अनसेंसर्ड GLM API: प्रति टोकन बेहतरीन मूल्य

"सबसे सस्ते मॉडल" की ज़्यादातर तुलनाएँ बेईमान होती हैं, क्योंकि सस्ता विकल्प आमतौर पर किसी बड़े मॉडल की मार्केटिंग पहने एक छोटा मॉडल होता है। यहाँ ऐसा नहीं हो रहा। GLM-5.2 अब तक जारी किए गए सबसे बड़े ओपन-वेट फ़ाउंडेशनों में से एक है, और $0.73 इन / $2.34 आउट पर यह हमारी कैटलॉग की सबसे निचली दर से बस एक पायदान ऊपर बैठता है, जबकि उस पायदान पर आमतौर पर जो मिलता है उससे कई गुना बड़ा फ़ाउंडेशन साथ लाता है। यही फ़र्क़ — बड़ा मॉडल, लगभग सबसे निचली कीमत — इस पेज के होने की वजह है।

01GLM कहाँ से आता है: Tsinghua, ब्लैंक इनफ़िलिंग, और एजेंट की ओर तीखा मोड़

GLM कोई नए नाम वाला Llama वंशज नहीं है। यह उन गिने-चुने मॉडल परिवारों में से है जिनका अपना प्री-ट्रेनिंग उद्देश्य है, और जिसे उसी शोध समूह ने पाँच साल तक निखारा है। नाम का मतलब है General Language Model, और संस्थापक पेपर — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — ने BERT की मास्क्ड लैंग्वेज मॉडलिंग और GPT के सख़्त बाएँ-से-दाएँ ऑटोरिग्रेशन के बगल में एक तीसरा विकल्प रखा। GLM लगातार फैले हुए हिस्सों को खाली करता है और उन्हें फेंटे हुए क्रम में ऑटोरिग्रेसिव ढंग से दोबारा बनाता है, और दो-आयामी पोज़िशनल एन्कोडिंग टोकन की बिगाड़े गए दस्तावेज़ में स्थिति तथा भरे जा रहे हिस्से के भीतर की स्थिति, दोनों पर नज़र रखती है: एक ही आर्किटेक्चर जो समझ और जनरेशन, दोनों को बराबरी से संभालता है।

इसके पीछे का समूह Tsinghua University का Knowledge Engineering Group था, जिससे वह कंपनी निकली जिसे अब Z.ai (पहले Zhipu AI) कहा जाता है। उसकी पहली सुर्खियों वाली कृति अक्टूबर 2022 में GLM-130B थी — 130 अरब पैरामीटर वाला द्विभाषी अंग्रेज़ी/चीनी डेंस मॉडल, जिसके वेट्स और कोड प्रकाशन के समय ही सार्वजनिक कर दिए गए। तब से खुली रिलीज़ ही इस घर की शैली रही है।

MoE का दौर, और एजेंट की ओर मोड़

किसी एक रिलीज़ से ज़्यादा मायने पूरी कहानी की दिशा रखती है। GLM-4.5 के बाद से हर संस्करण एक ही चीज़ के लिए अनुकूलित हुआ है: दर्जनों टूल कॉल के दौरान सुसंगत बने रहना। यह एकल-टर्न बेंचमार्क अंक बढ़ाने से अलग उद्देश्य है, और यह कम बिगड़े हुए टूल आर्ग्युमेंट, लंबी योजना में कम भटकाव, और "टर्न 14 पर आत्मविश्वास से काम दोबारा शुरू कर देने" वाले उस व्यवहार में कमी के रूप में दिखता है जो एजेंट फ़्रेमवर्क को महँगा बना देता है।

02GLM-5.2 है क्या, और उसे किन अंकों पर मापा गया

Z.ai GLM-5 रिपॉज़िटरी में GLM-5.2 के बेंचमार्क आँकड़े प्रकाशित करता है। इनमें से दो सामान्य जानकारी याद रखने के बजाय असली एजेंटिक काम से मेल खाते हैं:

Terminal-Bench 2.1 — लंबी अवधि वाले कमांड-लाइन एजेंट काम। Z.ai द्वारा बताया गया।

SWE-bench Pro — असली रिपॉज़िटरी में इशू सुलझाना। Z.ai द्वारा बताया गया; उसी टेस्ट पर GLM-5.1 ने 58.4 अंक पाए।

ये लैब के आँकड़े हैं, हमारे नहीं, और ये बिना कंप्रेस किए गए फ़ाउंडेशन का वर्णन करते हैं। ये बताते हैं कि आप किस श्रेणी के मॉडल से निपट रहे हैं, कोई वारंटी नहीं देते।

एक आँकड़ा किसी भी बेंचमार्क से ज़्यादा कीमती है, क्योंकि वह ऐसे मूल्यांकनकर्ता से आता है जिसे मॉडल की तारीफ़ करने में कोई फ़ायदा नहीं। जुलाई 2026 में अमेरिका के National Institute of Standards and Technology के Center for AI Standards and Innovation ने GLM-5.2 का आकलन किया और निष्कर्ष निकाला कि रिलीज़ के समय यह शायद उपलब्ध सबसे सक्षम ओपन-वेट AI मॉडल था, जिसकी समग्र क्षमताएँ GPT-5.2 के बराबर और साइबर क्षमताएँ Claude Opus 4.6 के बराबर थीं। उसी आकलन में देखा गया कि GLM-5.2 अमेरिकी संदर्भ मॉडलों की तुलना में कम संवेदनशील अनुरोध रोकता है, और यह कि ओपन वेट्स में पकाए गए सुरक्षा-उपाय एक बार वेट्स स्वयं-होस्ट हो जाने पर दरकिनार किए जा सकते हैं। खंड 05 इसी पर लौटता है।

03"3BIT-REAP" का मतलब क्या है, और यह आपको किस कीमत पर पड़ता है

REAP: एक्सपर्ट को मिलाने के बजाय हटाना

744B पैरामीटर वाले MoE मॉडल में हर लेयर पर 256 एक्सपर्ट होते हैं, जिनमें से किसी भी टोकन पर 8 सक्रिय होते हैं। राउटर काम बराबरी से नहीं बाँटता — कुछ एक्सपर्ट लगातार चुने जाते हैं, और एक लंबी पूँछ कभी-कभार चुनी जाती है और चुने जाने पर भी कम योगदान देती है। Cerebras Research से आया और ICLR 2026 में स्वीकृत REAP (Router-weighted Expert Activation Pruning) इसी का फ़ायदा उठाता है: यह हर एक्सपर्ट को एक ऐसे मानदंड से अंक देता है जो राउटर उसे कितनी मज़बूती और कितनी बार चुनता है और उसके आउटपुट के योगदान का परिमाण, दोनों को मिलाता है, फिर कम अंक वालों को स्थायी रूप से हटा देता है।

दिलचस्प हिस्सा वह तुलना है जिसमें REAP जीतता है। एक्सपर्ट हटाने का ज़ाहिर विकल्प उसे किसी बचे हुए एक्सपर्ट में मिला देना है, जो सुनने में ज़्यादा सुरक्षित लगता है। 20B से 1T पैरामीटर तक के MoE मॉडलों पर पेपर का निष्कर्ष यह है कि जनरेटिव काम के लिए मिलाना असल में बदतर है, और प्रूनिंग उल्लेखनीय रूप से टिकी रहती है: आधे एक्सपर्ट हटा देने के बाद भी कोड जनरेशन और टूल-कॉलिंग बेंचमार्क पर लगभग बिना नुकसान के, और वह भी Qwen3-Coder-480B तथा Kimi-K2 समेत कई फ़ाउंडेशनों पर। कोड और टूल कॉलिंग का सही-सलामत बचे रहना ठीक वही है जो आप ऐसे मॉडल पर बचाना चाहेंगे जिसके होने की वजह ही एजेंटिक इंजीनियरिंग है।

3-बिट वेट्स, और ईमानदार अदला-बदली

प्रूनिंग के ऊपर, बचे हुए वेट्स 3 बिट पर रखे जाते हैं — हमारी कैटलॉग में मौजूद W4A16-AUTOROUND-REAP और W8A16 श्रेणियों से ज़्यादा आक्रामक, और सिर्फ़ सबसे बड़े फ़ाउंडेशनों के लिए सुरक्षित, जहाँ पौने तीन खरब पैरामीटर वाले मॉडल को सर्विंग नोड पर लाने और टोकन को काम लायक रफ़्तार से बहाते रहने का दूसरा कोई रास्ता है ही नहीं।

कंप्रेशन मुफ़्त नहीं है। इसे यूँ समझिए: प्रूनिंग और क्वांटाइज़ेशन सबसे पहले लंबी पूँछ को कमज़ोर करते हैं। सघन, बार-बार इस्तेमाल होने वाले व्यवहार — निर्देश-पालन, कोड की संरचना, टूल-कॉल की फ़ॉर्मैटिंग, कई चरणों वाली योजना — अच्छी तरह बचे रहते हैं, और REAP के नतीजे ठीक यही दिखाते हैं। जहाँ आपको बिना कंप्रेस किए गए GLM-5.2 के मुक़ाबले फ़र्क़ की उम्मीद रखनी चाहिए वह है दुर्लभ तथ्यों की याद, कम प्रचलित भाषाएँ और विशिष्ट क्षेत्रों की बारीक जानकारी। अगर आपका काम "कोई असामान्य तथ्य ठीक-ठीक जानना" है, तो ऊँची निष्ठा वाली श्रेणी के लिए भुगतान कीजिए। अगर वह "चालीस टूल कॉल तक बिना पटरी से उतरे कोई योजना चलाना" है, तो यह विधि इसी श्रेणी के लिए बनी थी।

04मूल्य का तर्क: सस्ता अनसेंसर्ड LLM API चलाने में असल में क्या लगता है

GLM-5.2 के लिए Z.ai की अपनी प्रकाशित API सूची कीमत प्रति दस लाख इनपुट टोकन $1.40 और प्रति दस लाख आउटपुट $4.40 है। उसी फ़ाउंडेशन पर हमारी कीमत $0.73 / $2.34 है — यानी इनपुट पर करीब 48% और आउटपुट पर करीब 47% कम। यह छूट कंप्रेशन से आती है, और इसके साथ एक दूसरी चीज़ भी आती है जो पहले-पक्ष से किसी भी कीमत पर नहीं खरीदी जा सकती: कोई रिफ्यूज़ल लेयर नहीं।

हमारी अपनी कैटलॉग के भीतर मिश्रित लागत ही वह आँकड़ा है जो मायने रखता है। यह रहा 3:1 इनपुट-से-आउटपुट अनुपात पर, जो व्यवहार में टूल-कॉलिंग एजेंट जैसा दिखता है — भीतर बहुत सारा कॉन्टेक्स्ट और टूल नतीजे, बाहर तुलनात्मक रूप से कम टोकन।

मॉडल	इन / 1M	आउट / 1M	मिश्रित 3:1	विज़न
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	नहीं
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	नहीं
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	हाँ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	नहीं
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	हाँ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	हाँ

छह मॉडल $0.50 / $2.00 की सबसे निचली दर पर बैठते हैं — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro और Hy3 — यानी $0.875 की मिश्रित दर। GLM-5.2 उस दर से 29% ऊपर है और आपको 744B श्रेणी का ऐसा फ़ाउंडेशन देता है जिसके पीछे एजेंटिक व्यवहार में लगातार किया गया निवेश है। इससे ऊपर कीमत वाली हर चीज़ मिश्रित रूप से कम से कम 23% ज़्यादा महँगी है, और Kimi-K3 6.8 गुना महँगा है। एक पंक्ति में मूल्य का तर्क यही है: कैटलॉग में शीर्ष श्रेणी का एजेंटिक फ़ाउंडेशन खरीदने की सबसे सस्ती जगह।

काम में बदलकर देखिए

• एक बार पूरा कॉन्टेक्स्ट भरना — 262,144 इनपुट टोकन: $0.19। पूरी बड़ी रिपॉज़िटरी बीस सेंट से भी कम में विंडो में पढ़ ली गई।
• एक अधिकतम लंबाई वाला कंप्लीशन — 16,384 आउटपुट टोकन: $0.038।
• एक एजेंट टर्न — 20K इन, 2K आउट: $0.019। वही टर्न Kimi-K3 पर $0.115 और DeepSeek-V4-Pro पर $0.047 में पड़ता है।
• सौ एजेंट टर्न: $1.93, जबकि कैटलॉग के सबसे महँगे मॉडल पर $11.48।

एजेंटिक वर्कलोड इनपुट-भारी होते हैं, और GLM की बढ़त ठीक वहीं सबसे बड़ी है: इसकी इनपुट कीमत Kimi-K3 से 5.2 गुना और DeepSeek-V4-Pro से 2.7 गुना कम है। अगर आपका एजेंट हर टर्न पर बढ़ती हुई बातचीत दोबारा भेजता है — और लगभग हर एजेंट भेजता है — तो वही गुणक आपके बिल पर उतरता है।

05इस एंडपॉइंट पर "अनसेंसर्ड" का मतलब क्या है

ठीक दो चीज़ें: कोई रिफ्यूज़ल लेयर नहीं — कोई ऐसा क्लासिफ़ायर नहीं जो तय करे कि मॉडल को कौन से अनुरोध देखने की इजाज़त है, और कोई ऐसा नीति-मॉडल नहीं जो आपका प्रॉम्प्ट पहुँचने से पहले उसे दोबारा लिख दे — और कोई आउटपुट फ़िल्टरिंग नहीं, यानी मॉडल जो टोकन बनाता है वही टोकन आपको मिलते हैं, बिना काट-छाँट और बिना बदले।

यह किसी व्यावसायिक API के "रिलैक्स्ड" या "डेवलपर" मोड के विज्ञापन से अलग प्रस्ताव है। वे अब भी ट्रैफ़िक को विक्रेता के नीति-स्टैक से गुज़ारते हैं; वहाँ जो बदलता है वह सीमा-रेखा है, फाटक का होना नहीं। यहाँ ट्यून करने को कोई फाटक ही नहीं है — मॉडल हमारे अपने GPU क्लस्टर पर चलता है, और उसका व्यवहार फ़ाउंडेशन का व्यवहार है। खंड 02 वाले NIST CAISI निष्कर्ष को चेतावनी के बजाय एक तकनीकी कथन की तरह पढ़िए और वह इस प्रोडक्ट को समझा देता है: जिस मॉडल की अलाइनमेंट उसके वेट्स में बसती है, उसे बिना बाहरी नीति-परत के परोसा जाए तो वह अपने वेट्स के अनुसार ही बरतता है।

यह खासकर एजेंट के लिए क्यों मायने रखता है

इनकार की चर्चा आमतौर पर कंटेंट के सवाल के रूप में होती है। एजेंटिक काम में यह ज़्यादातर भरोसेमंदी का सवाल है। 40 टर्न वाले रन के 31वें टर्न पर आया इनकार कोई विनम्र मना करना नहीं है जिसे पढ़कर आप आगे बढ़ जाएँ — वह एक बिगड़ा हुआ कदम है, एक ऑर्केस्ट्रेटर जिसे आगे बढ़ना नहीं आता, एक टूटी हुई योजना, और 30 टर्न के खर्च हुए टोकन जिनका कोई नतीजा नहीं। सिक्योरिटी रिसर्च, मैलवेयर विश्लेषण, पेनिट्रेशन टेस्टिंग, रेड-टीमिंग, वयस्क कथा-साहित्य, मेडिकल और कानूनी मसौदे, और सुरक्षा-प्रशिक्षण के लिए डेटासेट बनाना — ये सब लगातार इसी से टकराते हैं, और नाकामी इसलिए महँगी पड़ती है क्योंकि वह देर से आती है।

इसका दूसरा पहलू यह है कि नीति की परत अब आपकी है। Shannon AI Gateway का उपयोग हमारी ज़िम्मेदार उपयोग नीति से नियंत्रित होता है; किसी विक्रेता के विवेक को इस चक्र से हटाने का मतलब है अपना विवेक खुद देना।

06यह एंडपॉइंट असल में क्या देता है

क्षमता	GLM-5.2 · 3BIT-REAP
मॉडल आईडी	GLM-5.2-3BIT-REAP
कॉन्टेक्स्ट विंडो	262,144 टोकन
प्रति रिक्वेस्ट अधिकतम आउटपुट	16,384 टोकन
स्ट्रीमिंग	हाँ
टूल कॉलिंग	हाँ
रीज़निंग / reasoning_effort	हाँ
JSON Schema (json_schema)	हाँ
response_format	हाँ
विज़न / इमेज इनपुट	नहीं — सिर्फ़ टेक्स्ट
रिफ्यूज़ल लेयर / आउटपुट फ़िल्टरिंग	कोई नहीं

कुछ बनाने से पहले विज़न वाली पंक्ति ध्यान से पढ़िए। हमारे गेटवे पर GLM-5.2 सिर्फ़ टेक्स्ट वाला है। अगर आपको इमेज इनपुट चाहिए, तो कैटलॉग में पाँच विज़न-सक्षम विकल्प हैं — $0.50 / $2.00 की निचली दर पर MiniMax-M3 और MiMo-V2.5, $0.78 / $3.67 पर Kimi-K2.6, $1.42 / $6.07 पर inkling, और $3.83 / $19.12 पर Kimi-K3। एक समझदार तरीका यह है कि इमेज समझने का काम MiniMax-M3 को भेजिए और बाकी सब GLM-5.2 को, जिसमें एक मॉडल स्ट्रिंग के अलावा कुछ खर्च नहीं होता।

तीन डायलेक्ट, एक मॉडल

यही मॉडल तीन रिक्वेस्ट फ़ॉर्मैट से पहुँचा जा सकता है, और तीनों पर स्ट्रीमिंग है: /v1/chat/completions (OpenAI डायलेक्ट), /v1/messages (Anthropic डायलेक्ट), और /v1/responses। इनके बीच मॉडल में कुछ नहीं बदलता — जो भी आपका SDK पहले से बोलता है वही चुनिए, और आप आमतौर पर एक बेस-URL बदलने भर की दूरी पर होते हैं।

# 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,
)

तीनों डायलेक्ट के पूरे रिक्वेस्ट और रिस्पॉन्स स्कीमा, टूल-कॉलिंग फ़ॉर्मैट, स्ट्रीमिंग इवेंट के ढाँचे, और एक इंटरैक्टिव प्लेग्राउंड Shannon AI API दस्तावेज़ीकरण में हैं।

07GLM-5.2 कब चुनें — और कब नहीं

इसे तब चुनिए जब

• आप एजेंट चला रहे हों। लंबे टूल-कॉलिंग लूप ही वह चीज़ हैं जिनके लिए यह वंश बना और बार-बार पोस्ट-ट्रेन किया गया, और इनपुट कीमत बढ़ती हुई बातचीत को हर टर्न पर दोबारा भेजना किफ़ायती बना देती है।
• आप किसी बड़े कोडबेस पर काम कर रहे हों। 262K कॉन्टेक्स्ट, भरोसेमंद टूल-कॉल फ़ॉर्मैटिंग, और पूरी विंडो पढ़ने के लिए $0.19।
• मात्रा ही आपकी अड़चन हो। वर्गीकरण, निष्कर्षण, सिंथेटिक डेटा जनरेशन, थोक में दोबारा लिखना — यानी हर वह काम जहाँ प्रति-कॉल लागत गुणा एक बड़ी संख्या तय करती है कि प्रोजेक्ट चलने लायक है या नहीं।
• इनकार आपकी पाइपलाइन तोड़ रहे हों। सिक्योरिटी रिसर्च, प्रतिकूल परीक्षण, अनसेंसर्ड कथा-साहित्य, संवेदनशील मसौदे — यह नाकामी यहाँ मौजूद ही नहीं है।

कुछ और तब चुनिए जब

• आपको विज़न चाहिए। सिर्फ़ टेक्स्ट। ऊपर दिए विज़न-सक्षम विकल्प देखिए।
• आपको सबसे गहरी एकल-टर्न रीज़निंग चाहिए। सबसे कठिन एक-बार वाले विश्लेषणात्मक सवालों के लिए DeepSeek-V4-Pro-0813 · 3BIT-REAP 2.2 गुना मिश्रित लागत पर भारी औज़ार है — जिन कॉलों में छत ही अड़चन हो, वहाँ यही सही सौदा है।
• आपको दुर्लभ ज्ञान पर अधिकतम निष्ठा चाहिए। W8A16 श्रेणी — MiMo-V2.5-Pro और Hy3 — कहीं कम आक्रामक ढंग से कंप्रेस की गई है और छोटे फ़ाउंडेशनों पर $0.50 / $2.00 की निचली दर पर बैठती है।

GLM-5.2 के बेंचमार्क आँकड़े (Terminal-Bench 2.1, SWE-bench Pro) Z.ai द्वारा बिना कंप्रेस किए गए फ़ाउंडेशन के लिए बताए गए हैं; स्वतंत्र पुनरावृत्ति अभी बाकी है। Claude Opus 4.8 और GPT-5.5 के आँकड़े सिर्फ़ संदर्भ के लिए दिखाए गए हैं। पहले-पक्ष GLM-5.2 API सूची कीमत Z.ai द्वारा प्रकाशित, सितंबर 2026।

08अक्सर पूछे जाने वाले सवाल

---

स्रोत: Z.ai GLM-5 रिपॉज़िटरी · 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, जुलाई 2026। फ़ाउंडेशन के बेंचमार्क अंक लैब द्वारा बताए गए और अस्थायी हैं; वे बिना कंप्रेस किए गए GLM-5.2 का वर्णन करते हैं, इस कंप्रेस्ड बिल्ड का नहीं। कीमत, कॉन्टेक्स्ट और क्षमता के आँकड़े 5 सितंबर 2026 तक के Shannon AI कैटलॉग मान हैं।