Cenzúrázatlan GLM API: a legjobb ár-érték tokenenként
A Z.ai ügynöki GLM-alapmodellje elutasítási réteg nélkül kiszolgálva a saját GPU-fürtünkön — 262K kontextus, eszközhívás, és olyan vegyes ár, amely az ugyanezen vonal saját szolgáltatásában kért összeg felét sem éri el.
Röviden
A GLM-5.2-3BIT-REAP az a modell a Shannon AI átjáróján, amelyet alapértelmezésben ajánlunk. Egy 744 milliárd paraméteres ritka szakértőkeverékes alapmodellt futtat a GLM-vonalból — amelyet a GLM-4.5 óta kifejezetten ügynöki eszközhasználatra tanítanak —, 3 bites súlyokkal és REAP szakértőmetszéssel tömörítve, hogy elférjen és gyors maradjon. Kap 262 144 tokenes kontextust, 16 384 token kimenetet, eszközhívást, állítható reasoning_effort melletti gondolkodást és JSON sémás strukturált kimenetet, 0,73 $ / 2,34 $ áron millió tokenenként. Nincs elutasítási réteg és nincs kimeneti szűrő. Csak szöveg — képfeldolgozás nincs.
A legtöbb „legolcsóbb modell” összehasonlítás tisztességtelen, mert az olcsó opció rendszerint egy kis modell, amely egy nagy modell marketingjét viseli. Itt nem ez történik. A GLM-5.2 az egyik legnagyobb nyílt súlyú alapmodell, amelyet valaha kiadtak, és 0,73 $ be / 2,34 $ ki áron egy fokkal a katalógusunk alja fölött ül, miközben olyan alapmodellt hordoz, amely többszöröse annak, amit ez az árszint általában megvesz. Ez a rés — nagy modell, majdnem alsó ár — az oka annak, hogy ez az oldal létezik.
01Honnan jön a GLM: Tsinghua, kihagyáskitöltés, és éles fordulat az ügynökök felé
A GLM nem egy átcímkézett Llama-származék. Azon kevés modellcsalád egyike, amelynek saját előtanítási célfüggvénye van, és ugyanaz a kutatócsoport öt éven át iterálta. A név a General Language Model rövidítése, az alapító cikk pedig — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — egy harmadik lehetőséget javasolt a BERT maszkolt nyelvi modellezése és a GPT szigorúan balról jobbra haladó autoregressziója mellé. A GLM összefüggő szakaszokat töröl ki, és autoregresszíven, összekevert sorrendben regenerálja őket, kétdimenziós pozíciókódolással, amely nyomon követi a token helyét a megrongált dokumentumban és a kitöltendő szakaszon belül is: egyetlen architektúra, amely a megértést és a generálást egyaránt jól kezeli.
A mögötte álló csoport a Tsinghua Egyetem Knowledge Engineering Group nevű műhelye volt, amelyből kivált a ma Z.ai néven ismert cég (korábban Zhipu AI). Az első nagy dobása a GLM-130B volt 2022 októberében — egy 130 milliárd paraméteres, kétnyelvű angol/kínai sűrű modell, amelynek súlyait és kódját a publikáláskor nyilvánosan kiadták. Azóta a nyílt kiadás a ház stílusa.
A MoE-korszak és a fordulat az ügynökök felé
A vezérfonal többet számít bármelyik egyes kiadásnál. A GLM-4.5 óta minden verziót ugyanarra optimalizáltak: hogy több tucat eszközhíváson át koherens maradjon. Ez más célfüggvény, mint az egykörös benchmarkpontszámok maximalizálása, és úgy jelentkezik, hogy kevesebb a hibás formátumú eszközargumentum, kevesebb az elcsúszás egy hosszú tervben, és kevesebb az a „a 14. körben magabiztosan újrakezdi a feladatot” viselkedés, amitől az ügynökkeretrendszerek drágák lesznek.
02Mi a GLM-5.2, és min mérték
A Z.ai a GLM-5 repóban közöl benchmarkszámokat a GLM-5.2-höz. Kettő valódi ügynöki munkára képez le, nem kvízszerű tényfelidézésre:
Terminal-Bench 2.1 — hosszú távú parancssori ügynökfeladatok. Z.ai által közölt adat.
SWE-bench Pro — valódi repókban való hibamegoldás. Z.ai által közölt adat; a GLM-5.1 ugyanezen a teszten 58,4-et ért el.
Ezek a labor számai, nem a mieink, és a tömörítetlen alapmodellt írják le. Azt állapítják meg, milyen osztályú modellel van dolga, nem jelentenek garanciát.
Egy adatpont többet ér egy benchmarknál, mert olyan értékelőtől származik, akinek nem érdeke hízelegni a modellnek. 2026 júliusában az Egyesült Államok National Institute of Standards and Technology szervezetének Center for AI Standards and Innovation részlege értékelte a GLM-5.2-t, és arra jutott, hogy megjelenésekor valószínűleg ez volt a legképesebb elérhető nyílt súlyú AI-modell, összképességében a GPT-5.2-vel, kiberképességeiben a Claude Opus 4.6-tal összemérhetően. Ugyanez az értékelés megjegyezte, hogy a GLM-5.2 kevesebb érzékeny kérést blokkol, mint az amerikai referenciamodellek, és hogy a nyílt súlyokba sütött biztosítékok megkerülhetők, ha valaki maga üzemelteti azokat a súlyokat. Az 05. szakasz visszatér erre.
03Mit jelent a „3BIT-REAP”, és mibe kerül Önnek
REAP: szakértők metszése összeolvasztás helyett
Egy 744 milliárd paraméteres MoE-modellben rétegenként 256 szakértő van, amelyek közül egy adott tokennél 8 aktiválódik. Az útválasztó nem osztja el egyenletesen a munkát — néhány szakértőt folyamatosan használ, egy hosszú farkot pedig ritkán, és amikor mégis, keveset ad hozzá. A REAP (Router-weighted Expert Activation Pruning) a Cerebras Research műhelyéből, elfogadva az ICLR 2026-ra, ezt aknázza ki: minden szakértőt egy kiugrósági kritériummal pontoz, amely azt kombinálja, hogy milyen erősen és milyen gyakran kapuzza az útválasztó, azzal, hogy mekkora a kimeneti hozzájárulásának nagysága, majd véglegesen eldobja az alacsony pontszámúakat.
Az érdekes rész az az összehasonlítás, amelyet a REAP megnyer. Egy szakértő eldobásának kézenfekvő alternatívája az, hogy beolvasztjuk egy túlélőbe, ami biztonságosabbnak hangzik. A cikk megállapítása 20 milliárdtól 1 billió paraméterig terjedő MoE-modelleken az, hogy az összeolvasztás valójában rosszabb a generatív munkára, a metszés pedig figyelemre méltóan jól tartja magát: gyakorlatilag veszteségmentes a kódgenerálási és eszközhívási benchmarkokon még a szakértők felének eltávolítása után is, olyan alapmodelleken, mint a Qwen3-Coder-480B és a Kimi-K2. A kód és az eszközhívás sértetlen túlélése pontosan az, amit meg akar őrizni egy olyan modellen, amelynek létezési oka az ügynöki mérnöki munka.
3 bites súlyok és az őszinte kompromisszum
A metszés tetejére a túlélő súlyokat 3 biten tároljuk — agresszívebben, mint a katalógusunk máshol szereplő W4A16-AUTOROUND-REAP és W8A16 szintjei, és ezt a legnagyobb alapmodelleknek tartjuk fenn, ahol nincs más mód arra, hogy egy háromnegyed billió paraméteres modell felkerüljön egy kiszolgálócsomópontra, és a tokenek használható ütemben folyjanak.
A tömörítés nem ingyenes. A helyes gondolati modell: a metszés és a kvantálás először a hosszú farkat rontja el. A sűrű, gyakran gyakorlatoztatott viselkedések — utasításkövetés, kódszerkezet, eszközhívás formázása, többlépcsős tervezés — jól túlélik, és pontosan ezt mutatják a REAP eredményei. Az elhomályosuló tényfelidézés, a ritka nyelvek és a szűk területi kuriózumok azok, ahol különbséget kell várnia egy tömörítetlen GLM-5.2-höz képest. Ha a munkaterhelése az, hogy „tudjon fejből egy szokatlan tényt”, fizessen magasabb hűségű szintért. Ha az, hogy „vigyen végig egy tervet negyven eszközhíváson át anélkül, hogy kisiklana”, akkor ez az a szint, amelyre a módszert tervezték.
04Az ár-érték érv: mennyibe kerül valójában egy olcsó cenzúrázatlan LLM API üzemeltetése
A Z.ai saját közzétett API-listaára a GLM-5.2-höz 1,40 $ millió bemeneti tokenenként és 4,40 $ millió kimenetenként. A mi árunk ugyanezen az alapmodellen 0,73 $ / 2,34 $ — nagyjából 48%-kal kevesebb bemeneten és 47%-kal kevesebb kimeneten. Ezt a kedvezményt vásárolja meg a tömörítés, és jár mellé egy második dolog, amelyet a saját szolgáltatásban semmilyen áron nem kaphat meg: nincs elutasítási réteg.
A saját katalógusunkon belül a vegyes költség az a szám, amely számít. Íme 3:1 bemenet-kimenet arány mellett, nagyjából ahogy egy eszközhívó ügynök a gyakorlatban kinéz — sok kontextus és eszközeredmény megy be, viszonylag kevés token jön ki.
| Modell | Be / 1M | Ki / 1M | Vegyes 3:1 | Képfeldolgozás |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Nem |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Nem |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Igen |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Nem |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Igen |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Igen |
Hat modell ül a 0,50 $ / 2,00 $ alsó szinten — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro és Hy3 —, ami 0,875 $ vegyes díjat jelent. A GLM-5.2 29%-kal van e fölött az alsó szint fölött, és egy 744 milliárdos osztályú alapmodellt vesz meg vele, amely mögött tartós befektetés áll az ügynöki viselkedésbe. Minden, ami fölötte van beárazva, legalább 23%-kal kerül többe vegyesen, a Kimi-K3 pedig 6,8-szer annyiba. Ez az ár-érték érv egyetlen sorban: a katalógus legolcsóbb helye, ahol csúcskategóriás ügynöki alapmodellt vásárolhat.
Munkára átváltva
- Egy teljes kontextusfeltöltés — 262 144 bemeneti token: 0,19 $. Egy teljes nagy repó beolvasva az ablakba, húsz cent alatt.
- Egy maximális hosszúságú kiegészítés — 16 384 kimeneti token: 0,038 $.
- Egy ügynöki kör — 20K be, 2K ki: 0,019 $. Ugyanez a kör 0,115 $ a Kimi-K3-on és 0,047 $ a DeepSeek-V4-Prón.
- Száz ügynöki kör: 1,93 $, szemben a katalógus legdrágább modelljének 11,48 $-jával.
Az ügynöki munkaterhelések bemenet-nehezek, és a GLM előnye épp itt a legnagyobb: a bemeneti ára 5,2-szer alacsonyabb a Kimi-K3-énál és 2,7-szer alacsonyabb a DeepSeek-V4-Próénál. Ha az ügynöke minden körben újraküldi a növekvő beszélgetést — márpedig szinte minden ügynök ezt teszi —, ez a szorzó az, ami a számláján landol.
05Mit jelent a „cenzúrázatlan” ezen a végponton
Pontosan két dolgot: nincs elutasítási réteg — nincs osztályozó, amely eldönti, mely kéréseket láthatja a modell, és nincs szabályzatmodell, amely átírja a promptját, mielőtt megérkezne —, és nincs kimeneti szűrés, vagyis a modell által előállított tokenek azok a tokenek, amelyeket megkap, kitakarás és csere nélkül.
Ez más ajánlat, mint egy „lazított” vagy „fejlesztői” módot hirdető kereskedelmi API. Azok továbbra is a szolgáltató szabályzati rétegén vezetik át a forgalmat; ott a küszöb változik, nem a kapu léte. Itt nincs kapu, amelyet hangolni lehetne — a modell a saját GPU-fürtünkön fut, és a viselkedése az alapmodell viselkedése. Olvassa a 02. szakasz NIST CAISI megállapítását technikai állításként, ne figyelmeztetésként, és megmagyarázza a terméket: az a modell, amelynek az alignmentje a súlyaiban lakik, és amelyet külső szabályzati réteg nélkül szolgálnak ki, a súlyai szerint viselkedik.
Miért számít ez kifejezetten az ügynököknél
Az elutasításokat általában tartalmi kérdésként tárgyalják. Az ügynöki munkában viszont többnyire megbízhatósági kérdés. Egy 40 körös futás 31. körében érkező elutasítás nem egy udvarias visszautasítás, amelyet elolvas és továbblép — hanem egy hibás formátumú lépés, egy orkesztrátor, amely nem tudja, hogyan folytassa, egy elromlott terv, és 30 kör elköltött tokenje, semmi eredménnyel. A biztonsági kutatás, a kártevőelemzés, a behatolástesztelés, a red teaming, a felnőtt szépirodalom, az orvosi és jogi fogalmazás, valamint a biztonsági tanításhoz készült adathalmaz-generálás mind folyamatosan beleütközik ebbe, és a hiba épp azért drága, mert későn csap le.
A dolog másik oldala, hogy a szabályzati réteg mostantól az Öné. A Shannon AI átjáró használatára a felelős használati irányelvünk vonatkozik; ha kiveszi a szolgáltató ítéletét a hurokból, sajátot kell hoznia helyette.
06Mit ad valójában a végpont
| Képesség | GLM-5.2 · 3BIT-REAP |
|---|---|
| Modellazonosító | GLM-5.2-3BIT-REAP |
| Kontextusablak | 262,144 tokens |
| Max. kimenet kérésenként | 16,384 tokens |
| Streamelés | Igen |
| Eszközhívás | Igen |
Gondolkodás / reasoning_effort | Igen |
JSON séma (json_schema) | Igen |
response_format | Igen |
| Képfeldolgozás / képi bemenet | Nem — csak szöveg |
| Elutasítási réteg / kimeneti szűrés | Nincs |
Olvassa el figyelmesen a képfeldolgozás sorát, mielőtt építeni kezd. A GLM-5.2 az átjárónkon csak szöveges. Ha képi bemenetre van szüksége, a katalógusban öt képfeldolgozásra képes lehetőség van — MiniMax-M3 és MiMo-V2.5 a 0,50 $ / 2,00 $ alsó szinten, Kimi-K2.6 0,78 $ / 3,67 $ áron, inkling 1,42 $ / 6,07 $ áron, és Kimi-K3 3,83 $ / 19,12 $ áron. Ésszerű minta a képértelmezést a MiniMax-M3-ra irányítani, minden mást pedig a GLM-5.2-re, ami egy modellsztringen kívül semmibe nem kerül.
Három dialektus, egy modell
Ugyanaz a modell három kérésformátumon keresztül érhető el, mindegyiken streameléssel: /v1/chat/completions (OpenAI-dialektus), /v1/messages (Anthropic-dialektus) és /v1/responses. A modellen semmi nem változik köztük — válassza azt, amelyet az SDK-ja már beszél, és rendszerint egyetlen alap-URL-módosításra van a futástól.
# 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, )
A mindhárom dialektushoz tartozó teljes kérés- és válaszsémák, az eszközhívás formátuma, a streamelési eseményalakok és egy interaktív játszótér a Shannon AI API-dokumentációjában találhatók.
07Mikor válassza a GLM-5.2-t — és mikor ne
Ehhez nyúljon, ha
- Ügynököket futtat. A hosszú eszközhívási ciklusokra épült és ismételten utótanították ezt a vonalat, a bemeneti ár pedig megfizethetővé teszi, hogy minden körben újraküldje a növekvő beszélgetést.
- Nagy kódbázison dolgozik. 262K kontextus, megbízható eszközhívás-formázás, és 0,19 $ a teljes ablak beolvasásáért.
- A volumen a korlátja. Osztályozás, kinyerés, szintetikus adatgenerálás, tömeges átírás — bármi, ahol a hívásonkénti költség egy nagy számmal megszorozva dönti el, életképes-e a projekt.
- Az elutasítások törik szét a folyamatát. Biztonsági kutatás, adverzáriális tesztelés, cenzúrázatlan szépirodalom, érzékeny fogalmazás — ez a hibamód itt nincs jelen.
Máshoz nyúljon, ha
- Képfeldolgozásra van szüksége. Csak szöveg. Lásd a fenti képfeldolgozásra képes lehetőségeket.
- A legmélyebb egykörös gondolkodásra van szüksége. A legnehezebb egylövetű analitikus problémákhoz a DeepSeek-V4-Pro-0813 · 3BIT-REAP a nehezebb szerszám a vegyes költség 2,2-szereséért — azokon a hívásokon, ahol a plafon a korlát, ez a helyes csere.
- Maximális hűségre van szüksége homályos tudásnál. A
W8A16szint — MiMo-V2.5-Pro és Hy3 — sokkal kevésbé agresszíven tömörített, és a 0,50 $ / 2,00 $ alsó szinten ül, kisebb alapmodelleken.
Ezen az oldalon minden alapmodellre vonatkozó számot rajtunk kívül álló fél tett közzé. Az árazási és képességi számok a saját élő katalógusértékeink, amelyek a /v1/models végponton, a saját kulcsával ellenőrizhetők. Nézze meg maga az elsődleges forrásokat.
A GLM-5.2 benchmarkszámait (Terminal-Bench 2.1, SWE-bench Pro) a Z.ai közölte a tömörítetlen alapmodellre; a független replikáció még várat magára. A Claude Opus 4.8 és a GPT-5.5 számai csak referenciaként szerepelnek. A GLM-5.2 saját API-listaára a Z.ai 2026. szeptemberi közlése szerint.
08Gyakori kérdések
Mi a cenzúrázatlan GLM API a Shannon AI-on?
A GLM-5.2-3BIT-REAP modellazonosító a Shannon AI átjáróján: a Z.ai GLM-5.2 ügynöki alapmodelljének tömörített buildje, amelyet a saját GPU-fürtünkön szolgálunk ki, elutasítási réteg és kimeneti szűrés nélkül. Millió bemeneti tokenenként 0,73 $-ba, millió kimeneti tokenenként 2,34 $-ba kerül, 262 144 tokenes kontextusablakkal rendelkezik, és a /v1/chat/completions, a /v1/messages és a /v1/responses végponton érhető el.
Miért olcsóbb a cenzúrázatlan GLM 5.2 a katalógus többi nagy modelljénél?
A tömörítés módja miatt. A 3BIT-REAP a 3 bites súlyokat kombinálja a REAP-pel, egy szakértőmetszési módszerrel, amely a szakértőkeverékes modellekből a ritkán útvonalazott szakértőket távolítja el a kvantálás előtt. Egy ritka MoE-alapmodell, amely tokenenként nagyjából 40 milliárd paramétert aktivál, így metszve és kvantálva sokkal kevesebb memóriát és tokenenként sokkal kevesebb GPU-másodpercet foglal, mint egy azonos minőségű sűrű modell, és az ár ezt tükrözi.
Az elutasítás nélküli GLM azt jelenti, hogy a modellnek egyáltalán nincsenek korlátai?
Azt jelenti, hogy a Shannon nem tesz hozzá egyet sem. Nincs elutasítási osztályozó a modell előtt, és nincs szűrő a belőle kijövő tokeneken. Az alapmodell megtartja azokat a hajlamokat, amelyeket a saját tanítása adott neki, de semmi külső nem írja felül őket. A szabályzati réteg az Öné, a használatra pedig a Shannon AI felelős használati irányelve vonatkozik.
Támogat a GLM-5.2 3BIT-REAP képfeldolgozást vagy képi bemenetet?
Nem. Ez a modell csak szöveges. Ha cenzúrázatlan végponton van szüksége képi bemenetre, használja a katalógus valamelyik képfeldolgozásra képes modelljét, például a MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 vagy inkling modellt. A GLM-5.2 támogatja a strukturált kimenetet — a json_schema és a response_format formát egyaránt — és az eszközhívást.
Mekkora a kontextusablak és a maximális kimeneti hossz?
262 144 token kontextus és kérésenként 16 384 token kimenet. A teljes kontextusablak egyszeri feltöltése nagyjából 19 centbe kerül millió bemeneti tokenenkénti 0,73 $ mellett, egy maximális hosszúságú kiegészítés pedig 4 cent alatt marad.
Jó ügynöki cenzúrázatlan modell ez hosszú eszközhívási ciklusokhoz?
Ehhez nyúlunk elsőként. A GLM-vonalat a GLM-4.5 óta kifejezetten ügynöki munkára tanítják, az eszközhívás és a reasoning_effort egyaránt támogatott, az ár pedig azt jelenti, hogy száz darab húszezer tokenes ügynöki kör nagyjából két dollárba kerül tizenegy helyett. Az elutasítások ráadásul valós hibamódot jelentenek az ügynöki ciklusokban, itt pedig nincs elutasítási réteg, amely kiváltaná.
Próbálja ki a cenzúrázatlan GLM API-t
0,73 $ be · 2,34 $ ki · 262K kontextus · nincs elutasítási réteg.
API-dokumentáció Minden modell böngészéseShannon Lab LLC, Új-Mexikó, USA · a használatra a felelős használati irányelv vonatkozik
Források: Z.ai GLM-5 repó · 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, 2026. július. Az alapmodell benchmarkpontszámai laborközlésűek és előzetesek; a tömörítetlen GLM-5.2-t írják le, nem ezt a tömörített buildet. Az árazási, kontextus- és képességi adatok a Shannon AI 2026. szeptember 5-i katalógusértékei.