API de GLM sen censura: o mellor valor por token

A maioría das comparacións de "modelo máis barato" son deshonestas, porque a opción barata adoita ser un modelo pequeno co marketing dun modelo grande. Non é o que pasa aquí. GLM-5.2 é unha das bases de pesos abertos máis grandes que publicou ninguén e, a $0.73 de entrada / $2.34 de saída, queda un chanzo por riba do chan do noso catálogo mentres carga cunha base varias veces maior que a que ese chan adoita comprar. Esa distancia — modelo grande, prezo case de chan — é a razón de ser desta páxina.

01De onde vén GLM: Tsinghua, recheo de ocos e un xiro brusco cara aos axentes

GLM non é unha derivada de Llama con outra etiqueta. É unha das poucas familias de modelos cun obxectivo de preadestramento propio, iterado durante cinco anos polo mesmo grupo de investigación. O nome significa General Language Model, e o artigo fundacional — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — propuxo unha terceira vía xunto ao modelado de linguaxe enmascarado de BERT e a autorregresión estrita de esquerda a dereita de GPT. GLM baleira tramos contiguos e rexéneraos de forma autorregresiva nunha orde barallada, con codificacións posicionais bidimensionais que rexistran tanto a posición dun token no documento corrompido como a súa posición dentro do tramo que se está a encher: unha soa arquitectura que manexa a comprensión e a xeración igual de ben.

O grupo que hai detrás era o Knowledge Engineering Group da Universidade Tsinghua, que deu lugar á empresa hoxe coñecida como Z.ai (antes Zhipu AI). O seu primeiro artefacto destacado foi GLM-130B en outubro de 2022 — un modelo denso bilingüe inglés/chinés de 130 mil millóns de parámetros, con pesos e código publicados no momento da publicación. A publicación aberta foi o estilo da casa desde entón.

A era MoE e o xiro cara aos axentes

O fío condutor importa máis ca calquera versión concreta. Desde GLM-4.5, todas as versións se optimizaron para o mesmo: manterse coherentes ao longo de decenas de chamadas de ferramentas. Ese é un obxectivo distinto de maximizar puntuacións de benchmark nunha soa quenda, e nótase en menos argumentos de ferramenta malformados, menos deriva nun plan longo e menos do comportamento de "reinicia a tarefa con toda confianza na quenda 14" que encarece os marcos de axentes.

02Que é GLM-5.2 e en que se mediu

Z.ai publica cifras de benchmark de GLM-5.2 no repositorio de GLM-5. Dúas corresponden a traballo real con axentes e non a memoria de datos:

Terminal-Bench 2.1 — tarefas de axente en liña de comandos a longo horizonte. Cifras informadas por Z.ai.

SWE-bench Pro — resolución de incidencias en repositorios reais. Informadas por Z.ai; GLM-5.1 puntuou 58.4 na mesma proba.

Esas son as cifras do laboratorio, non as nosas, e describen a base sen comprimir. Establecen a clase de modelo coa que estás a tratar, non unha garantía.

Un dato vale máis ca un benchmark, porque vén dun avaliador sen ningún incentivo para adular o modelo. En xullo de 2026, o Center for AI Standards and Innovation do National Institute of Standards and Technology dos Estados Unidos avaliou GLM-5.2 e concluíu que era probablemente o modelo de IA de pesos abertos máis capaz dispoñible cando se publicou, con capacidades xerais comparables ás de GPT-5.2 e capacidades en ciberseguridade comparables ás de Claude Opus 4.6. A mesma avaliación observou que GLM-5.2 bloquea menos peticións sensibles ca os modelos de referencia estadounidenses, e que as salvagardas gravadas nuns pesos abertos poden eludirse unha vez que eses pesos se aloxan por conta propia. A sección 05 volve sobre iso.

03Que significa "3BIT-REAP" e canto che custa

REAP: podar expertos en vez de fusionalos

Un modelo MoE de 744B de parámetros ten 256 expertos por capa, dos que 8 se activan nun token dado. O enrutador non reparte o traballo por igual — a algúns expertos recórrese constantemente, e a unha longa cola recórrese poucas veces e contribúe pouco cando o fai. REAP (Router-weighted Expert Activation Pruning), de Cerebras Research e aceptado en ICLR 2026, aproveita iso: puntúa cada experto cun criterio de saliencia que combina con que forza e frecuencia o abre o enrutador coa magnitude da contribución da súa saída, e despois elimina permanentemente os de puntuación baixa.

A parte interesante é a comparación que REAP gaña. A alternativa obvia a eliminar un experto é fusionalo cun superviviente, o que soa máis seguro. O achado do artigo en modelos MoE de 20B a 1T de parámetros é que a fusión é de feito peor para o traballo xerativo, e que a poda aguanta notablemente ben: case sen perdas en benchmarks de xeración de código e chamada de ferramentas mesmo despois de eliminar a metade dos expertos, en bases como Qwen3-Coder-480B e Kimi-K2. Que o código e a chamada de ferramentas sobrevivan intactos é exactamente o que queres conservar nun modelo cuxa razón de ser é a enxeñaría con axentes.

Pesos de 3 bits e a compensación honesta

Ademais da poda, os pesos superviventes gárdanse a 3 bits — máis agresivo ca os niveis W4A16-AUTOROUND-REAP e W8A16 doutras partes do noso catálogo, e reservado para as bases máis grandes, onde non hai outro xeito de meter un modelo de tres cuartos de billón de parámetros nun nodo de servizo e manter os tokens fluíndo a un ritmo utilizable.

A compresión non é gratuíta. O modelo mental correcto: a poda e a cuantización degradan primeiro a longa cola. Os comportamentos densos e exercitados con frecuencia — seguimento de instrucións, estrutura do código, formato das chamadas de ferramentas, planificación en varios pasos — sobreviven ben, que é precisamente o que amosan os resultados de REAP. A memoria de datos escuros, as linguas raras e as trivialidades de dominios de nicho son onde debes esperar unha diferenza fronte a un GLM-5.2 sen comprimir. Se a túa carga de traballo é "saber de memoria un dato pouco común", paga por un nivel de maior fidelidade. Se é "executar un plan ao longo de corenta chamadas de ferramentas sen descarrilar", este é o nivel para o que se deseñou o método.

04O argumento do valor: canto custa realmente executar unha API de LLM sen censura barata

O prezo de tarifa publicado pola propia API de Z.ai para GLM-5.2 é de $1.40 por millón de tokens de entrada e $4.40 por millón de saída. O noso prezo sobre a mesma base é de $0.73 / $2.34 — arredor dun 48% menos na entrada e un 47% menos na saída. Ese desconto é o que compra a compresión, e vén cunha segunda cousa que non podes mercar no servizo oficial a ningún prezo: nada de capa de negativas.

Dentro do noso propio catálogo, o custo mesturado é a cifra que importa. Aquí está cunha proporción de 3:1 entre entrada e saída, aproximadamente o aspecto que ten na práctica un axente que chama ferramentas — moito contexto e moitos resultados de ferramentas entrando, e comparativamente poucos tokens saíndo.

Modelo	Entrada / 1M	Saída / 1M	Mesturado 3:1	Visión
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	Si
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Non
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Si
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Si

Seis modelos están no chan de $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro e Hy3 — cunha tarifa mesturada de $0.875. GLM-5.2 está un 29% por riba dese chan e cómprache unha base de clase 744B cun investimento sostido en comportamento de axente detrás. Todo o que está por riba del custa polo menos un 23% máis en mesturado, e Kimi-K3 custa 6.8× máis. Ese é o argumento do valor nunha soa fila: o sitio máis barato do catálogo onde mercar unha base de primeiro nivel para axentes.

Convertido en traballo

• Un enchido completo do contexto — 262,144 tokens de entrada: $0.19. Un repositorio grande enteiro lido na xanela por menos de vinte céntimos.
• Unha completación de lonxitude máxima — 16,384 tokens de saída: $0.038.
• Unha quenda de axente — 20K de entrada, 2K de saída: $0.019. A mesma quenda custa $0.115 en Kimi-K3 e $0.047 en DeepSeek-V4-Pro.
• Cen quendas de axente: $1.93, fronte a $11.48 no modelo máis caro do catálogo.

As cargas de traballo con axentes son intensivas en entrada, e a vantaxe de GLM é maior xustamente aí: o seu prezo de entrada é 5.2× máis baixo có de Kimi-K3 e 2.7× máis baixo có de DeepSeek-V4-Pro. Se o teu axente reenvía unha conversa crecente en cada quenda — e case todos os axentes o fan —, ese multiplicador é o que acaba na túa factura.

05Que significa "sen censura" neste endpoint

Dúas cousas, con precisión: ningunha capa de negativas — ningún clasificador que decida que peticións pode ver o modelo, e ningún modelo de política que reescriba o teu prompt antes de que chegue — e ningún filtrado da saída, é dicir, os tokens que produce o modelo son os tokens que recibes, sen censuras nin substitucións.

Iso é unha proposta distinta da dunha API comercial que anuncia un modo "relaxado" ou "para desenvolvedores". Esas seguen enrutando o tráfico pola pila de políticas dun provedor; o que cambia é o limiar, non a existencia da porta. Aquí non hai porta que axustar — o modelo execútase no noso propio clúster de GPU, e o seu comportamento é o comportamento da base. Le o achado do NIST CAISI da sección 02 como unha afirmación técnica e non como unha advertencia e explica o produto: un modelo cuxo aliñamento vive nos seus pesos, servido sen unha capa de políticas externa, compórtase segundo os seus pesos.

Por que isto importa especialmente para os axentes

As negativas adóitanse discutir como unha cuestión de contido. No traballo con axentes son sobre todo unha cuestión de fiabilidade. Unha negativa na quenda 31 dunha execución de 40 quendas non é un rexeitamento cortés que les e superas — é un paso malformado, un orquestrador que non sabe como seguir, un plan roto e 30 quendas de tokens gastados sen nada que amosar. A investigación en seguridade, a análise de malware, os tests de intrusión, o red-teaming, a ficción para adultos, a redacción médica e xurídica e a xeración de conxuntos de datos para adestramento en seguridade topan con isto constantemente, e o fallo é caro precisamente porque chega tarde.

A contrapartida é que a capa de políticas agora é túa. O uso da pasarela de Shannon AI réxese pola nosa Política de Uso Responsable; sacar do circuíto o criterio dun provedor significa poñer o teu.

06Que che dá realmente o endpoint

Capacidade	GLM-5.2 · 3BIT-REAP
Identificador do modelo	GLM-5.2-3BIT-REAP
Xanela de contexto	262,144 tokens
Saída máxima por petición	16,384 tokens
Streaming	Si
Chamada de ferramentas	Si
Razoamento / reasoning_effort	Si
JSON Schema (json_schema)	Si
response_format	Si
Visión / entrada de imaxe	Non — só texto
Capa de negativas / filtrado da saída	Ningún

Le con atención a fila da visión antes de construír nada. GLM-5.2 é só texto na nosa pasarela. Se precisas entrada de imaxe, o catálogo ten cinco opcións con visión — MiniMax-M3 e MiMo-V2.5 no chan de $0.50 / $2.00, Kimi-K2.6 a $0.78 / $3.67, inkling a $1.42 / $6.07 e Kimi-K3 a $3.83 / $19.12. Un patrón sensato é enrutar a comprensión de imaxes a MiniMax-M3 e todo o demais a GLM-5.2, o que non custa máis ca unha cadea de modelo.

Tres dialectos, un modelo

O mesmo modelo é accesible a través de tres formatos de petición, todos con streaming: /v1/chat/completions (dialecto de OpenAI), /v1/messages (dialecto de Anthropic) e /v1/responses. Nada do modelo cambia entre eles — escolle o que xa fale o teu SDK e normalmente estarás a un cambio de URL base de botalo a andar.

# 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,
)

Os esquemas completos de petición e resposta dos tres dialectos, o formato de chamada de ferramentas, as formas dos eventos de streaming e un playground interactivo están na documentación da API de Shannon AI.

07Cando escoller GLM-5.2 — e cando non

Acode a el cando

• Executas axentes. Os bucles longos de chamada de ferramentas son para o que se construíu e se postadestrou repetidamente esta liñaxe, e o prezo de entrada fai asequible reenviar unha conversa crecente en cada quenda.
• Traballas sobre unha base de código grande. 262K de contexto, formato fiable nas chamadas de ferramentas e $0.19 para ler a xanela enteira.
• O volume é a túa restrición. Clasificación, extracción, xeración de datos sintéticos, reescritura masiva — calquera cousa na que o custo por chamada multiplicado por un número grande decide se o proxecto é viable.
• As negativas están a romper a túa canalización. Investigación en seguridade, probas adversariais, ficción sen censura, redacción sensible — ese modo de fallo non está aquí.

Acode a outra cousa cando

• Precisas visión. Só texto. Mira as opcións con visión de máis arriba.
• Precisas o razoamento máis profundo nunha soa quenda. Para os problemas analíticos dun só disparo máis difíciles, DeepSeek-V4-Pro-0813 · 3BIT-REAP é o instrumento pesado a 2.2× o custo mesturado — nas chamadas nas que a restrición é o teito, ese é o trato correcto.
• Precisas a máxima fidelidade en coñecemento escuro. O nivel W8A16 — MiMo-V2.5-Pro e Hy3 — está comprimido moito menos agresivamente e sitúase no chan de $0.50 / $2.00, sobre bases máis pequenas.

As cifras de benchmark de GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) están informadas por Z.ai para a base sen comprimir; a replicación independente está pendente. As cifras de Claude Opus 4.8 e GPT-5.5 amósanse só como referencia. Prezo de tarifa da API oficial de GLM-5.2 tal e como o publicou Z.ai, setembro de 2026.

08Preguntas frecuentes

---

Fontes: Repositorio 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 · Avaliación do NIST CAISI de GLM-5.2 de Z.ai, xullo de 2026. As puntuacións de benchmark da base están informadas polo laboratorio e son provisionais; describen o GLM-5.2 sen comprimir, non esta compilación comprimida. As cifras de prezo, contexto e capacidade son valores do catálogo de Shannon AI a 5 de setembro de 2026.