API GLM senza censura: il miglior rapporto valore/token
Il modello di base agentico GLM di Z.ai, servito senza alcuno strato di rifiuto sul nostro cluster GPU: 262K di contesto, tool calling e un prezzo misto inferiore alla metà di quanto costa la stessa linea di prima parte.
In breve
GLM-5.2-3BIT-REAP è il modello dello Shannon AI Gateway che consigliamo di default. Esegue un modello di base Mixture-of-Experts sparso da 744 miliardi di parametri della linea GLM — addestrato esplicitamente per l'uso agentico degli strumenti fin da GLM-4.5 — compresso con pesi a 3 bit e pruning degli esperti REAP, così da entrare e restare veloce. Ottieni un contesto da 262.144 token, 16.384 token di output, tool calling, ragionamento con reasoning_effort regolabile e output strutturato in JSON Schema, per 0,73 $ / 2,34 $ per milione di token. Non c'è alcuno strato di rifiuto né alcun filtro sull'output. Solo testo: niente visione.
La maggior parte dei confronti sul «modello più economico» è disonesta, perché l'opzione economica è di solito un modello piccolo con il marketing di un modello grande. Qui non succede questo. GLM-5.2 è uno dei più grandi modelli di base a pesi aperti mai rilasciati, e a 0,73 $ in / 2,34 $ out sta un gradino sopra il minimo del nostro catalogo pur portandosi dietro una base parecchie volte più grande di quello che quel minimo compra di solito. Quel divario — modello grande, prezzo quasi minimo — è la ragione per cui esiste questa pagina.
01Da dove viene GLM: Tsinghua, il riempimento di spazi vuoti e una svolta decisa verso gli agenti
GLM non è un derivato di Llama con un'altra etichetta. È una delle poche famiglie di modelli con un proprio obiettivo di pre-addestramento, iterato per cinque anni dallo stesso gruppo di ricerca. La sigla sta per General Language Model, e il paper fondativo — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — proponeva una terza via accanto al masked language modeling di BERT e all'autoregressione stretta da sinistra a destra di GPT. GLM oscura span contigui e li rigenera in modo autoregressivo in ordine mescolato, con codifiche posizionali bidimensionali che tracciano sia la posizione di un token nel documento corrotto sia la sua posizione all'interno dello span da riempire: un'unica architettura che gestisce comprensione e generazione altrettanto bene.
Il gruppo dietro il progetto era il Knowledge Engineering Group della Tsinghua University, da cui è nata l'azienda oggi nota come Z.ai (in precedenza Zhipu AI). Il suo primo risultato di richiamo è stato GLM-130B, nell'ottobre 2022: un modello denso bilingue inglese/cinese da 130 miliardi di parametri, con pesi e codice rilasciati pubblicamente al momento della pubblicazione. Il rilascio aperto è da allora lo stile della casa.
L'era MoE e la virata verso gli agenti
Il filo conduttore conta più di ogni singola release. Da GLM-4.5 in poi, ogni versione è stata ottimizzata per la stessa cosa: restare coerente lungo decine di chiamate a strumenti. È un obiettivo diverso dal massimizzare i punteggi di benchmark a turno singolo, e si vede in un minor numero di argomenti di tool call malformati, meno deriva in un piano lungo e meno di quel comportamento tipo «al turno 14 ricomincia il compito con sicurezza» che rende costosi i framework agentici.
02Che cos'è GLM-5.2 e quanto è stato misurato
Z.ai pubblica i dati di benchmark di GLM-5.2 nel repository GLM-5. Due riguardano lavoro agentico reale e non il recupero di nozioni:
Terminal-Bench 2.1 — compiti agentici da riga di comando di lungo orizzonte. Dati riportati da Z.ai.
SWE-bench Pro — risoluzione di issue su repository reali. Dati riportati da Z.ai; GLM-5.1 ha totalizzato 58,4 sullo stesso test.
Sono i numeri del laboratorio, non i nostri, e descrivono il modello di base non compresso. Stabiliscono la classe di modello con cui hai a che fare, non una garanzia.
Un dato vale più di un benchmark, perché viene da un valutatore che non ha alcun interesse a lusingare il modello. A luglio 2026 il Center for AI Standards and Innovation del National Institute of Standards and Technology statunitense ha valutato GLM-5.2 e ha concluso che era probabilmente il modello di IA a pesi aperti più capace disponibile al momento del suo rilascio, con capacità complessive paragonabili a GPT-5.2 e capacità in ambito cyber paragonabili a Claude Opus 4.6. La stessa valutazione ha osservato che GLM-5.2 blocca meno richieste sensibili dei modelli di riferimento statunitensi e che le protezioni integrate nei pesi aperti possono essere aggirate una volta che quei pesi vengono ospitati in proprio. La sezione 05 torna su questo punto.
03Che cosa significa «3BIT-REAP» e che cosa ti costa
REAP: potare gli esperti invece di fonderli
Un modello MoE da 744B di parametri ha 256 esperti per strato, di cui 8 si attivano su un dato token. Il router non distribuisce il lavoro in modo uniforme: alcuni esperti vengono colpiti di continuo, mentre una lunga coda viene colpita di rado e contribuisce poco quando lo è. REAP (Router-weighted Expert Activation Pruning), di Cerebras Research e accettato a ICLR 2026, sfrutta proprio questo: assegna a ogni esperto un punteggio secondo un criterio di salienza che combina quanto spesso e quanto fortemente il router lo attiva con l'ampiezza del contributo del suo output, poi elimina definitivamente quelli con punteggio basso.
La parte interessante è il confronto che REAP vince. L'alternativa ovvia all'eliminazione di un esperto è fonderlo in uno dei sopravvissuti, il che sembra più prudente. Il risultato del paper, su modelli MoE da 20B a 1T di parametri, è che la fusione è in realtà peggiore per il lavoro generativo, mentre il pruning regge notevolmente bene: quasi senza perdite su benchmark di generazione di codice e tool calling anche dopo aver rimosso metà degli esperti, su basi che includono Qwen3-Coder-480B e Kimi-K2. Che codice e tool calling sopravvivano intatti è esattamente ciò che vuoi preservare su un modello la cui ragion d'essere è l'ingegneria agentica.
Pesi a 3 bit e il compromesso, detto onestamente
Oltre al pruning, i pesi sopravvissuti sono memorizzati a 3 bit: più aggressivo dei livelli W4A16-AUTOROUND-REAP e W8A16 presenti altrove nel nostro catalogo, e riservato alle basi più grandi, dove non c'è altro modo di far entrare un modello da tre quarti di migliaia di miliardi di parametri in un nodo di servizio mantenendo un flusso di token a un ritmo utilizzabile.
La compressione non è gratis. Il modello mentale corretto è questo: pruning e quantizzazione degradano per prima la coda lunga. I comportamenti densi e usati di frequente — aderenza alle istruzioni, struttura del codice, formattazione delle tool call, pianificazione in più passi — sopravvivono bene, che è esattamente ciò che mostrano i risultati di REAP. È sul recupero di fatti oscuri, sulle lingue rare e sulle nozioni di nicchia che devi aspettarti una differenza rispetto a un GLM-5.2 non compresso. Se il tuo carico di lavoro è «sapere a memoria un fatto insolito», paga per un livello di fedeltà maggiore. Se è «portare avanti un piano lungo quaranta chiamate a strumenti senza uscire di strada», questo è il livello per cui il metodo è stato progettato.
04Il caso economico: quanto costa davvero far girare un'API LLM senza censura a basso prezzo
Il prezzo di listino API pubblicato da Z.ai per GLM-5.2 è di 1,40 $ per milione di token in input e 4,40 $ per milione in output. Il nostro prezzo sulla stessa base è 0,73 $ / 2,34 $: circa il 48% in meno sull'input e il 47% in meno sull'output. Quello sconto è ciò che compra la compressione, e arriva insieme a una seconda cosa che di prima parte non puoi comprare a nessun prezzo: nessuno strato di rifiuto.
All'interno del nostro catalogo, il numero che conta è il costo misto. Eccolo con un rapporto input/output di 3:1, all'incirca l'aspetto di un agente con tool calling nella pratica: molto contesto e molti risultati degli strumenti in entrata, relativamente pochi token in uscita.
| Modello | In / 1M | Out / 1M | Misto 3:1 | Visione |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | No |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | No |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Sì |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | No |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Sì |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Sì |
Sei modelli stanno al minimo di 0,50 $ / 2,00 $ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro e Hy3 — cioè una tariffa mista di 0,875 $. GLM-5.2 sta il 29% sopra quel minimo e ti compra un modello di base di classe 744B con dietro un investimento costante nel comportamento agentico. Tutto ciò che costa più di lui costa almeno il 23% in più sul misto, e Kimi-K3 costa 6,8× tanto. È l'argomento del valore in una riga: il posto più economico del catalogo in cui comprare un modello di base agentico di prima fascia.
Convertito in lavoro
- Un riempimento completo del contesto — 262.144 token in input: 0,19 $. Un intero repository di grandi dimensioni letto nella finestra per meno di venti centesimi.
- Un completamento di lunghezza massima — 16.384 token in output: 0,038 $.
- Un turno agentico — 20K in ingresso, 2K in uscita: 0,019 $. Lo stesso turno costa 0,115 $ su Kimi-K3 e 0,047 $ su DeepSeek-V4-Pro.
- Cento turni agentici: 1,93 $, contro 11,48 $ sul modello più caro del catalogo.
I carichi agentici sono pesanti sull'input, ed è esattamente lì che il vantaggio di GLM è massimo: il suo prezzo in input è 5,2 volte più basso di quello di Kimi-K3 e 2,7 volte più basso di quello di DeepSeek-V4-Pro. Se il tuo agente rimanda una conversazione che cresce a ogni turno — e quasi ogni agente lo fa — è quel moltiplicatore a finire sulla tua fattura.
05Che cosa significa «senza censura» su questo endpoint
Due cose, precisamente: nessuno strato di rifiuto — nessun classificatore che decida quali richieste il modello possa vedere e nessun modello di policy che riscriva il tuo prompt prima che arrivi — e nessun filtro sull'output, cioè i token che il modello produce sono i token che ricevi, senza omissioni e senza sostituzioni.
È una proposta diversa da un'API commerciale che pubblicizza una modalità «rilassata» o «per sviluppatori». Quelle instradano comunque il traffico attraverso lo stack di policy di un fornitore; ciò che cambia è la soglia, non l'esistenza del cancello. Qui non c'è alcun cancello da regolare: il modello gira sul nostro cluster GPU e il suo comportamento è il comportamento della base. Leggi il rilievo di NIST CAISI della sezione 02 come un'affermazione tecnica invece che come un avvertimento e spiega il prodotto: un modello il cui allineamento vive nei suoi pesi, servito senza uno strato di policy esterno, si comporta secondo i suoi pesi.
Perché conta in particolare per gli agenti
I rifiuti vengono di solito discussi come una questione di contenuti. Nel lavoro agentico sono soprattutto una questione di affidabilità. Un rifiuto al turno 31 di un'esecuzione da 40 turni non è un cortese diniego che leggi e superi: è un passo malformato, un orchestratore che non sa come proseguire, un piano rotto e 30 turni di token spesi senza nulla da mostrare. Ricerca sulla sicurezza, analisi di malware, penetration testing, red teaming, narrativa per adulti, stesura di documenti medici e legali e generazione di dataset per l'addestramento alla sicurezza incontrano questo problema di continuo, e il guasto è costoso proprio perché arriva tardi.
Il rovescio della medaglia è che ora lo strato di policy è tuo. L'uso dello Shannon AI Gateway è regolato dalla nostra Politica di Uso Responsabile; togliere dal ciclo il giudizio di un fornitore significa fornire il proprio.
06Che cosa ti dà davvero l'endpoint
| Capacità | GLM-5.2 · 3BIT-REAP |
|---|---|
| Id del modello | GLM-5.2-3BIT-REAP |
| Finestra di contesto | 262.144 token |
| Output massimo per richiesta | 16.384 token |
| Streaming | Sì |
| Tool calling | Sì |
Ragionamento / reasoning_effort | Sì |
JSON Schema (json_schema) | Sì |
response_format | Sì |
| Visione / input di immagini | No — solo testo |
| Strato di rifiuto / filtro sull'output | Nessuno |
Leggi con attenzione la riga sulla visione prima di costruire. Sul nostro gateway GLM-5.2 è solo testo. Se ti serve l'input di immagini, il catalogo ha cinque opzioni con visione: MiniMax-M3 e MiMo-V2.5 al minimo di 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 $. Uno schema sensato è instradare la comprensione delle immagini su MiniMax-M3 e tutto il resto su GLM-5.2, il che non costa nulla oltre a una stringa di modello.
Tre dialetti, un modello
Lo stesso modello è raggiungibile con tre formati di richiesta, tutti in streaming: /v1/chat/completions (dialetto OpenAI), /v1/messages (dialetto Anthropic) e /v1/responses. Nulla del modello cambia tra l'uno e l'altro: scegli quello che il tuo SDK già parla e di solito sei a una modifica di base URL dall'essere operativo.
# 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, )
Gli schemi completi di richiesta e risposta per tutti e tre i dialetti, il formato del tool calling, la forma degli eventi in streaming e un playground interattivo sono nella documentazione API di Shannon AI.
07Quando scegliere GLM-5.2 — e quando no
Sceglilo quando
- Stai facendo girare agenti. I lunghi cicli di tool calling sono ciò per cui questa linea è stata costruita e ripetutamente post-addestrata, e il prezzo dell'input rende sostenibile rimandare a ogni turno una conversazione che cresce.
- Lavori su una base di codice grande. 262K di contesto, formattazione affidabile delle tool call e 0,19 $ per leggere l'intera finestra.
- Il tuo vincolo è il volume. Classificazione, estrazione, generazione di dati sintetici, riscrittura in blocco: tutto ciò in cui il costo per chiamata moltiplicato per un numero grande decide se il progetto sta in piedi.
- I rifiuti ti stanno rompendo la pipeline. Ricerca sulla sicurezza, test avversariali, narrativa senza censura, stesura di testi sensibili: qui quella modalità di fallimento non c'è.
Scegli altro quando
- Ti serve la visione. Solo testo. Vedi sopra le opzioni con visione.
- Ti serve il ragionamento più profondo a turno singolo. Per i problemi analitici one-shot più difficili, DeepSeek-V4-Pro-0813 · 3BIT-REAP è lo strumento più pesante a 2,2 volte il costo misto: sulle chiamate in cui il vincolo è il tetto di capacità, è il compromesso giusto.
- Ti serve la massima fedeltà su conoscenze oscure. Il livello
W8A16— MiMo-V2.5-Pro e Hy3 — è compresso in modo molto meno aggressivo e sta al minimo di 0,50 $ / 2,00 $, su basi più piccole.
Ogni dato sul modello di base in questa pagina è pubblicato da qualcun altro, non da noi. I dati su prezzi e capacità sono i valori vivi del nostro catalogo, verificabili su /v1/models con la tua chiave. Controlla tu stesso le fonti primarie.
I dati di benchmark di GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) sono riportati da Z.ai per il modello di base non compresso; la replica indipendente è in attesa. I dati di Claude Opus 4.8 e GPT-5.5 sono mostrati solo come riferimento. Prezzi di listino API di prima parte per GLM-5.2 come pubblicati da Z.ai, settembre 2026.
08Domande frequenti
Che cos'è l'API GLM senza censura su Shannon AI?
È l'id di modello GLM-5.2-3BIT-REAP sullo Shannon AI Gateway: una build compressa del modello di base agentico GLM-5.2 di Z.ai, servita sul nostro cluster GPU senza alcuno strato di rifiuto e senza filtri sull'output. Costa 0,73 $ per milione di token in input e 2,34 $ per milione di token in output, ha una finestra di contesto da 262.144 token ed è raggiungibile su /v1/chat/completions, /v1/messages e /v1/responses.
Perché GLM 5.2 senza censura costa meno degli altri modelli grandi del catalogo?
Per come è compresso. 3BIT-REAP unisce pesi a 3 bit e REAP, un metodo di pruning degli esperti per modelli Mixture-of-Experts che elimina gli esperti instradati raramente prima della quantizzazione. Un modello di base MoE sparso con circa 40B di parametri attivi per token, potato e quantizzato così, occupa molta meno memoria e molti meno secondi-GPU per token di un modello denso di qualità equivalente, e il prezzo lo rispecchia.
«GLM senza rifiuti» significa che il modello non ha alcuna protezione?
Significa che Shannon non ne aggiunge nessuna. Non c'è alcun classificatore di rifiuto davanti al modello né alcun filtro sui token che ne escono. Il modello di base conserva le disposizioni che il suo addestramento gli ha dato, ma nulla di esterno le scavalca. Lo strato di policy è tuo, e l'uso è soggetto alla Politica di Uso Responsabile di Shannon AI.
GLM-5.2 3BIT-REAP supporta la visione o l'input di immagini?
No. Questo modello è solo testo. Se ti serve l'input di immagini su un endpoint senza censura, usa uno dei modelli del catalogo dotati di visione, come MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 o inkling. GLM-5.2 supporta però l'output strutturato — sia json_schema sia response_format — e il tool calling.
Quali sono la finestra di contesto e la lunghezza massima dell'output?
262.144 token di contesto e 16.384 token di output per richiesta. Riempire una volta l'intera finestra di contesto costa circa 19 centesimi a 0,73 $ per milione di token in input, e un completamento di lunghezza massima costa meno di 4 centesimi.
È un buon modello agentico senza censura per lunghi cicli di tool calling?
È il primo a cui ricorriamo. La linea GLM è addestrata esplicitamente per il lavoro agentico fin da GLM-4.5, tool calling e reasoning_effort sono entrambi supportati, e il prezzo fa sì che cento turni agentici da ventimila token costino circa due dollari invece di undici. Anche i rifiuti sono una vera modalità di fallimento nei cicli agentici, e qui non c'è alcuno strato di rifiuto che possa innescarne uno.
Prova l'API GLM senza censura
0,73 $ in · 2,34 $ out · 262K di contesto · nessuno strato di rifiuto.
Leggi la documentazione API Sfoglia tutti i modelliShannon Lab LLC, New Mexico, USA · uso regolato dalla Politica di Uso Responsabile
Fonti: repository GLM-5 di 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 · NIST CAISI, valutazione di GLM-5.2 di Z.ai, luglio 2026. I punteggi di benchmark del modello di base sono riportati dal laboratorio e provvisori; descrivono GLM-5.2 non compresso, non questa build compressa. I dati su prezzi, contesto e capacità sono i valori di catalogo di Shannon AI al 5 settembre 2026.