie par requête. Remplir une fois la fenêtre de contexte entière coûte environ 19 cents à 0,73 $ par million de tokens d'entrée, et une complétion de longueur maximale coûte moins de 4 cents.
Est-ce un bon modèle agentique sans censure pour de longues boucles d'appels d'outils ?
C'est celui vers lequel nous nous tournons en premier. La lignée GLM est explicitement entraînée pour le travail agentique depuis GLM-4.5, l'appel d'outils et reasoning_effort sont tous deux pris en charge, et le prix fait que cent tours d'agent de vingt mille tokens coûtent environ deux dollars au lieu de onze. Les refus sont par ailleurs un vrai mode de défaillance dans les boucles d'agent, et il n'y a ici aucune couche de refus pour en déclencher un.
Essayez l'API GLM sans censure
0,73 $ en entrée · 2,34 $ en sortie · 262K de contexte · aucune couche de refus.
Lire la documentation de l'API Parcourir tous les modèlesShannon Lab LLC, Nouveau-Mexique, États-Unis · usage régi par la politique d'usage responsable
Sources : dépôt 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 · NIST CAISI, évaluation du GLM-5.2 de Z.ai, juillet 2026. Les scores de benchmark de la fondation sont rapportés par le laboratoire et provisoires ; ils décrivent le GLM-5.2 non compressé, pas ce build compressé. Les chiffres de tarification, de contexte et de capacités sont les valeurs du catalogue Shannon AI au 5 septembre 2026.