અમે કોઈ વપરાશકર્તાનો ડેટા રાખતા કે ઍક્સેસ કરતા નથી, અને કાયદેસર સત્તા અમલ કાર્યવાહી જરૂરી ન કરે ત્યાં સુધી એકાઉન્ટ સસ્પેન્ડ કરતા નથી.

મોડેલ કાર્ડ · GLM-5.2 · 3BIT-REAP

અનસેન્સર્ડ GLM API: ટોકન દીઠ શ્રેષ્ઠ વેલ્યુ

Z.ai નું એજન્ટિક GLM ફાઉન્ડેશન, અમારા પોતાના GPU ક્લસ્ટર પર કોઈ ઇનકાર સ્તર વગર સર્વ થાય છે — 262K કોન્ટેક્સ્ટ, ટૂલ કૉલિંગ, અને એ જ વંશ ફર્સ્ટ-પાર્ટી પર જે ખર્ચે છે તેના અડધા કરતાં ઓછું બ્લેન્ડેડ ભાવ.

અપડેટ: 5 સપ્ટેમ્બર, 2026મોડેલ કાર્ડફાઉન્ડેશન: GLM-5.2 (Z.ai)

ટૂંકમાં

GLM-5.2-3BIT-REAP એ Shannon AI ગેટવે પરનું મોડેલ છે જેને અમે ડિફૉલ્ટ રીતે ભલામણ કરીએ છીએ. તે GLM વંશનું 744-બિલિયન-પેરામીટર સ્પાર્સ મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ ફાઉન્ડેશન ચલાવે છે — GLM-4.5 થી સ્પષ્ટપણે એજન્ટિક ટૂલ યુઝ માટે તાલીમ પામેલું — 3-બિટ વેઇટ્સ અને REAP એક્સપર્ટ પ્રુનિંગ સાથે કમ્પ્રેસ કરેલું જેથી તે ફિટ થાય અને ઝડપી રહે. તમને 262,144-ટોકન કોન્ટેક્સ્ટ, 16,384 ટોકનનું આઉટપુટ, ટૂલ કૉલિંગ, એડજસ્ટેબલ reasoning_effort સાથે રિઝનિંગ, અને JSON Schema સ્ટ્રક્ચર્ડ આઉટપુટ મળે છે, 1 મિલિયન ટોકન દીઠ $0.73 / $2.34 પર. કોઈ ઇનકાર સ્તર નથી અને કોઈ આઉટપુટ ફિલ્ટર નથી. ફક્ત ટેક્સ્ટ — કોઈ વિઝન નહીં.

મોટાભાગની "સૌથી સસ્તું મોડેલ" સરખામણીઓ અપ્રામાણિક છે, કારણ કે સસ્તો વિકલ્પ સામાન્ય રીતે એક નાનું મોડેલ હોય છે જે મોટા મોડેલનું માર્કેટિંગ પહેરેલું હોય. અહીં એવું નથી થઈ રહ્યું. GLM-5.2 એ કોઈએ પણ રિલીઝ કરેલા સૌથી મોટા ઓપન-વેઇટ્સ ફાઉન્ડેશનમાંનું એક છે, અને $0.73 ઇન / $2.34 આઉટ પર તે અમારા કેટલોગના તળિયાથી એક પગથિયું ઉપર બેસે છે જ્યારે તે ફાઉન્ડેશન ધરાવે છે જે એ તળિયું સામાન્ય રીતે ખરીદે છે તેના કરતાં ઘણું મોટું છે. એ ગેપ — મોટું મોડેલ, તળિયાની નજીકનો ભાવ — એ કારણ છે કે આ પાનું અસ્તિત્વમાં છે.

01GLM ક્યાંથી આવે છે: Tsinghua, બ્લેન્ક ઇનફિલિંગ, અને એજન્ટ તરફનો સખત વળાંક

GLM કોઈ રિબેજ કરેલું Llama વ્યુત્પન્ન નથી. તે થોડાં મોડેલ પરિવારોમાંનું એક છે જેની પોતાની પ્રિટ્રેનિંગ ઉદ્દેશ છે, પાંચ વર્ષથી એ જ સંશોધન જૂથ દ્વારા પુનરાવર્તિત. નામ General Language Model માટે છે, અને સ્થાપક પેપર — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — એ BERT ના masked language modeling અને GPT ના સખત left-to-right autoregression ની બાજુમાં ત્રીજો વિકલ્પ સૂચવ્યો. GLM સંલગ્ન સ્પાન ખાલી કરે છે અને તેમને શફલ કરેલા ક્રમમાં ઑટોરિગ્રેસિવલી ફરીથી બનાવે છે, બે-પરિમાણીય પોઝિશનલ એન્કોડિંગ સાથે જે ટોકનની ભ્રષ્ટ ડોક્યુમેન્ટમાંની સ્થિતિ અને ભરાઈ રહેલા સ્પાનની અંદરની તેની સ્થિતિ બંનેને ટ્રેક કરે છે: એક આર્કિટેક્ચર જે સમજણ અને જનરેશન બંનેને સમાનપણે સારી રીતે સંભાળે છે.

તેની પાછળનું જૂથ Tsinghua University નું Knowledge Engineering Group હતું, જેમાંથી હવે Z.ai (અગાઉ Zhipu AI) તરીકે ઓળખાતી કંપની અલગ થઈ. તેની પહેલી હેડલાઇન કૃતિ ઓક્ટોબર 2022માં GLM-130B હતી — 130-બિલિયન-પેરામીટરનું બાયલિંગ્વલ અંગ્રેજી/ચાઇનીઝ ડેન્સ મોડેલ, વેઇટ્સ અને કોડ પ્રકાશન સમયે જાહેરમાં રિલીઝ કરેલા. ઓપન રિલીઝ ત્યારથી ઘરની શૈલી રહી છે.

MoE યુગ, અને એજન્ટ તરફનો ઝુકાવ

28 જુલાઈ, 2025 — GLM-4.5

સ્પષ્ટપણે એજન્ટ-નેટિવ ફાઉન્ડેશન તરીકે બનેલું પહેલું ફ્લેગશિપ: 355B કુલ પેરામીટર, ટોકન દીઠ 32B એક્ટિવ, શેર્ડ એક્સપર્ટ અને Multi-Token Prediction સાથે સ્પાર્સ MoE, 128K કોન્ટેક્સ્ટ, અને બે મોડ — રિઝનિંગ અને ટૂલ યુઝ માટે "thinking", વત્તા એક ઝડપી non-thinking મોડ. લગભગ 15T પ્રિટ્રેનિંગ ટોકન, પછી કોડ, રિઝનિંગ અને એજન્ટ ટ્રેજેક્ટરી પર પોસ્ટ-ટ્રેનિંગ, ઉપર RL સાથે.

30 સપ્ટેમ્બર, 2025 — GLM-4.6

લાંબી વિન્ડો (128K થી 200K), સારો વાસ્તવિક-જગતનો કોડિંગ, અને લાંબા સેશનમાં ઓછા તૂટેલા ટૂલ કૉલ. LiveCodeBench v6 GLM-4.5 પરના 63.3 થી 82.8 સુધી ગયો — પોઇન્ટ રિલીઝ માટે અસામાન્ય ઉછાળો, અને લેબનું ધ્યાન ક્યાં હતું તેનો સ્પષ્ટ સંકેત.

11 ફેબ્રુઆરી, 2026 — GLM-5

From Vibe Coding to Agentic Engineering ટેગલાઇન હેઠળ સ્કેલ-અપ. 744B કુલ પેરામીટર લગભગ 40B એક્ટિવ સાથે, top-8 રાઉટિંગ સાથે 256 એક્સપર્ટ (લગભગ 5.9% સ્પાર્સિટી), લાંબા-કોન્ટેક્સ્ટ કાર્યક્ષમતા માટે DeepSeek Sparse Attention, અને 23T થી 28.5T ટોકન સુધી વધેલો કોર્પસ. પોસ્ટ-ટ્રેનિંગ લાંબા-ક્ષિતિજના એજન્ટ વર્તન તરફ લક્ષિત મોટા પાયે અસિંક્રોનસ RL તરફ ખસ્યું: પ્લાનિંગ, રિપોઝિટરી નેવિગેશન, અને પોતાનું કામ પુનરાવર્તિત રીતે સુધારવું.

એપ્રિલ–જૂન 2026 — GLM-5.1, પછી GLM-5.2

GLM-5.1 એપ્રિલમાં ઓપન વેઇટ્સ તરીકે શિપ થયું. GLM-5.2 જૂન 2026માં એ જ 744B / ~40B-એક્ટિવ લેઆઉટ પર અનુસર્યું, લાંબી વાપરી શકાય એવી વિન્ડો અને એજન્ટિક પોસ્ટ-ટ્રેનિંગના બીજા રાઉન્ડ સાથે — આ મોડેલ કાર્ડ જેના વિશે છે એ ફાઉન્ડેશન.

સામાન્ય દોરો કોઈ એક રિલીઝ કરતાં વધુ મહત્વનો છે. GLM-4.5 થી, દરેક વર્ઝન એક જ વસ્તુ માટે ઓપ્ટિમાઇઝ થયું છે: ડઝનબંધ ટૂલ કૉલમાં સુસંગત રહેવું. તે સિંગલ-ટર્ન બેન્ચમાર્ક સ્કોરને મહત્તમ કરવા કરતાં અલગ ઉદ્દેશ છે, અને તે ઓછા વિકૃત ટૂલ આર્ગ્યુમેન્ટ, લાંબા પ્લાનમાં ઓછો ડ્રિફ્ટ, અને "ટર્ન 14 પર આત્મવિશ્વાસપૂર્વક ટાસ્ક ફરીથી શરૂ કરે છે" જેવા વર્તન ઓછા તરીકે દેખાય છે જે એજન્ટ ફ્રેમવર્કને મોંઘા બનાવે છે.

02GLM-5.2 શું છે, અને તે શેના પર માપવામાં આવ્યું

744B

કુલ પેરામીટર

~40B

એક્ટિવ / ટોકન

256

એક્સપર્ટ (top-8)

ઓપન

રિલીઝ થયેલા વેઇટ્સ

Z.ai GLM-5 રિપોઝિટરીમાં GLM-5.2 માટે બેન્ચમાર્ક આંકડા પ્રકાશિત કરે છે. બે ટ્રિવિયા યાદ રાખવાને બદલે ખરા એજન્ટિક કામ પર લાગુ પડે છે:

Claude Opus 4.885.0

GLM-5.281.0

Terminal-Bench 2.1 — લાંબા-ક્ષિતિજના કમાન્ડ-લાઇન એજન્ટ ટાસ્ક. Z.ai-જણાવેલું.

GLM-5.262.1

GPT-5.558.6

SWE-bench Pro — ખરા રિપોઝિટરી ઇશ્યૂ રિઝોલ્યુશન. Z.ai-જણાવેલું; GLM-5.1 એ જ ટેસ્ટ પર 58.4 સ્કોર કર્યો.

એ લેબના આંકડા છે, અમારા નહીં, અને તે અનકમ્પ્રેસ્ડ ફાઉન્ડેશનનું વર્ણન કરે છે. તે તમે જે વર્ગના મોડેલ સાથે વ્યવહાર કરી રહ્યા છો તે સ્થાપિત કરે છે, વોરંટી નહીં.

એક ડેટાપોઇન્ટ બેન્ચમાર્ક કરતાં વધુ મૂલ્યવાન છે, કારણ કે તે એવા મૂલ્યાંકનકારમાંથી આવે છે જેને મોડેલને ખુશ કરવાનું કોઈ પ્રોત્સાહન નથી. જુલાઈ 2026માં US National Institute of Standards and Technology ના Center for AI Standards and Innovation એ GLM-5.2 નું મૂલ્યાંકન કર્યું અને તારણ કાઢ્યું કે તે તે રિલીઝ થયું ત્યારે ઉપલબ્ધ સૌથી સક્ષમ ઓપન-વેઇટ AI મોડેલ કદાચ હતું, GPT-5.2 સાથે તુલનીય એકંદર ક્ષમતાઓ અને Claude Opus 4.6 સાથે તુલનીય સાયબર ક્ષમતાઓ સાથે. એ જ મૂલ્યાંકને નોંધ્યું કે GLM-5.2 US રેફરન્સ મોડેલ કરતાં ઓછી સંવેદનશીલ વિનંતીઓ બ્લોક કરે છે, અને ઓપન વેઇટ્સમાં જડેલા સેફગાર્ડને એકવાર એ વેઇટ્સ સેલ્ફ-હોસ્ટ થાય ત્યારે બાયપાસ કરી શકાય છે. વિભાગ 05 તેના પર પાછો ફરે છે.

03"3BIT-REAP" નો શું અર્થ થાય છે, અને તેની કિંમત તમને શું પડે છે

REAP: એક્સપર્ટને મર્જ કરવાને બદલે પ્રુન કરવા

744B-પેરામીટર MoE મોડેલમાં દરેક લેયર દીઠ 256 એક્સપર્ટ છે, જેમાંથી કોઈપણ ટોકન પર 8 ફાયર થાય છે. રાઉટર કામને સમાનપણે ફેલાવતું નથી — કેટલાક એક્સપર્ટ સતત વપરાય છે, અને એક લાંબી પૂંછડી ભાગ્યે જ વપરાય છે અને ત્યારે પણ ઓછું યોગદાન આપે છે. REAP (Router-weighted Expert Activation Pruning), Cerebras Research તરફથી અને ICLR 2026 માટે સ્વીકૃત, તેનો ફાયદો ઉઠાવે છે: તે દરેક એક્સપર્ટને રાઉટર તેને કેટલી મજબૂત અને કેટલી વાર ગેટ કરે છે તેને તેના આઉટપુટ યોગદાનની તીવ્રતા સાથે જોડતા સેલિયન્સી માપદંડથી સ્કોર કરે છે, પછી નીચા સ્કોર કરનારાઓને કાયમ માટે કાઢી નાખે છે.

રસપ્રદ ભાગ એ છે કે REAP કઈ સરખામણી જીતે છે. એક એક્સપર્ટને કાઢી નાખવાનો સ્પષ્ટ વિકલ્પ છે તેને બચેલા એકમાં મર્જ કરવો, જે વધુ સલામત લાગે છે. પેપરનું તારણ 20B થી 1T પેરામીટર સુધીના MoE મોડેલોમાં એ છે કે મર્જિંગ ખરેખર જનરેટિવ કામ માટે ખરાબ છે, અને પ્રુનિંગ નોંધપાત્ર રીતે ટકે છે: અડધા એક્સપર્ટ કાઢી નાખ્યા પછી પણ કોડ જનરેશન અને ટૂલ-કૉલિંગ બેન્ચમાર્ક પર લગભગ-લોસલેસ, Qwen3-Coder-480B અને Kimi-K2 સહિતના ફાઉન્ડેશન પર. કોડ અને ટૂલ કૉલિંગ અકબંધ ટકવું એ બરાબર એ છે જે તમે એવા મોડેલ પર જાળવવા માગો છો જેના અસ્તિત્વનું કારણ એજન્ટિક એન્જિનિયરિંગ છે.

3-બિટ વેઇટ્સ, અને પ્રામાણિક ટ્રેડ-ઓફ

પ્રુનિંગ ઉપર, બચેલા વેઇટ્સ 3 બિટ પર સંગ્રહાય છે — અમારા કેટલોગમાં બીજે W4A16-AUTOROUND-REAP અને W8A16 ટાયર કરતાં વધુ આક્રમક, અને ફક્ત સૌથી મોટા ફાઉન્ડેશન માટે અનામત, જ્યાં ત્રણ-ચતુર્થાંશ-ટ્રિલિયન-પેરામીટર મોડેલને સર્વિંગ નોડ પર મૂકવાનો અને ટોકનને વાપરી શકાય એવા દરે વહેતા રાખવાનો બીજો કોઈ રસ્તો નથી.

કમ્પ્રેશન મફત નથી. સાચી માનસિક છબી: પ્રુનિંગ અને ક્વોન્ટાઇઝેશન પહેલાં લાંબી પૂંછડીને બગાડે છે. ડેન્સ, વારંવાર વપરાતું વર્તન — સૂચના પાલન, કોડ સ્ટ્રક્ચર, ટૂલ-કૉલ ફોર્મેટિંગ, મલ્ટિ-સ્ટેપ પ્લાનિંગ — સારી રીતે ટકે છે, જે બરાબર REAP પરિણામો બતાવે છે. અસ્પષ્ટ તથ્યાત્મક યાદશક્તિ, દુર્લભ ભાષાઓ અને વિશિષ્ટ ડોમેન ટ્રિવિયા એ છે જ્યાં તમારે અનકમ્પ્રેસ્ડ GLM-5.2 સામે ફરક અપેક્ષિત રાખવો જોઈએ. જો તમારો વર્કલોડ "એક અસામાન્ય તથ્ય ચોકસાઈથી જાણવું" છે, તો ઊંચા-ફિડેલિટી ટાયર માટે ચૂકવો. જો તે "ચાળીસ ટૂલ કૉલમાં પાટા પરથી ઊતર્યા વગર એક પ્લાન ચલાવવો" છે, તો આ એ ટાયર છે જેના માટે પદ્ધતિ ડિઝાઇન કરાયેલી હતી.

04વેલ્યુ કેસ: સસ્તા અનસેન્સર્ડ LLM API ને ચલાવવાનો ખરેખર શું ખર્ચ થાય છે

$0.73

1M ઇનપુટ દીઠ

$2.34

1M આઉટપુટ દીઠ

262K

કોન્ટેક્સ્ટ વિન્ડો

16K

મહત્તમ આઉટપુટ

GLM-5.2 માટે Z.ai ની પોતાની પ્રકાશિત API લિસ્ટ કિંમત 1 મિલિયન ઇનપુટ ટોકન દીઠ $1.40 અને 1 મિલિયન આઉટપુટ દીઠ $4.40 છે. એ જ ફાઉન્ડેશન પર અમારી કિંમત $0.73 / $2.34 છે — ઇનપુટ પર લગભગ 48% ઓછું અને આઉટપુટ પર 47% ઓછું. એ ડિસ્કાઉન્ટ કમ્પ્રેશન ખરીદે છે, અને તેની સાથે એક બીજી વસ્તુ આવે છે જે તમે ફર્સ્ટ-પાર્ટી પર કોઈપણ કિંમતે ખરીદી શકતા નથી: કોઈ ઇનકાર સ્તર નહીં.

અમારા પોતાના કેટલોગમાં, બ્લેન્ડેડ ખર્ચ એ આંકડો છે જે મહત્વનો છે. અહીં તે 3:1 ઇનપુટ-ટુ-આઉટપુટ રેશિયો પર છે, જે વ્યવહારમાં ટૂલ-કૉલિંગ એજન્ટ જેવો દેખાય છે તેની લગભગ નજીક — ઇન જતું ઘણું કોન્ટેક્સ્ટ અને ટૂલ પરિણામો, પ્રમાણમાં ઓછા ટોકન બહાર આવતા.

મોડેલ	ઇન / 1M	આઉટ / 1M	બ્લેન્ડેડ 3:1	વિઝન
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	ના
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	ના
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	હા
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	ના
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	હા
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	હા

છ મોડેલ $0.50 / $2.00 તળિયા પર બેસે છે — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro અને Hy3 — $0.875 નો બ્લેન્ડેડ દર. GLM-5.2 એ તળિયાથી 29% ઉપર છે અને તેની પાછળ એજન્ટિક વર્તનમાં સતત રોકાણ ધરાવતું 744B-ક્લાસ ફાઉન્ડેશન ખરીદે છે. તેની ઉપર કિંમત ધરાવતું બધું ઓછામાં ઓછું 23% વધુ બ્લેન્ડેડ ખર્ચે છે, અને Kimi-K3 6.8× વધુ ખર્ચે છે. એ એક લીટીમાં વેલ્યુની દલીલ છે: ટોપ-ટાયર એજન્ટિક ફાઉન્ડેશન ખરીદવા માટે કેટલોગમાં સૌથી સસ્તી જગ્યા.

કામમાં રૂપાંતરિત

એક પૂરી કોન્ટેક્સ્ટ ફિલ — 262,144 ઇનપુટ ટોકન: $0.19. વીસ સેન્ટથી ઓછામાં આખી મોટી રિપોઝિટરી વિન્ડોમાં વાંચેલી.
એક મહત્તમ-લંબાઈનું કમ્પ્લિશન — 16,384 આઉટપુટ ટોકન: $0.038.
એક એજન્ટ ટર્ન — 20K ઇન, 2K આઉટ: $0.019. એ જ ટર્ન Kimi-K3 પર $0.115 અને DeepSeek-V4-Pro પર $0.047 ખર્ચે છે.
સો એજન્ટ ટર્ન: $1.93, કેટલોગમાં સૌથી મોંઘા મોડેલ પર $11.48 ની સામે.

એજન્ટિક વર્કલોડ ઇનપુટ-ભારે હોય છે, અને GLM નો ફાયદો બરાબર ત્યાં જ સૌથી મોટો છે: તેની ઇનપુટ કિંમત Kimi-K3 કરતાં 5.2× ઓછી અને DeepSeek-V4-Pro કરતાં 2.7× ઓછી છે. જો તમારો એજન્ટ દરેક ટર્ને વધતી જતી વાતચીત ફરીથી મોકલે છે — અને લગભગ દરેક એજન્ટ કરે છે — તો એ ગુણક જ છેવટે તમારા ઇન્વોઇસ પર ઉતરે છે.

05આ એન્ડપોઇન્ટ પર "અનસેન્સર્ડ" નો શું અર્થ થાય છે

ચોક્કસપણે બે વસ્તુઓ: કોઈ ઇનકાર સ્તર નહીં — કયા વિનંતીઓ મોડેલને જોવાની પરવાનગી છે તે નક્કી કરતું કોઈ ક્લાસિફાયર નહીં, અને તમારો પ્રોમ્પ્ટ પહોંચે તે પહેલાં તેને ફરીથી લખતું કોઈ પોલિસી મોડેલ નહીં — અને કોઈ આઉટપુટ ફિલ્ટરિંગ નહીં, એટલે કે મોડેલ ઉત્પન્ન કરે છે એ ટોકન જ તમને મળે છે, અસંશોધિત અને અબદલાયેલા.

એ "relaxed" કે "developer" મોડની જાહેરાત કરતા કમર્શિયલ API કરતાં અલગ પ્રસ્તાવ છે. તે હજુ પણ ટ્રાફિકને વેન્ડરના પોલિસી સ્ટેક દ્વારા રૂટ કરે છે; જે બદલાય છે તે થ્રેશોલ્ડ છે, ગેટનું અસ્તિત્વ નહીં. અહીં ટ્યુન કરવા માટે કોઈ ગેટ નથી — મોડેલ અમારા પોતાના GPU ક્લસ્ટર પર ચાલે છે, અને તેનું વર્તન ફાઉન્ડેશનનું વર્તન છે. વિભાગ 02 માંથી NIST CAISI તારણને ચેતવણીને બદલે ટેકનિકલ નિવેદન તરીકે વાંચો અને તે પ્રોડક્ટ સમજાવે છે: એક મોડેલ જેનું અલાઇનમેન્ટ તેના વેઇટ્સમાં રહે છે, બાહ્ય પોલિસી સ્તર વગર સર્વ થાય છે, તેના વેઇટ્સ પ્રમાણે વર્તે છે.

એજન્ટ માટે ખાસ કરીને આ કેમ મહત્વનું છે

ઇનકાર સામાન્ય રીતે એક કન્ટેન્ટ પ્રશ્ન તરીકે ચર્ચાય છે. એજન્ટિક કામમાં તે મોટાભાગે એક વિશ્વસનીયતા પ્રશ્ન છે. 40-ટર્નના રનના ટર્ન 31 પર ઇનકાર એ કોઈ નમ્ર ઇનકાર નથી જે તમે વાંચીને આગળ વધો — તે એક વિકૃત પગલું છે, એક ઓર્કેસ્ટ્રેટર જેને ખબર નથી કેવી રીતે આગળ વધવું, એક તૂટેલો પ્લાન, અને 30 ટર્ન ખર્ચેલા ટોકન કંઈ બતાવવા વગર. સિક્યુરિટી રિસર્ચ, માલવેર વિશ્લેષણ, પેનેટ્રેશન ટેસ્ટિંગ, રેડ-ટીમિંગ, પુખ્ત કાલ્પનિક કથા, મેડિકલ અને લીગલ ડ્રાફ્ટિંગ, અને સેફ્ટી તાલીમ માટે ડેટાસેટ જનરેશન આ બધું સતત અનુભવે છે, અને નિષ્ફળતા મોંઘી છે બરાબર કારણ કે તે મોડેથી ઊતરે છે.

બીજી બાજુ એ છે કે પોલિસી સ્તર હવે તમારું છે. Shannon AI ગેટવેનો ઉપયોગ અમારી જવાબદાર ઉપયોગ નીતિ દ્વારા સંચાલિત છે; વેન્ડરના નિર્ણયને લૂપમાંથી કાઢવાનો અર્થ છે તમારો પોતાનો પૂરો પાડવો.

06એન્ડપોઇન્ટ ખરેખર તમને શું આપે છે

ક્ષમતા	GLM-5.2 · 3BIT-REAP
મોડેલ id	GLM-5.2-3BIT-REAP
કોન્ટેક્સ્ટ વિન્ડો	262,144 ટોકન
વિનંતી દીઠ મહત્તમ આઉટપુટ	16,384 ટોકન
સ્ટ્રીમિંગ	હા
ટૂલ કૉલિંગ	હા
રિઝનિંગ / `reasoning_effort`	હા
JSON Schema (`json_schema`)	હા
`response_format`	હા
વિઝન / ઇમેજ ઇનપુટ	ના — ફક્ત ટેક્સ્ટ
ઇનકાર સ્તર / આઉટપુટ ફિલ્ટરિંગ	કંઈ નહીં

બનાવતાં પહેલાં વિઝન પંક્તિ કાળજીપૂર્વક વાંચો. અમારા ગેટવે પર GLM-5.2 ફક્ત ટેક્સ્ટ છે. જો તમને ઇમેજ ઇનપુટ જોઈએ, તો કેટલોગમાં પાંચ વિઝન-સક્ષમ વિકલ્પો છે — $0.50 / $2.00 તળિયા પર MiniMax-M3 અને MiMo-V2.5, $0.78 / $3.67 પર Kimi-K2.6, $1.42 / $6.07 પર inkling, અને $3.83 / $19.12 પર Kimi-K3. એક સમજદાર પેટર્ન છે ઇમેજ સમજણને MiniMax-M3 પર અને બાકીનું બધું GLM-5.2 પર રૂટ કરવું, જેની કિંમત મોડેલ સ્ટ્રિંગ સિવાય કંઈ નથી.

ત્રણ ડાયલેક્ટ, એક મોડેલ

એ જ મોડેલ ત્રણ વિનંતી ફોર્મેટ દ્વારા પહોંચી શકાય એવું છે, બધા સ્ટ્રીમિંગ: /v1/chat/completions (OpenAI ડાયલેક્ટ), /v1/messages (Anthropic ડાયલેક્ટ), અને /v1/responses. તેમની વચ્ચે મોડેલ વિશે કંઈ બદલાતું નથી — તમારું SDK પહેલેથી જે બોલે છે તે પસંદ કરો, અને તમે સામાન્ય રીતે એક બેઝ-URL ફેરફારથી ચલાવવાથી દૂર છો.

# 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,
)

ત્રણેય ડાયલેક્ટ માટે પૂરા વિનંતી અને પ્રતિભાવ સ્કીમા, ટૂલ-કૉલિંગ ફોર્મેટ, સ્ટ્રીમિંગ ઇવેન્ટ આકાર, અને એક ઇન્ટરેક્ટિવ પ્લેગ્રાઉન્ડ Shannon AI API ડોક્યુમેન્ટેશનમાં છે.

07GLM-5.2 ક્યારે પસંદ કરવું — અને ક્યારે નહીં

તેને વાપરો જ્યારે

તમે એજન્ટ ચલાવી રહ્યા છો. લાંબા ટૂલ-કૉલિંગ લૂપ એ છે જેના માટે આ વંશ બનેલો અને વારંવાર પોસ્ટ-ટ્રેઇન કરેલો છે, અને ઇનપુટ કિંમત દરેક ટર્ને વધતી જતી વાતચીત ફરીથી મોકલવાનું પોસાય એવું બનાવે છે.
તમે મોટા કોડબેઝ પર કામ કરી રહ્યા છો. 262K કોન્ટેક્સ્ટ, વિશ્વસનીય ટૂલ-કૉલ ફોર્મેટિંગ, અને પૂરી વિન્ડો વાંચવા માટે $0.19.
વોલ્યુમ તમારી મર્યાદા છે. વર્ગીકરણ, નિષ્કર્ષણ, સિન્થેટિક ડેટા જનરેશન, બલ્ક રિરાઇટિંગ — કોઈપણ વસ્તુ જ્યાં કૉલ-દીઠ ખર્ચ ગુણ્યા મોટી સંખ્યા પ્રોજેક્ટ વ્યવહારુ છે કે નહીં તે નક્કી કરે છે.
ઇનકાર તમારી પાઇપલાઇન તોડી રહ્યા છે. સિક્યુરિટી રિસર્ચ, એડવર્સેરિયલ ટેસ્ટિંગ, અનસેન્સર્ડ કાલ્પનિક કથા, સંવેદનશીલ ડ્રાફ્ટિંગ — એ નિષ્ફળતાની રીત અહીં હાજર નથી.

બીજું કંઈક વાપરો જ્યારે

તમને વિઝન જોઈએ છે. ફક્ત ટેક્સ્ટ. ઉપરના વિઝન-સક્ષમ વિકલ્પો જુઓ.
તમને સૌથી ઊંડું સિંગલ-ટર્ન રિઝનિંગ જોઈએ છે. સૌથી અઘરી વન-શોટ એનાલિટિકલ સમસ્યાઓ માટે, DeepSeek-V4-Pro-0813 · 3BIT-REAP એ 2.2× બ્લેન્ડેડ ખર્ચે ભારે સાધન છે — એવા કૉલ પર જ્યાં ટોચ જ મર્યાદા છે, એ યોગ્ય ટ્રેડ છે.
તમને અસ્પષ્ટ જ્ઞાન પર મહત્તમ ફિડેલિટી જોઈએ છે. W8A16 ટાયર — MiMo-V2.5-Pro અને Hy3 — ઘણું ઓછું આક્રમક રીતે કમ્પ્રેસ કરેલા છે અને નાના ફાઉન્ડેશન પર $0.50 / $2.00 તળિયા પર બેસે છે.

કેટલોગમાં સરખામણી કરી રહ્યા છો? બધા બાર અનસેન્સર્ડ મોડેલ એ જ 262,144-ટોકન કોન્ટેક્સ્ટ, 16,384-ટોકન આઉટપુટ મર્યાદા અને ત્રણ API ડાયલેક્ટ શેર કરે છે, એટલે સ્વિચ કરવું એક-લીટીનો ફેરફાર છે. Shannon AI Researchમાં દરેક મોડેલ કાર્ડ બ્રાઉઝ કરો, અથવા હેવીવેઇટ સરખામણી બિંદુથી શરૂ કરો: અનસેન્સર્ડ DeepSeek-V4-Pro મોડેલ કાર્ડ.

ડિઝાઇન દ્વારા પારદર્શક

આ પાનાં પરનો દરેક ફાઉન્ડેશન આંકડો અમારા સિવાય કોઈ બીજા દ્વારા પ્રકાશિત થાય છે. કિંમત અને ક્ષમતાના આંકડા અમારા પોતાના લાઇવ કેટલોગ મૂલ્યો છે, તમારી પોતાની કી પર /v1/models સામે ચકાસી શકાય એવા. પ્રાથમિક સોર્સ જાતે તપાસો.

Z.ai — GLM-5 રિપોઝિટરી GLM: Pretraining with Autoregressive Blank Infilling (ACL 2022) GLM-130B: An Open Bilingual Pre-trained Model REAP: Why Pruning Prevails for One-Shot MoE Compression (ICLR 2026) NIST CAISI — Z.ai ના GLM-5.2 નું મૂલ્યાંકન

GLM-5.2 બેન્ચમાર્ક આંકડા (Terminal-Bench 2.1, SWE-bench Pro) અનકમ્પ્રેસ્ડ ફાઉન્ડેશન માટે Z.ai દ્વારા જણાવેલા છે; સ્વતંત્ર પુનરાવર્તન બાકી છે. Claude Opus 4.8 અને GPT-5.5 ના આંકડા ફક્ત સંદર્ભ માટે બતાવેલા છે. ફર્સ્ટ-પાર્ટી GLM-5.2 API લિસ્ટ કિંમત Z.ai દ્વારા પ્રકાશિત, સપ્ટેમ્બર 2026.

08વારંવાર પુછાતા પ્રશ્નો

Shannon AI પર અનસેન્સર્ડ GLM API એટલે શું?

તે Shannon AI ગેટવે પર મોડેલ id GLM-5.2-3BIT-REAP છે: Z.ai ના GLM-5.2 એજન્ટિક ફાઉન્ડેશનનું કમ્પ્રેસ્ડ બિલ્ડ, અમારા પોતાના GPU ક્લસ્ટર પર કોઈ ઇનકાર સ્તર અને કોઈ આઉટપુટ ફિલ્ટરિંગ વગર સર્વ થાય છે. તેની કિંમત 1 મિલિયન ઇનપુટ ટોકન દીઠ $0.73 અને 1 મિલિયન આઉટપુટ ટોકન દીઠ $2.34 છે, 262,144-ટોકન કોન્ટેક્સ્ટ વિન્ડો ધરાવે છે, અને /v1/chat/completions, /v1/messages અને /v1/responses પર પહોંચી શકાય એવું છે.

GLM 5.2 અનસેન્સર્ડ કેટલોગમાંના બીજા મોટા મોડેલો કરતાં કેમ સસ્તું છે?

તેને કેવી રીતે કમ્પ્રેસ કરાયું છે તેના કારણે. 3BIT-REAP 3-બિટ વેઇટ્સને REAP સાથે જોડે છે, મિક્સ્ચર-ઓફ-એક્સપર્ટ્સ મોડેલો માટેની એક એક્સપર્ટ-પ્રુનિંગ પદ્ધતિ જે ક્વોન્ટાઇઝ કરતાં પહેલાં ભાગ્યે જ-રાઉટ થતા એક્સપર્ટને કાઢી નાખે છે. ટોકન દીઠ લગભગ 40B એક્ટિવ પેરામીટર ધરાવતું sparse MoE ફાઉન્ડેશન, આ રીતે પ્રુન અને ક્વોન્ટાઇઝ કરેલું, સમકક્ષ ક્વોલિટીના ડેન્સ મોડેલ કરતાં ઘણી ઓછી મેમરી અને ટોકન દીઠ ઘણા ઓછા GPU-સેકન્ડ રોકે છે, અને કિંમત તે પ્રતિબિંબિત કરે છે.

શું ઇનકાર વગરના GLM નો અર્થ છે કે મોડેલમાં કોઈ ગાર્ડરેલ જ નથી?

તેનો અર્થ છે કે Shannon કંઈ ઉમેરતું નથી. મોડેલની સામે કોઈ ઇનકાર ક્લાસિફાયર નથી અને તેમાંથી બહાર આવતા ટોકન પર કોઈ ફિલ્ટર નથી. ફાઉન્ડેશન તેની પોતાની તાલીમે તેને જે પણ વલણ આપ્યાં તે જાળવે છે, પણ કંઈ બાહ્ય તેમને ઓવરરાઇડ કરતું નથી. પોલિસી સ્તર તમારું છે, અને ઉપયોગ Shannon AI ની જવાબદાર ઉપયોગ નીતિને આધીન છે.

શું GLM-5.2 3BIT-REAP વિઝન કે ઇમેજ ઇનપુટને સમર્થન આપે છે?

ના. આ મોડેલ ફક્ત ટેક્સ્ટ છે. જો તમને અનસેન્સર્ડ એન્ડપોઇન્ટ પર ઇમેજ ઇનપુટ જોઈએ, તો કેટલોગમાં MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 કે inkling જેવા વિઝન-સક્ષમ મોડેલોમાંનું એક વાપરો. GLM-5.2 સ્ટ્રક્ચર્ડ આઉટપુટને સમર્થન આપે છે — json_schema અને response_format બંને — અને ટૂલ કૉલિંગને.

કોન્ટેક્સ્ટ વિન્ડો અને મહત્તમ આઉટપુટ લંબાઈ કેટલી છે?

વિનંતી દીઠ 262,144 ટોકન કોન્ટેક્સ્ટ અને 16,384 ટોકન આઉટપુટ. 1 મિલિયન ઇનપુટ ટોકન દીઠ $0.73 પર આખી કોન્ટેક્સ્ટ વિન્ડો એકવાર ભરવાનો ખર્ચ લગભગ 19 સેન્ટ છે, અને મહત્તમ-લંબાઈનું કમ્પ્લિશન 4 સેન્ટથી ઓછામાં થાય છે.

શું આ લાંબા ટૂલ-કૉલિંગ લૂપ માટે સારું એજન્ટિક અનસેન્સર્ડ મોડેલ છે?

તે એ છે જે અમે પહેલાં વાપરીએ છીએ. GLM વંશ GLM-4.5 થી સ્પષ્ટપણે એજન્ટિક કામ માટે તાલીમ પામેલો છે, ટૂલ કૉલિંગ અને reasoning_effort બંને સમર્થિત છે, અને કિંમતનો અર્થ છે કે વીસ-હજાર-ટોકનના સો એજન્ટ ટર્ન અગિયારને બદલે લગભગ બે ડોલરમાં આવે છે. એજન્ટ લૂપમાં ઇનકાર પણ ખરી નિષ્ફળતાની રીત છે, અને અહીં તેને ટ્રિગર કરવા માટે કોઈ ઇનકાર સ્તર નથી.

અનસેન્સર્ડ GLM API અજમાવો

$0.73 ઇન · $2.34 આઉટ · 262K કોન્ટેક્સ્ટ · કોઈ ઇનકાર સ્તર નહીં.

API ડોક્સ વાંચો બધા મોડેલ બ્રાઉઝ કરો

Shannon Lab LLC, ન્યૂ મેક્સિકો, USA · ઉપયોગ જવાબદાર ઉપયોગ નીતિ દ્વારા સંચાલિત

સોર્સ: Z.ai GLM-5 રિપોઝિટરી · 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 Assessment of Z.ai's GLM-5.2, July 2026. ફાઉન્ડેશન બેન્ચમાર્ક સ્કોર લેબ-જણાવેલા અને કામચલાઉ છે; તે અનકમ્પ્રેસ્ડ GLM-5.2 નું વર્ણન કરે છે, આ કમ્પ્રેસ્ડ બિલ્ડનું નહીં. કિંમત, કોન્ટેક્સ્ટ અને ક્ષમતાના આંકડા 5 સપ્ટેમ્બર, 2026 મુજબ Shannon AI કેટલોગ મૂલ્યો છે.

બધી સંશોધન લિંક્સ