API GLM Gun Chaisgireachd: an luach as fheàrr gach token
Bunait àidseantach GLM aig Z.ai, air fhrithealadh gun sreath diùltaidh air a' chruinneachadh GPU againn fhìn — co-theacsa 262K, gairm-inneal, agus prìs mheasgaichte fo leth na chosgas an aon sinnsireachd ciad-phàrtaidh.
Geàrr-chunntas
'S e GLM-5.2-3BIT-REAP am modail air Geata Shannon AI as fheàrr leinn a mholadh mar bhun-roghainn. Bidh e a' ruith bunait Mixture-of-Experts fànaisdeach le 744-billean paramadair à sinnsireachd GLM — air a thrèanadh gu soilleir airson cleachdadh inneil àidseantach o GLM-4.5 a-mach — air a theannachadh le cuideaman 3-bit agus bearradh eòlaichean REAP ionnas gum freagair e agus gum fan e luath. Gheibh thu co-theacsa 262,144-token, 16,384 token de thoradh, gairm-inneal, reusanachadh le reasoning_effort so-atharraichte, agus toradh structarach JSON Schema, airson $0.73 / $2.34 gach millean token. Chan eil sreath diùltaidh no sìoltachan toraidh ann. Teacsa a-mhàin — gun lèirsinn.
Tha a' mhòr-chuid de choimeasan "am modail as saoire" neo-onarach, oir 's e modail beag a' caitheamh margaidheachd modail mòir a th' anns an roghainn shaor mar as trice. Chan e sin a tha a' tachairt an seo. 'S e GLM-5.2 fear de na bunaitean as motha le cuideaman fosgailte a chaidh a chur a-mach a-riamh, agus aig $0.73 a-steach / $2.34 a-mach tha e aon cheum os cionn làr a' chatalog againn fhad 's a tha e a' giùlan bunait grunn thursan meud na tha an làr sin mar as trice a' ceannach. 'S e am beàrn sin — modail mòr, prìs faisg air an làr — as coireach gu bheil an duilleag seo ann.
01Cò às a thàinig GLM: Tsinghua, lìonadh bheàrnan, agus tionndadh cruaidh a dh'ionnsaigh àidseantan
Chan e Llama ath-bhrandaichte a th' ann an GLM. 'S e fear de na beagan teaghlaichean modail aig a bheil amas ro-thrèanaidh aca fhèin, air a leasachadh airson còig bliadhna leis an aon bhuidhinn rannsachaidh. Tha an t-ainm a' seasamh airson General Language Model, agus mhol am pàipear stèidheachaidh — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — treas roghainn ri taobh modaladh cànain masgaichte BERT agus fèin-ath-chuairteachadh teann clì-gu-deas GPT. Bidh GLM a' falamhachadh raointean leantainneach agus gan ath-ghineadh gu fèin-ath-chuairteach ann an òrdugh air a mheasgachadh, le còdachadh suidheachaidh dà-thomhasach a' cumail sùil an dà chuid air ionad token san sgrìobhainn thruaillte agus air ionad taobh a-staigh an raoin a thathar a' lìonadh: aon ailtireachd a' làimhseachadh tuigse agus gineadh gu co-ionnan math.
'S e a' bhuidheann air a chùlaibh Buidheann Innleadaireachd Eòlais Oilthigh Tsinghua, a chuir a-mach an companaidh ris an canar a-nis Z.ai (roimhe Zhipu AI). B' e a' chiad rud follaiseach aca GLM-130B san Dàmhair 2022 — modail dùmhail dà-chànanach Beurla/Sìnis le 130 billean paramadair, cuideaman is còd air an cur a-mach gu poblach aig àm foillseachaidh. Tha cur a-mach fosgailte air a bhith na stoidhle taighe on uair sin.
Linn MoE, agus an tionndadh a dh'ionnsaigh àidseantan
Tha an snàth a' cur barrachd ri taobh na h-obrach na dh'fhaodadh aon fhoillseachadh sam bith. O GLM-4.5, chaidh gach tionndadh a mheudachadh airson an aon rud: fuireach ciallach thairis air dusanan de ghairmean-inneil. 'S e amas eadar-dhealaichte a tha sin bho bhith a' meudachadh sgòran deuchainn-choimeis aon-chuairt, agus tha e a' nochdadh mar as lugha de argamaidean-inneil mì-chumte, nas lugha de shiubhal ann am plana fada, agus nas lugha den ghiùlan "ag ath-thòiseachadh an obair gu misneachail air cuairt 14" a nì frèaman-obrach àidseant daor.
02Dè th' ann an GLM-5.2, agus dè an tomhas a fhuair e
Bidh Z.ai a' foillseachadh àireamhan deuchainn-choimeis airson GLM-5.2 anns an tasglann GLM-5. Tha dhà dhiubh a' mapadh gu obair àidseantach fhìor seach cuimhneachadh fiosrachaidh bhrist:
Terminal-Bench 2.1 — gnìomhan àidseant loidhne-àithne fad-fhàire. Air aithris le Z.ai.
SWE-bench Pro — fuasgladh cheistean fìor thasglainn. Air aithris le Z.ai; sgòr GLM-5.1 air an aon deuchainn 58.4.
'S e àireamhan an obair-lainn a tha sin, chan e ar feadhainn fhìn, agus tha iad a' mìneachadh a' bhunait neo-theannaichte. Bidh iad a' stèidheachadh clas a' mhodail air a bheil thu a' dèiligeadh, chan e barantas.
Tha aon phuing-dàta fiach barrachd na deuchainn-choimeis, oir tha i a' tighinn o luchd-measaidh gun bhuannachd le bhith a' bràidh a' mhodail. San Iuchar 2026 rinn Ionad Inbhean is Ùr-ghnàthachadh AI (CAISI) aig Institiùd Nàiseanta nan Stàitean Aonaichte airson Inbhean agus Teicneòlas measadh air GLM-5.2 agus cho-dhùin iad gur dòcha gur e am modail AI le cuideaman fosgailte as comasaiche a bha ri fhaighinn nuair a chaidh fhoillseachadh, le comasan iomlan an coimeas ri GPT-5.2 agus comasan saidhbeir an coimeas ri Claude Opus 4.6. Mhothaich an aon mheasadh gu bheil GLM-5.2 a' bacadh nas lugha de dh'iarrtasan frionasach na modailean iomraidh na SA, agus gum faodar casgan a chaidh am bruich a-steach do chuideaman fosgailte a sheachnadh aon uair 's gu bheil na cuideaman sin air an aoigheachd fhèin. Tillidh Earrann 05 gu sin.
03Dè tha "3BIT-REAP" a' ciallachadh, agus dè a chosgas e dhut
REAP: bearradh eòlaichean an àite gam co-mheasgadh
Tha 256 eòlaiche aig modail MoE le 744B paramadair anns gach sreath, agus cha bhi ach 8 a' losgadh air token sam bith. Cha bhi an rianadair a' sgaoileadh obrach gu co-ionnan — thèid cuid de dh'eòlaichean a bhualadh gu cunbhalach, agus thèid earball fada a bhualadh ainneamh agus cha chuir iad mòran ris nuair a thèid. Bidh REAP (Router-weighted Expert Activation Pruning), o Cerebras Research agus air gabhail ri ICLR 2026, a' gabhail brath air sin: bidh e a' toirt sgòr do gach eòlaiche le slat-thomhais follaiseachd a' co-mheasgadh dè cho làidir 's cho tric 's a bheir an rianadair geata dha le meud a thabhartais toraidh, an uair sin a' toirt air falbh na sgòran ìosal gu buan.
'S e am pàirt inntinneach an coimeas a bhuannaicheas REAP. 'S e an roghainn eile a tha follaiseach an àite eòlaiche a thoirt air falbh a cho-mheasgadh a-steach do dh'fhear a mhaireas, a tha a' coimhead nas sàbhailte. 'S e an lorg aig a' phàipear thar mhodailean MoE o 20B gu 1T paramadair gu bheil co-mheasgadh nas miosa dha-rìribh airson obair gineadaireachd, agus gum fan bearradh gu math seasmhach: cha mhòr gun chall air gineadh còd agus deuchainnean-coimeis gairm-inneil eadhon às dèidh leth nan eòlaichean a thoirt air falbh, air bunaitean a' gabhail a-steach Qwen3-Coder-480B agus Kimi-K2. 'S e gineadh còd agus gairm-inneal a' fuireach slàn dìreach na tha thu ag iarraidh air a ghleidheadh air modail aig a bheil a h-adhbhar bith innleadaireachd àidseantach.
Cuideaman 3-bit, agus an co-mhalairt onarach
A bharrachd air bearradh, tha na cuideaman a mhaireas air an stòradh aig 3 bit — nas dàna na na h-ìrean W4A16-AUTOROUND-REAP agus W8A16 ann an àiteachan eile sa chatalog againn, agus glèidhte airson na bunaitean as motha, far nach eil dòigh eile ann air modail cairteal-billean-paramadair a chur air nòd frithealaidh agus tokenan a chumail a' sruthadh aig ìre a ghabhas cleachdadh.
Chan eil teannachadh saor. Am modail-inntinn ceart: bidh bearradh agus cuantachadh a' truailleadh an earbaill fhada an toiseach. Bidh giùlain dhùmhail, air an cleachdadh gu tric — leantainn stiùiridh, structar còd, cumadh gairm-inneil, dealbhadh ioma-cheumnach — a' fuireach beò gu math, agus 's e dìreach sin a tha toraidhean REAP a' sealltainn. 'S ann far a bheil cuimhneachadh fìrinnean dorcha, cànanan ainneamh agus fiosrachadh raon niche a bu chòir dhut diofar a bhith an dùil an aghaidh GLM-5.2 neo-theannaichte. Ma 's e an obair agad "eòlas fìrinn neo-àbhaisteach a chumail nam chuimhne fuar", pàigh airson ìre nas àirde de dhìlseachd. Ma 's e "plana a ruith thairis air ceathrad gairm-inneil gun a dhol far an rathaid", 's e seo an ìre air an deach an dòigh a dhealbhadh.
04An argamaid luach: dè a chosgas API LLM gun chaisgireachd saor a ruith dha-rìribh
'S e prìs liosta API foillsichte fhèin aig Z.ai airson GLM-5.2 $1.40 gach millean token a-steach agus $4.40 gach millean a-mach. Tha ar prìs air an aon bhunait $0.73 / $2.34 — mu 48% nas lugha a-steach agus 47% nas lugha a-mach. 'S e sin a cheannaicheas an teannachadh, agus thig e le dàrna rud nach urrainn dhut a cheannach ciad-phàrtaidh air prìs sam bith: gun sreath diùltaidh.
Am broinn ar catalog fhìn, 's e cosgais measgaichte an àireamh a tha cudromach. Seo i aig co-mheas 3:1 a-steach ri a-mach, rud a tha faisg air mar a choimheadas àidseant gairm-inneil sa chleachdadh — mòran cho-theacsa agus toraidhean-inneil a' dol a-steach, an ìre mhath beag a' tighinn a-mach.
| Modail | A-steach / 1M | A-mach / 1M | Measgaichte 3:1 | Lèirsinn |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Chan eil |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Chan eil |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Tha |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Chan eil |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Tha |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Tha |
Tha sianar modail nan seasamh aig an làr $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro agus Hy3 — ìre mheasgaichte de $0.875. Tha GLM-5.2 29% os cionn an làir sin agus a' ceannach bunait clas-744B le seasmhachd fhada de thasgadh ann an giùlan àidseantach air a chùlaibh. Bidh a h-uile càil air prìsean os cionn sin a' cosg co-dhiù 23% barrachd measgaichte, agus bidh Kimi-K3 a' cosg 6.8× a bharrachd. Sin an argamaid luach ann an aon sreath: an t-àite as saoire sa chatalog airson bunait àidseantach ìre-àrd a cheannach.
Air a thionndadh gu obair
- Aon lìonadh làn cho-theacsa — 262,144 token a-steach: $0.19. Tasglann mhòr shlàn air a leughadh a-steach don uinneig airson fo fhichead sgillinn.
- Aon choileanadh aig fad as motha — 16,384 token a-mach: $0.038.
- Aon chuairt àidseant — 20K a-steach, 2K a-mach: $0.019. Bidh an aon chuairt a' cosg $0.115 air Kimi-K3 agus $0.047 air DeepSeek-V4-Pro.
- Ceud cuairt àidseant: $1.93, an coimeas ri $11.48 air a' mhodail as daoire sa chatalog.
Tha uallaichean-obrach àidseantach trom air ionchur, agus tha buannachd GLM as motha dìreach an sin: tha a' phrìs ionchuir aige 5.2× nas ìsle na Kimi-K3 agus 2.7× nas ìsle na DeepSeek-V4-Pro. Ma bhios an àidseant agad ag ath-chur còmhradh a tha a' fàs gach cuairt — agus 's ann mar sin a bhios cha mhòr a h-uile àidseant — 's e am mult-fhactar sin a chrìochnaicheas air a' chunntas-airgid agad.
05Dè tha "gun chaisgireachd" a' ciallachadh air an oir-phuing seo
Dà rud, gu pongail: gun sreath diùltaidh — gun seòrsaichear a' co-dhùnadh dè na h-iarrtasan air a bheil cead aig a' mhodail fhaicinn, agus gun mhodail phoileasaidh ag ath-sgrìobhadh a' bhrosnachaidh agad mus ruig e — agus gun sìoladh toraidh, a' ciallachadh gur e na tokenan a bheir am modail a-mach na tokenan a gheibh thusa, gun dubhadh às agus gun mhalairt.
'S e tairgse eadar-dhealaichte sin bho API mhalairteach a bhios a' sanasachd modh "socair" no "leasaicheir". Bidh iad sin fhathast a' seòladh trafaic tro stac phoileasaidh reiceadair; 's e an stairsneach a dh'atharraicheas, chan e am bith aig a' gheata. An seo chan eil geata ann ri thuiniceachd — ruithidh am modail air a' chruinneachadh GPU againn fhìn, agus 's e giùlan a' bhunait a th' anns a' ghiùlan aige. Leugh lorg NIST CAISI o earrann 02 mar aithris theicnigeach seach mar rabhadh agus tha e a' mìneachadh a' bhathair: bidh modail aig a bheil a cho-thaobhadh a' fuireach na chuideaman, air fhrithealadh gun sreath phoileasaidh bhon taobh a-muigh, a' giùlan a rèir a chuideaman.
Carson a tha seo cudromach do dh'àidseantan gu sònraichte
Mar as trice thèid diùltaidhean a dheasbad mar cheist susbaint. Ann an obair àidseantach 's e ceist earbsachd as motha a th' annta. Chan e diùltadh modhail a leughas tu agus a ghabhas tu seachad a th' ann an diùltadh air cuairt 31 de ruith 40-cuairt — 's e ceum mì-chumte a th' ann, orchestrator nach eil fios aige ciamar a leantainn air adhart, plana briste, agus 30 cuairt de thokenan caithte gun dad ri shealltainn. Bidh rannsachadh tèarainteachd, mion-sgrùdadh bathar-mhillteach, deuchainn-drùidhidh, obair sgioba-dhearg, ficsean inbhich, dreachdadh meidigeach is laghail, agus gineadh sheata-dhàta airson trèanadh sàbhailteachd uile a' bualadh air seo gu cunbhalach, agus tha am fàillinn daor dìreach a chionn 's gun tig e fadalach.
'S e an taobh eile gur ann agadsa a tha an sreath phoileasaidh a-nis. Tha cleachdadh Geata Shannon AI fo riaghladh ar Poileasaidh Cleachdaidh Chunntachail; a' toirt breithneachadh reiceadair a-mach às an lùb a' ciallachadh gu bheil thu a' cur do dh'fhear fhèin an àite.
06Dè dha-rìribh a bheir an oir-phuing dhut
| Comas | GLM-5.2 · 3BIT-REAP |
|---|---|
| Aithne modail | GLM-5.2-3BIT-REAP |
| Uinneag cho-theacsa | 262,144 token |
| Toradh as motha gach iarrtas | 16,384 token |
| Sruthadh | Tha |
| Gairm-inneal | Tha |
Reusanachadh / reasoning_effort | Tha |
JSON Schema (json_schema) | Tha |
response_format | Tha |
| Lèirsinn / ionchur deilbh | Chan eil — teacsa a-mhàin |
| Sreath diùltaidh / sìoladh toraidh | Chan eil gin |
Leugh sreath na lèirsinn gu faiceallach mus tog thu. Tha GLM-5.2 teacsa a-mhàin air a' gheata againn. Ma dh'fheumas tu ionchur deilbh, tha còignear roghainnean aig a bheil lèirsinn sa chatalog — MiniMax-M3 agus MiMo-V2.5 aig an làr $0.50 / $2.00, Kimi-K2.6 aig $0.78 / $3.67, inkling aig $1.42 / $6.07, agus Kimi-K3 aig $3.83 / $19.12. 'S e pàtran ciallach a bhith a' seòladh tuigse dhealbhan gu MiniMax-M3 agus a h-uile càil eile gu GLM-5.2, nach cosg dad a bharrachd air sreang modail.
Trì dualchainntean, aon mhodail
Tha an aon mhodail ruigsinneach tro thrì cumaidhean iarrtais, iad uile a' sruthadh: /v1/chat/completions (dualchainnt OpenAI), /v1/messages (dualchainnt Anthropic), agus /v1/responses. Chan eil dad mun mhodail ag atharrachadh eatarra — tagh ge b' e dè a bhruidhneas an SDK agad mu thràth, agus mar as trice chan eil thu ach aon atharrachadh bun-URL air falbh o bhith a' ruith.
# Dualchainnt OpenAI — cuir an cliant a th' agad mu thràth ris a' gheata 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, # taic aig gairm-inneal reasoning_effort="medium", # low | medium | high stream=True, )
Tha sgeamaichean iarrtais is freagairt slàn airson na trì dualchainntean, cumadh gairm-inneil, cruthan tachartais sruthaidh, agus raon-cluiche eadar-ghnìomhach ann an sgrìobhainnean API Shannon AI.
07Cuin a thaghas tu GLM-5.2 — agus cuin nach tagh
Ruigh air nuair a tha thu
- A' ruith àidseantan. 'S e cuairtean fada gairm-inneil an rud air an deach an sinnsireachd seo a thogail agus ath-iar-thrèanadh a-rithist 's a-rithist, agus tha a' phrìs ionchuir a' dèanamh còmhradh a tha a' fàs so-phàighte airson ath-chur gach cuairt.
- Ag obair thairis air bunait-chòd mhòr. 262K de cho-theacsa, cumadh gairm-inneil earbsach, agus $0.19 airson an uinneag gu lèir a leughadh.
- 'S e tomhas a' chuingealachadh agad. Seòrsachadh, às-tharraing, gineadh dàta synthetach, ath-sgrìobhadh mòr-thomhaseach — rud sam bith far a bheil cosgais gach gairm air a iomadachadh le àireamh mhòr a' co-dhùnadh a bheil am pròiseact seasmhach.
- Tha diùltaidhean a' briseadh do phìoban. Rannsachadh tèarainteachd, deuchainn nàimhdeil, ficsean gun chaisgireachd, dreachdadh frionasach — chan eil am modh fàillinn seo an làthair an seo.
Ruigh air rudeigin eile nuair a tha thu
- Ag iarraidh lèirsinn. Teacsa a-mhàin. Faic na roghainnean le lèirsinn gu h-àrd.
- Ag iarraidh an reusanachaidh aon-chuairt as doimhne. Airson na duilgheadasan anailis aon-turas as duilghe, 's e DeepSeek-V4-Pro-0813 · 3BIT-REAP an t-inneal nas truime aig 2.2× a' chosgais mheasgaichte — air gairmean far a bheil am mullach na chuingealachadh, 's e sin an co-mhalairt cheart.
- Ag iarraidh an ìre as àirde de dhìlseachd air eòlas dorcha. Tha an ìre
W8A16— MiMo-V2.5-Pro agus Hy3 — air a theannachadh fada nas lugha, agus na laighe aig an làr $0.50 / $2.00, air bunaitean nas lugha.
Tha gach àireamh bhunaiteach air an duilleag seo air fhoillseachadh le cuideigin nach sinne. Tha na h-àireamhan prìse agus comais nan luachan beò catalog againn fhìn, so-dhearbhaidh an aghaidh /v1/models air an iuchair agad fhèin. Thoir sùil air na prìomh thùsan thu fhèin.
Tha àireamhan deuchainn-choimeis GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) air an aithris le Z.ai airson a' bhunait neo-theannaichte; tha ath-riochdachadh neo-eisimeileach ri thighinn fhathast. Tha àireamhan Claude Opus 4.8 agus GPT-5.5 air an sealltainn mar iomradh a-mhàin. Prìsean liosta API ciad-phàrtaidh GLM-5.2 mar a chaidh am foillseachadh le Z.ai, Sultain 2026.
08Ceistean cumanta
Dè th' ann an API GLM gun chaisgireachd air Shannon AI?
'S e aithne modail GLM-5.2-3BIT-REAP air Geata Shannon AI a th' ann: togail teannaichte de bhunait àidseantach GLM-5.2 aig Z.ai, air fhrithealadh air a' chruinneachadh GPU againn fhìn gun sreath diùltaidh agus gun sìoladh toraidh. Bidh e a' cosg $0.73 gach millean token a-steach agus $2.34 gach millean token a-mach, tha uinneag cho-theacsa de 262,144 token aige, agus tha e ruigsinneach aig /v1/chat/completions, /v1/messages agus /v1/responses.
Carson a tha GLM 5.2 gun chaisgireachd nas saoire na na modailean mòra eile sa chatalog?
Air sgàth mar a tha e air a theannachadh. Bidh 3BIT-REAP a' co-mheasgadh cuideaman 3-bit le REAP, dòigh bearraidh eòlaichean airson modailean Mixture-of-Experts a bhios a' toirt air falbh eòlaichean nach fhaigh an taghadh ach ainneamh mus tèid an cuantachadh. Bidh bunait MoE fànaisdeach le timcheall air 40B paramadair gnìomhach gach token, air a bhearradh agus air a chuantachadh san dòigh seo, a' gabhail fada nas lugha de chuimhne agus fada nas lugha de dhiogan-GPU gach token na modail dùmhail den aon chàileachd, agus tha a' phrìs a' nochdadh sin.
A bheil GLM gun diùltadh a' ciallachadh nach eil casg sàbhailteachd sam bith aig a' mhodail?
Tha e a' ciallachadh nach eil Shannon a' cur gin ris. Chan eil seòrsaichear diùltaidh air beulaibh a' mhodail agus chan eil sìoltachan air na tokenan a thig às. Cumaidh am bunait ge bith dè na h-aomaidhean a thug an trèanadh fhèin dha, ach cha tèid dad on taobh a-muigh gan tar-àithneadh. 'S ann agadsa a tha an sreath phoileasaidh, agus tha cleachdadh fo ùmhlachd Phoileasaidh Cleachdaidh Chunntachail Shannon AI.
A bheil taic aig GLM-5.2 3BIT-REAP do lèirsinn no ionchur deilbh?
Chan eil. Tha am modail seo teacsa a-mhàin. Ma dh'fheumas tu ionchur deilbh air oir-phuing gun chaisgireachd, cleachd fear de na modailean aig a bheil lèirsinn sa chatalog leithid MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 no inkling. Tha taic aig GLM-5.2 do thoradh structarach — an dà chuid json_schema agus response_format — agus do ghairm-inneal.
Dè an uinneag cho-theacsa agus am fad toraidh as motha?
262,144 token de cho-theacsa agus 16,384 token de thoradh gach iarrtas. Bidh lìonadh na h-uinneig cho-theacsa gu lèir aon uair a' cosg mu 19 sgillinn aig $0.73 gach millean token a-steach, agus bidh coileanadh aig fad as motha a' cosg fo 4 sgillinn.
A bheil seo na mhodail àidseantach gun chaisgireachd math airson cuairtean fada gairm-inneil?
'S e am fear air a bheil sinn a' ruighinn an toiseach. Chaidh sinnsireachd GLM a thrèanadh gu soilleir airson obair àidseantach o GLM-4.5 a-mach, tha taic aig gairm-inneal agus reasoning_effort le chèile, agus tha a' phrìs a' ciallachadh gum bi ceud cuairt àidseant de 20,000-token a' cosg mu dhà dhollar seach aon-deug. Tha diùltaidhean cuideachd nam modh fàillinn fìor ann an cuairtean àidseant, agus chan eil sreath diùltaidh an seo airson fear a bhrosnachadh.
Feuch an API GLM gun chaisgireachd
$0.73 a-steach · $2.34 a-mach · co-theacsa 262K · gun sreath diùltaidh.
Leugh Sgrìobhainnean an API Rùraich a h-uile ModailShannon Lab LLC, New Mexico, na SA · cleachdadh fo riaghladh a' Phoileasaidh Cleachdaidh Chunntachail
Tùsan: Tasglann GLM-5 aig 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 · Measadh NIST CAISI air GLM-5.2 aig Z.ai, Iuchar 2026. Tha sgòran deuchainn-choimeis a' bhunait air an aithris leis an obair-lann agus sealach; tha iad a' mìneachadh GLM-5.2 neo-theannaichte, chan e an togail theannaichte seo. Tha àireamhan prìse, co-theacsa agus comais nan luachan catalog Shannon AI mar a bha 5 Sultain 2026.