Առանց ցենզուրայի GLM API. լավագույն արժեքը մեկ տոկենի դիմաց
Z.ai-ի ագենտային GLM հիմքը, մատուցվող առանց մերժման շերտի մեր սեփական GPU կլաստերի վրա — 262K համատեքստ, գործիքի կանչում, և համակցված գին, որը կրկնակի ցածր է, քան նույն տոհմն արժե առաջին-կողմից։
Համառոտ
GLM-5.2-3BIT-REAP-ը Shannon AI Gateway-ի մոդելն է, որը մենք առաջարկում ենք լռելյայն։ Այն աշխատեցնում է 744-միլիարդ պարամետրանոց sparse Փորձագետների խառնուրդի հիմք GLM տոհմից — բացահայտորեն ուսուցանված ագենտային գործիքի օգտագործման համար՝ սկսած GLM-4.5-ից — սեղմված 3-բիթ կշիռներով և REAP փորձագետների կրճատումով, որպեսզի տեղավորվի և արագ մնա։ Դուք ստանում եք 262,144-տոկեն համատեքստ, 16,384 տոկեն ելք, գործիքի կանչում, դատողություն կարգավորելի reasoning_effort-ով, և JSON Schema կառուցվածքային ելք, ընդամենը $0.73 / $2.34 մեկ միլիոն տոկենի դիմաց։ Կա ոչ մի մերժման շերտ և ոչ մի ելքի զտում։ Միայն-տեքստային — առանց տեսողության։
«Ամենաէժան մոդելի» համեմատությունների մեծ մասը անազնիվ է, որովհետև էժան տարբերակը սովորաբար փոքր մոդել է՝ հագած մեծ մոդելի մարքեթինգ։ Այստեղ դա տեղի չի ունենում։ GLM-5.2-ը ցանկացածի կողմից երբևէ թողարկված ամենամեծ բաց-կշիռների հիմքերից մեկն է, և $0.73 մուտք / $2.34 ելք գնով այն նստում է մեր կատալոգի հատակից մեկ աստիճան վեր, մինչդեռ կրում է հիմք, որը մի քանի անգամ ավելի մեծ է, քան այն, ինչ սովորաբար գնում է այդ հատակը։ Այդ բացը — մեծ մոդել, հատակին մոտ գին — պատճառն է, թե ինչու գոյություն ունի այս էջը։
01Որտեղից է գալիս GLM-ը. Ցինհուա, blank infilling, և կտրուկ շրջադարձ դեպի ագենտներ
GLM-ը Llama-ի վերանշանակված ածանցյալը չէ։ Դա այն սակավաթիվ մոդելների ընտանիքներից մեկն է՝ իր սեփական նախնական-ուսուցման նպատակով, կրկնվող հինգ տարի նույն հետազոտական խմբի կողմից։ Անունը նշանակում է General Language Model (Ընդհանուր լեզվական մոդել), և հիմնադիր հոդվածը — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — առաջարկեց երրորդ տարբերակ՝ BERT-ի masked language modeling-ի և GPT-ի խիստ ձախից-աջ ինքնառեգրեսիայի կողքին։ GLM-ը դատարկում է շարունակական հատվածներ և ինքնառեգրեսիվորեն վերագեներացնում է դրանք խառնված հերթականությամբ, երկչափ դիրքային կոդավորումներով, որոնք հետևում են ինչպես տոկենի դիրքին վնասված փաստաթղթում, այնպես էլ նրա դիրքին լցվող հատվածի ներսում. մեկ ճարտարապետություն, որը հասկացողությունն ու գեներացիան հավասարապես լավ է կատարում։
Դրա հետևում կանգնած խումբը Ցինհուայի համալսարանի Գիտելիքի ինժեներության խումբն էր, որից անջատվեց ընկերությունը, որն այժմ հայտնի է որպես Z.ai (նախկինում Zhipu AI)։ Նրա առաջին գլխագիր արտադրանքը GLM-130B-ն էր՝ 2022 թ. հոկտեմբերին — 130-միլիարդ պարամետրանոց երկլեզու անգլերեն/չինարեն խիտ մոդել, կշիռներն ու կոդը հրապարակայնորեն թողարկված հրապարակման պահին։ Բաց թողարկումը այդ ժամանակից ի վեր ընկերության ոճն է եղել։
MoE դարաշրջանը, և շրջադարձը դեպի ագենտներ
Ընդհանուր գիծն ավելի կարևոր է, քան ցանկացած առանձին թողարկում։ GLM-4.5-ից ի վեր, ամեն տարբերակ օպտիմիզացվել է նույն բանի համար. մնալ համահունչ տասնյակ գործիքի կանչերի ընթացքում։ Դա տարբեր նպատակ է, քան մեկ-հերթափոխի բենչմարկի միավորները առավելագույնի հասցնելը, և այն դրսևորվում է որպես ավելի քիչ սխալ ձևավորված գործիքի արգումենտներ, ավելի քիչ շեղում երկար պլանում, և ավելի քիչ «14-րդ հերթափոխին վստահորեն վերսկսում է առաջադրանքը» վարքագիծ, որը ագենտային framework-ները թանկ է դարձնում։
02Ինչ է GLM-5.2-ը, և ինչում է չափվել
Z.ai-ն հրապարակում է GLM-5.2-ի բենչմարկի թվերը GLM-5 պահոցում։ Երկուսը համապատասխանում են իրական ագենտային աշխատանքին, ոչ թե տրիվիայի հիշողությանը.
Terminal-Bench 2.1 — երկարաժամկետ հորիզոնի հրամանի-տողի ագենտային առաջադրանքներ։ Z.ai-ի հայտարարած։
SWE-bench Pro — իրական պահոցի խնդիրների լուծում։ Z.ai-ի հայտարարած; GLM-5.1-ը հավաքել է 58.4 նույն թեստում։
Սրանք լաբորատորիայի թվերն են, ոչ մերը, և նկարագրում են չսեղմված հիմքը։ Դրանք հաստատում են այն մոդելի դասը, որի հետ գործ ունեք, ոչ երաշխիք։
Մեկ տվյալ ավելի արժեքավոր է, քան բենչմարկը, որովհետև այն գալիս է գնահատողից, որն ունի ոչ մի խթան մոդելին շողոքորթելու։ 2026 թ. հուլիսին ԱՄՆ Ստանդարտների և տեխնոլոգիաների ազգային ինստիտուտի Արհեստական բանականության ստանդարտների և նորարարության կենտրոնը (NIST CAISI) գնահատեց GLM-5.2-ը և եզրակացրեց, որ այն հավանաբար ամենաունակ բաց-կշիռների AI մոդելն էր, որ հասանելի էր իր թողարկման ժամանակ, ընդհանուր ունակություններով՝ համադրելի GPT-5.2-ի հետ, և կիբեռ ունակություններով՝ համադրելի Claude Opus 4.6-ի հետ։ Նույն գնահատումը նկատեց, որ GLM-5.2-ը ավելի քիչ զգայուն հարցումներ է արգելափակում, քան ԱՄՆ հղման մոդելները, և որ բաց կշիռների մեջ թխված պաշտպանիչները կարող են շրջանցվել, երբ այդ կշիռներն ինքնահոսթինգ են արվում։ 05-րդ բաժինը վերադառնում է դրան։
03Ինչ է նշանակում «3BIT-REAP»-ը, և ինչ է արժենում ձեզ
REAP. փորձագետների կրճատում, ոչ միավորում
744Մլրդ պարամետրանոց MoE մոդելը ունի 256 փորձագետ մեկ շերտում, որոնցից 8-ը գործարկվում է ցանկացած տոկենի վրա։ Երթուղիչը հավասարաչափ չի բաժանում աշխատանքը — որոշ փորձագետներ մշտապես հարվածվում են, և երկար պոչ հազվադեպ է հարվածվում ու քիչ է նպաստում, երբ հարվածվում է։ REAP-ը (Router-weighted Expert Activation Pruning), Cerebras Research-ից և ընդունված ICLR 2026-ում, օգտագործում է դա. այն գնահատում է յուրաքանչյուր փորձագետին saliency չափանիշով, որը համադրում է որքան ուժեղ և հաճախ է երթուղիչը դռներով անցկացնում այն-ը իր ելքի ներդրման մեծության հետ, ապա մշտապես ջնջում է ցածր միավոր հավաքածուներին։
Հետաքրքիր մասը այն համեմատությունն է, որ REAP-ը հաղթում է։ Փորձագետը ջնջելու ակնհայտ այլընտրանքը՝ այն մի ողջ մնացածի մեջ միավորելն է, ինչը ավելի անվտանգ է հնչում։ Հոդվածի եզրակացությունը՝ MoE մոդելների վրա 20Մլրդից մինչև 1Տ պարամետր, այն է, որ միավորումն իրականում ավելի վատ է գեներատիվ աշխատանքի համար, և կրճատումը զարմանալիորեն լավ է պահպանվում. գրեթե-անկորուստ կոդի գեներացիայի և գործիքի-կանչման բենչմարկների վրա նույնիսկ կեսի փորձագետների հեռացումից հետո, հիմքերի վրա, ներառյալ Qwen3-Coder-480B և Kimi-K2։ Կոդի և գործիքի կանչման անձեռնմխելի պահպանումը հենց այն է, ինչ ուզում եք պահպանված մոդելի վրա, որի գոյության պատճառը ագենտային ինժեներությունն է։
3-բիթ կշիռներ, և ազնիվ փոխզիջումը
Կրճատումից բացի, մնացած կշիռները պահվում են 3 բիթում — ավելի ագրեսիվ, քան մեր կատալոգի այլուր գտնվող W4A16-AUTOROUND-REAP և W8A16 մակարդակները, և վերապահված ամենամեծ հիմքերի համար, որտեղ ուրիշ ձև չկա երեք-քառորդ-տրիլիոն-պարամետրանոց մոդելը սպասարկման հանգույցի վրա բերելու և տոկենների հոսքը օգտագործելի արագությամբ պահելու համար։
Սեղմումն անվճար չէ։ Ճիշտ մտային մոդելը. կրճատումն ու քվանտացումը նախ վատացնում են երկար պոչը։ Խիտ, հաճախ կիրառվող վարքագծերը — հրահանգներին հետևելը, կոդի կառուցվածքը, գործիքի-կանչման ձևաչափումը, բազմաքայլ պլանավորումը — լավ են գոյատևում, ինչը ճշգրիտ այն է, ինչ REAP-ի արդյունքները ցույց են տալիս։ Անհասկանալի փաստացի հիշողությունը, հազվադեպ լեզուներն ու նշանային տիրույթի տրիվիան այն վայրերն են, որտեղ պետք է սպասել տարբերություն՝ չսեղմված GLM-5.2-ի դեմ։ Եթե ձեր բեռը «անսովոր փաստ սառը իմանալն» է, վճարեք ավելի բարձր-հավատարմության մակարդակի համար։ Եթե դա «պլան աշխատեցնել քառասուն գործիքի կանչի ընթացքում՝ առանց ուղուց շեղվելու» է, սա այն մակարդակն է, որի համար մեթոդը նախագծված էր։
04Արժեքի փաստարկը. ինչ իրականում արժե աշխատեցնել էժան առանց ցենզուրայի LLM API
Z.ai-ի սեփական հրապարակած API ցուցակի գինը GLM-5.2-ի համար $1.40 մեկ միլիոն մուտքային տոկենի և $4.40 մեկ միլիոն ելքի դիմաց է։ Մեր գինը նույն հիմքի վրա $0.73 / $2.34 է — մոտավորապես 48%-ով ցածր մուտքի վրա և 47%-ով ցածր ելքի վրա։ Այդ զեղչը այն է, ինչ սեղմումը գնում է, և այն գալիս է երկրորդ բանի հետ, որը չեք կարող գնել առաջին-կողմից ցանկացած գնով. ոչ մի մերժման շերտ։
Մեր սեփական կատալոգի ներսում, համակցված արժեքն է թիվը, որ նշանակություն ունի։ Ահա այն 3:1 մուտք-ելք հարաբերակցությամբ, մոտավորապես ինչպիսին է թվում գործիք-կանչող ագենտը գործնականում — շատ համատեքստ և գործիքի արդյունքներ մուտքագրելով, համեմատաբար քիչ տոկեն ելքագրելով։
| Մոդել | Մուտք / 1Մ | Ելք / 1Մ | Համակցված 3:1 | Տեսողություն |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Ոչ |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Ոչ |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Այո |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Ոչ |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Այո |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Այո |
Վեց մոդել նստում է $0.50 / $2.00 հատակին — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro և Hy3 — $0.875 համակցված տոկոսադրույքով։ GLM-5.2-ը 29%-ով վեր է այդ հատակից, և գնում է 744Մլրդ-դասի հիմք՝ ագենտային վարքագծի մեջ կայուն ներդրումով։ Ամեն ինչ, որ գնված է վերևում, արժե առնվազն 23%-ով ավելի համակցված, և Kimi-K3-ը արժե 6.8 անգամ ավելի։ Դա արժեքի փաստարկն է մեկ տողում. կատալոգում ամենաէժան տեղը՝ առաջնագծի ագենտային հիմք գնելու համար։
Փոխակերպված աշխատանքի
- Մեկ լրիվ համատեքստի լցում — 262,144 մուտքային տոկեն. $0.19։ Ամբողջ մեծ պահոց՝ կարդացված պատուհանի մեջ, քսան ցենտից պակասով։
- Մեկ առավելագույն-երկարության ավարտում — 16,384 ելքային տոկեն. $0.038։
- Մեկ ագենտի հերթափոխ — 20Հ մուտք, 2Հ ելք. $0.019։ Նույն հերթափոխն արժե $0.115 Kimi-K3-ում և $0.047 DeepSeek-V4-Pro-ում։
- Հարյուր ագենտի հերթափոխ. $1.93, կատալոգի ամենաթանկ մոդելի $11.48-ի դիմաց։
Ագենտային բեռները մուտք-ծանր են, և GLM-ի առավելությունը ամենամեծն է ճիշտ այնտեղ. նրա մուտքի գինը 5.2 անգամ ցածր է Kimi-K3-ից և 2.7 անգամ ցածր՝ DeepSeek-V4-Pro-ից։ Եթե ձեր ագենտը վերաուղարկում է աճող խոսակցություն ամեն հերթափոխում — և գրեթե ամեն ագենտ դա անում է — այդ բազմապատիկն է, ինչը վերջում հայտնվում է ձեր հաշվում։
05Ինչ է նշանակում «առանց ցենզուրայի»-ն այս էնդփոինթում
Երկու բան, ճշգրիտ. ոչ մի մերժման շերտ — ոչ մի դասակարգիչ, որը որոշում է, թե որ հարցումներն է թույլատրված մոդելին տեսնել, և ոչ մի քաղաքականության մոդել, որը վերաշարադրում է ձեր հուշումը, նախքան այն կժամանի — և ոչ մի ելքի զտում, ինչը նշանակում է, որ մոդելի արտադրած տոկենները այն տոկեններն են, որ դուք ստանում եք, չխմբագրված և չփոխարինված։
Դա տարբեր առաջարկ է, քան կոմերցիոն API-ն, որը գովազդում է «հանգստացած» կամ «մշակողի» ռեժիմ։ Դրանք դեռ ուղղորդում են տրաֆիկը մատակարարի քաղաքականության stack-ի միջով; ինչը փոխվում է, շեմն է, ոչ դարպասի գոյությունը։ Այստեղ կարգավորելու դարպաս չկա — մոդելը աշխատում է մեր սեփական GPU կլաստերի վրա, և նրա վարքագիծը հիմքի վարքագիծն է։ Կարդացեք 02-րդ բաժնի NIST CAISI եզրակացությունը որպես տեխնիկական հայտարարություն, ոչ նախազգուշացում, և այն բացատրում է ապրանքը. մոդել, որի հավասարեցումն ապրում է իր կշիռներում, մատուցվող առանց արտաքին քաղաքականության շերտի, վարվում է ըստ իր կշիռների։
Ինչու է սա նշանակալի հատուկ ագենտների համար
Մերժումները սովորաբար քննարկվում են որպես բովանդակության հարց։ Ագենտային աշխատանքում դրանք հիմնականում հուսալիության հարց են։ Մերժում 40-հերթափոխանոց աշխատացման 31-րդ հերթափոխին քաղաքավարի մերժում չէ, որ կարդում եք և առաջ եք անցնում — դա սխալ ձևավորված քայլ է, օրկեստրատոր, որը չգիտի ինչպես շարունակել, կոտրված պլան, և 30 հերթափոխ ծախսված տոկեններ՝ ցույց տալու ոչինչ չունենալով։ Անվտանգության հետազոտությունը, վնասակար ծրագրերի վերլուծությունը, ներթափանցման թեստավորումը, red-teaming-ը, մեծահասակների գեղարվեստական գրականությունը, բժշկական ու իրավական նախագծումը, և տվյալների գեներացիան անվտանգության ուսուցման համար բոլորն ընդհանրապես բախվում են դրան, և ձախողումը թանկ է հենց այն պատճառով, որ ուշ է վայրէջք կատարում։
Հակառակ կողմն այն է, որ քաղաքականության շերտն այժմ ձերն է։ Shannon AI Gateway-ի օգտագործումը կառավարվում է մեր Պատասխանատու օգտագործման քաղաքականությամբ; մատակարարի դատողությունը հանգույցից հեռացնելը նշանակում է ձերը մատակարարել։
06Ինչ իրականում է տալիս էնդփոինթը
| Հնարավորություն | GLM-5.2 · 3BIT-REAP |
|---|---|
| Մոդելի id | GLM-5.2-3BIT-REAP |
| Համատեքստի պատուհան | 262,144 տոկեն |
| Առավելագույն ելք մեկ հարցման դիմաց | 16,384 տոկեն |
| Հոսքային փոխանցում | Այո |
| Գործիքի կանչում | Այո |
Դատողություն / reasoning_effort | Այո |
JSON Schema (json_schema) | Այո |
response_format | Այո |
| Տեսողություն / պատկերի մուտք | Ոչ — միայն տեքստ |
| Մերժման շերտ / ելքի զտում | Չկա |
Կարդացեք տեսողության տողը ուշադիր, նախքան կառուցելը։ GLM-5.2-ը միայն-տեքստային է մեր gateway-ում։ Եթե ձեզ անհրաժեշտ է պատկերի մուտք, կատալոգն ունի հինգ տեսողություն-ունակ տարբերակ — MiniMax-M3 և MiMo-V2.5 $0.50 / $2.00 հատակին, Kimi-K2.6 $0.78 / $3.67-ով, inkling $1.42 / $6.07-ով, և Kimi-K3 $3.83 / $19.12-ով։ Խելամիտ օրինաչափությունն է՝ ուղղորդել պատկերի հասկացողությունը MiniMax-M3-ին և մնացած ամեն ինչ GLM-5.2-ին, ինչը ոչինչ չի արժենում, բացի մոդելի տողից։
Երեք բարբառ, մեկ մոդել
Նույն մոդելը հասանելի է երեք հարցման ձևաչափերով, բոլորը հոսքային. /v1/chat/completions (OpenAI բարբառ), /v1/messages (Anthropic բարբառ), և /v1/responses։ Մոդելի մասին ոչինչ չի փոխվում դրանց միջև — ընտրեք, թե որն է ձեր SDK-ն արդեն խոսում, և դուք սովորաբար մեկ base-URL փոփոխություն եք հեռու աշխատեցնելուց։
# 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, )
Երեք բարբառների ամբողջական հարցման և պատասխանի սխեմաները, գործիքի-կանչման ձևաչափը, հոսքային իրադարձությունների ձևերը, և ինտերակտիվ playground-ը Shannon AI API փաստաթղթերում են։
07Երբ ընտրել GLM-5.2 — և երբ ոչ
Ուղղվեք դրան, երբ
- Ագենտներ եք աշխատեցնում։ Երկար գործիքի-կանչման հանգույցները հենց այն են, ինչի համար այս տոհմը կառուցվել և կրկնակի հետ-ուսուցանվել է, և մուտքի գինը դարձնում է հասանելի աճող խոսակցությունը ամեն հերթափոխում վերաուղարկելը։
- Աշխատում եք մեծ կոդաբազայի վրա։ 262Հ համատեքստ, հուսալի գործիքի-կանչման ձևաչափում, և $0.19 ամբողջ պատուհանը կարդալու համար։
- Ծավալն է ձեր սահմանափակումը։ Դասակարգում, արդյունահանում, սինթետիկ տվյալների գեներացիա, զանգվածային վերաշարադրում — ամեն ինչ, որտեղ մեկ-կանչի արժեքը մեծ թվով բազմապատկած որոշում է, թե նախագիծը կենսունակ է, թե ոչ։
- Մերժումները կոտրում են ձեր խողովակաշարը։ Անվտանգության հետազոտություն, հակառակորդային թեստավորում, առանց ցենզուրայի գեղարվեստական գրականություն, զգայուն նախագծում — ձախողման ձևն այստեղ գոյություն չունի։
Ուղղվեք ուրիշ բանի, երբ
- Ձեզ անհրաժեշտ է տեսողություն։ Միայն տեքստ։ Տես տեսողություն-ունակ տարբերակները վերևում։
- Ձեզ անհրաժեշտ է ամենախորը մեկ-հերթափոխ դատողությունը։ Ամենադժվար մեկ-քայլանոց վերլուծական խնդիրների համար, DeepSeek-V4-Pro-0813 · 3BIT-REAP-ը ավելի ծանր գործիքն է՝ 2.2 անգամ ավելի բարձր համակցված արժեքով — կանչերի վրա, որտեղ առաստաղն է սահմանափակումը, դա ճիշտ փոխզիջումն է։
- Ձեզ անհրաժեշտ է առավելագույն հավատարմություն անհասկանալի գիտելիքի վրա։
W8A16մակարդակը — MiMo-V2.5-Pro և Hy3 — սեղմված է շատ ավելի քիչ ագրեսիվ և նստում է $0.50 / $2.00 հատակին, ավելի փոքր հիմքերի վրա։
Այս էջի ամեն հիմքի թիվ հրապարակված է ինչ-որ մեկի կողմից, ով մենք չենք։ Գնագոյացման և հնարավորության թվերը մեր սեփական կենդանի կատալոգի արժեքներն են, ստուգելի /v1/models-ի դեմ ձեր սեփական բանալիով։ Ստուգեք առաջնային աղբյուրներն ինքներդ։
GLM-5.2 բենչմարկի թվերը (Terminal-Bench 2.1, SWE-bench Pro) հայտարարված են Z.ai-ի կողմից չսեղմված հիմքի համար; անկախ վերարտադրումը սպասման մեջ է։ Claude Opus 4.8 և GPT-5.5 թվերը ցուցադրված են միայն հղման համար։ Առաջին-կողմի GLM-5.2 API ցուցակի գնագոյացումը, ինչպես հրապարակված է Z.ai-ի կողմից, 2026 թ. սեպտեմբեր։
08Հաճախ տրվող հարցեր
Ի՞նչ է առանց ցենզուրայի GLM API-ն Shannon AI-ում։
Դա GLM-5.2-3BIT-REAP մոդելի id-ն է Shannon AI Gateway-ում. Z.ai-ի GLM-5.2 ագենտային հիմքի սեղմված կառուցում, մատուցվող մեր սեփական GPU կլաստերի վրա՝ առանց մերժման շերտի և առանց ելքի զտման։ Այն արժե $0.73 մեկ միլիոն մուտքային տոկենի և $2.34 մեկ միլիոն ելքային տոկենի դիմաց, կրում է 262,144-տոկեն համատեքստի պատուհան, և հասանելի է /v1/chat/completions, /v1/messages և /v1/responses հասցեներով։
Ինչո՞ւ է առանց ցենզուրայի GLM 5.2-ն ավելի էժան, քան կատալոգի մյուս մեծ մոդելները։
Իր սեղմման եղանակի պատճառով։ 3BIT-REAP-ը միավորում է 3-բիթ կշիռները REAP-ի հետ՝ Փորձագետների խառնուրդի մոդելների համար նախատեսված փորձագետների-կրճատման մեթոդ, որը ջնջում է հազվադեպ-երթուղավորված փորձագետներին նախքան քվանտացումը։ Sparse MoE հիմքը մոտավորապես 40Մլրդ ակտիվ պարամետրով մեկ տոկենի դիմաց, կրճատված և քվանտացված այս ձևով, զբաղեցնում է շատ ավելի քիչ հիշողություն և շատ ավելի քիչ GPU-վայրկյան մեկ տոկենի դիմաց, քան համարժեք որակի խիտ մոդելը, և գինն արտացոլում է դա։
Առանց մերժման GLM-ը նշանակու՞մ է, որ մոդելը ընդհանրապես պաշտպանիչներ չունի։
Դա նշանակում է, որ Shannon-ը ոչինչ չի ավելացնում։ Մոդելի դեմ ոչ մի մերժման դասակարգիչ չկա, և ոչ մի զտում չկա նրանից դուրս եկող տոկենների վրա։ Հիմքը պահպանում է այն հակումները, որ իր սեփական ուսուցումը տվել է իրեն, բայց ոչինչ արտաքին չի վերասահմանում դրանք։ Դուք տիրապետում եք քաղաքականության շերտին, և օգտագործումը ենթակա է Shannon AI-ի Պատասխանատու օգտագործման քաղաքականությանը։
Աջակցո՞ւմ է GLM-5.2 3BIT-REAP-ը տեսողություն կամ պատկերի մուտք։
Ոչ։ Այս մոդելը միայն-տեքստային է։ Եթե ձեզ անհրաժեշտ է պատկերի մուտք առանց ցենզուրայի էնդփոինթի վրա, օգտագործեք կատալոգի տեսողություն-ունակ մոդելներից մեկը, ինչպիսիք են MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 կամ inkling։ GLM-5.2-ն աջակցում է կառուցվածքային ելք — և՛ json_schema, և՛ response_format — և գործիքի կանչում։
Ինչպիսի՞ն է համատեքստի պատուհանը և առավելագույն ելքի երկարությունը։
262,144 տոկեն համատեքստ և 16,384 տոկեն ելք մեկ հարցման դիմաց։ Ամբողջ համատեքստի պատուհանը մեկ անգամ լցնելը արժե մոտավորապես 19 ցենտ՝ $0.73 մեկ միլիոն մուտքային տոկենի դիմաց, և առավելագույն-երկարության ավարտումն արժե 4 ցենտից պակաս։
Սա լա՞վ ագենտային առանց ցենզուրայի մոդել է երկար գործիքի-կանչման հանգույցների համար։
Դա այն մոդելն է, որին մենք առաջինը ուղղվում ենք։ GLM տոհմը բացահայտորեն ուսուցանվել է ագենտային աշխատանքի համար GLM-4.5-ից ի վեր, գործիքի կանչումն ու reasoning_effort-ը երկուսն էլ աջակցվում են, և գինը նշանակում է, որ հարյուր քսան-հազար-տոկեն ագենտի հերթափոխերն արժենում են մոտավորապես երկու դոլար՝ տասնմեկի փոխարեն։ Մերժումները նաև իրական ձախողման ձև են ագենտի հանգույցներում, և այստեղ ոչ մի մերժման շերտ չկա, որը կմեկնարկեր մեկը։
Փորձեք առանց ցենզուրայի GLM API-ն
$0.73 մուտք · $2.34 ելք · 262K համատեքստ · առանց մերժման շերտի։
Կարդալ API փաստաթղթերը Դիտել բոլոր մոդելներըShannon Lab LLC, Նյու Մեքսիկո, ԱՄՆ · օգտագործումը կառավարվում է Պատասխանատու օգտագործման քաղաքականությամբ
Աղբյուրներ. Z.ai GLM-5 պահոց · 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 թ. հուլիս։ Հիմքի բենչմարկի միավորները հայտարարված են լաբորատորիայի կողմից և ժամանակավոր են; դրանք նկարագրում են չսեղմված GLM-5.2-ը, ոչ այս սեղմված կառուցումը։ Գնագոյացումը, համատեքստը և հնարավորության թվերը Shannon AI-ի կատալոգի արժեքներն են 2026 թ. սեպտեմբերի 5-ի դրությամբ։