უცენზურო GLM API: საუკეთესო ფასი ერთ ტოკენზე

„ყველაზე იაფი მოდელის“ შედარებების უმეტესობა არაპატიოსანია, რადგან იაფი ვარიანტი ჩვეულებრივ პატარა მოდელია დიდი მოდელის მარკეტინგში გამოწყობილი. აქ ეს არ ხდება. GLM-5.2 ერთ-ერთი უდიდესი ღია წონების საფუძველია, რაც კი ვინმეს გამოუშვია, და $0.73 შემავალზე / $2.34 გამომავალზე ის ჩვენი კატალოგის ფსკერზე ერთი საფეხურით მაღლა დგას, სამაგიეროდ ატარებს საფუძველს, რომელიც იმაზე რამდენჯერმე დიდია, რასაც ის ფსკერი ჩვეულებრივ ყიდულობს. სწორედ ეს სხვაობა — დიდი მოდელი, ფსკერთან ახლოს ფასი — არის ამ გვერდის არსებობის მიზეზი.

01საიდან მოდის GLM: ცინხუა, ხარვეზების შევსება და მკვეთრი მობრუნება აგენტებისკენ

GLM Llama-ს გადანიშნული წარმოებული არ არის. ეს იმ იშვიათ მოდელთა ოჯახებს შორისაა, რომელსაც საკუთარი წინასწარი წვრთნის ამოცანა აქვს, ხუთი წლის განმავლობაში ერთი და იმავე კვლევითი ჯგუფის მიერ გავარჯიშებული. სახელი ნიშნავს General Language Model-ს, ხოლო ფუძემდებლური ნაშრომი — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — მესამე ვარიანტს გვთავაზობდა BERT-ის ნიღბიანი ენობრივი მოდელირებისა და GPT-ის მკაცრი მარცხნიდან-მარჯვნივ ავტორეგრესიის გვერდით. GLM მიმდევრობით მონაკვეთებს ხარვეზად აქცევს და მათ ავტორეგრესიულად, შერეული რიგით აღადგენს, ორგანზომილებიანი პოზიციური კოდირებით, რომელიც ტოკენის ადგილსაც აკონტროლებს დაზიანებულ დოკუმენტში და მის ადგილსაც შესავსებ მონაკვეთში: ერთი არქიტექტურა, რომელიც გაგებასაც და გენერაციასაც თანაბრად კარგად ართმევს თავს.

მის უკან მდგარი ჯგუფი ცინხუას უნივერსიტეტის Knowledge Engineering Group იყო, საიდანაც გამოეყო კომპანია, დღეს ცნობილი როგორც Z.ai (ადრე Zhipu AI). მისი პირველი მთავარი არტეფაქტი იყო GLM-130B 2022 წლის ოქტომბერში — 130 მილიარდპარამეტრიანი ორენოვანი ინგლისურ-ჩინური მკვრივი მოდელი, რომლის წონებიც და კოდიც პუბლიკაციისთანავე საჯაროდ გამოვიდა. ღია გამოშვება მას შემდეგ სახლის სტილია.

MoE-ს ეპოქა და მობრუნება აგენტებისკენ

გამჭოლი ხაზი ნებისმიერ ცალკეულ გამოშვებაზე მეტად მნიშვნელოვანია. GLM-4.5-იდან მოყოლებული ყოველი ვერსია ერთსა და იმავე რამეზეა ოპტიმიზებული: ათეულობით ინსტრუმენტის გამოძახებაზე თანმიმდევრულობის შენარჩუნებაზე. ეს სხვა ამოცანაა, ვიდრე ერთნაბიჯიანი ბენჩმარკის ქულების მაქსიმიზაცია, და ის ჩანს როგორც ნაკლები დამახინჯებული ინსტრუმენტული არგუმენტი, ნაკლები გადახრა გრძელ გეგმაში და ნაკლები იმ „მე-14 ნაბიჯზე თავდაჯერებით თავიდან იწყებს ამოცანას“ ქცევისა, რაც აგენტურ ჩარჩოებს ძვირს ხდის.

02რა არის GLM-5.2 და რაზე გაიზომა ის

Z.ai GLM-5.2-ის ბენჩმარკის ციფრებს GLM-5-ის რეპოზიტორიაში აქვეყნებს. ორი მათგანი ნამდვილ აგენტურ სამუშაოზე მიუთითებს და არა წვრილმანების დამახსოვრებაზე:

Terminal-Bench 2.1 — გრძელჰორიზონტიანი ბრძანების ხაზის აგენტური ამოცანები. Z.ai-ს მიერ დაფიქსირებული.

SWE-bench Pro — რეალურ რეპოზიტორიაში პრობლემის გადაწყვეტა. Z.ai-ს მიერ დაფიქსირებული; GLM-5.1-მა იმავე ტესტზე 58.4 დააგროვა.

ეს ლაბორატორიის ციფრებია და არა ჩვენი, და ისინი შეუკუმშავ საფუძველს აღწერს. ისინი ადგენს, რომელ კლასის მოდელთან გაქვთ საქმე, და არა გარანტიას იძლევა.

ერთი მონაცემი ბენჩმარკზე მეტად ღირს, რადგან ის შემფასებლისგან მოდის, რომელსაც მოდელის მოფერების არანაირი მოტივი არ აქვს. 2026 წლის ივლისში აშშ-ის სტანდარტებისა და ტექნოლოგიების ეროვნული ინსტიტუტის AI სტანდარტებისა და ინოვაციის ცენტრმა შეაფასა GLM-5.2 და დაასკვნა, რომ ის სავარაუდოდ ყველაზე შესაძლებლობებიანი ღია წონების AI მოდელი იყო გამოშვების მომენტისთვის, საერთო შესაძლებლობებით GPT-5.2-ის და კიბერშესაძლებლობებით Claude Opus 4.6-ის დონეზე. იმავე შეფასებამ აღნიშნა, რომ GLM-5.2 ამერიკულ საეტალონო მოდელებზე ნაკლებ მგრძნობიარე მოთხოვნას ბლოკავს და რომ ღია წონებში ჩაკერებული დამცავები შეიძლება გვერდი აუარონ, როგორც კი ეს წონები თვითჰოსტირებულია. 05-ე ნაწილი ამას უბრუნდება.

03რას ნიშნავს „3BIT-REAP“ და რა გიჯდებათ ის

REAP: ექსპერტების გასხვლა და არა შერწყმა

744B-პარამეტრიან MoE მოდელს თითო ფენაზე 256 ექსპერტი აქვს, საიდანაც ნებისმიერ ტოკენზე 8 ირთვება. მარშრუტიზატორი სამუშაოს თანაბრად არ ანაწილებს — ზოგ ექსპერტს მუდმივად მიმართავს, ხოლო გრძელ კუდს იშვიათად, და როცა მიმართავს, ისინი ცოტას იძლევა. REAP (Router-weighted Expert Activation Pruning), Cerebras Research-იდან, მიღებული ICLR 2026-ზე, სწორედ ამას იყენებს: თითოეულ ექსპერტს აფასებს გამორჩევადობის კრიტერიუმით, რომელიც აერთიანებს იმას, რამდენად ძლიერად და ხშირად ხსნის მას მარშრუტიზატორის კარიბჭე, იმასთან, რა სიდიდისაა მისი გამოსავლის წვლილი, შემდეგ კი დაბალქულიანებს სამუდამოდ შლის.

საინტერესო სწორედ ის შედარებაა, რომელშიც REAP იმარჯვებს. ექსპერტის წაშლის აშკარა ალტერნატივა მისი გადარჩენილში შერწყმაა, რაც უფრო უსაფრთხოდ ჟღერს. ნაშრომის დასკვნა 20B-დან 1T პარამეტრამდე MoE მოდელებზე ის არის, რომ შერწყმა გენერაციული სამუშაოსთვის სინამდვილეში უარესია, გასხვლა კი საოცრად კარგად ძლებს: თითქმის უდანაკარგოა კოდის გენერაციისა და ინსტრუმენტების გამოძახების ბენჩმარკებზე ექსპერტების ნახევრის მოშორების შემდეგაც, საფუძვლებზე, რომელთა შორისაა Qwen3-Coder-480B და Kimi-K2. კოდისა და ინსტრუმენტების გამოძახების ხელუხლებლად გადარჩენა ზუსტად ის არის, რის შენარჩუნებაც გინდათ მოდელზე, რომლის არსებობის მიზეზიც აგენტური ინჟინერიაა.

3-ბიტიანი წონები და პატიოსანი კომპრომისი

გასხვლის გარდა, გადარჩენილი წონები 3 ბიტზე ინახება — უფრო აგრესიულად, ვიდრე W4A16-AUTOROUND-REAP და W8A16 დონეები ჩვენი კატალოგის სხვაგან, და დაცულია მხოლოდ უდიდესი საფუძვლებისთვის, სადაც სამი მეოთხედი ტრილიონპარამეტრიანი მოდელის მომსახურე კვანძზე დასმისა და ტოკენების გამოსადეგი სიჩქარით მიწოდების სხვა გზა არ არსებობს.

შეკუმშვა უფასო არ არის. სწორი გონებრივი მოდელი ასეთია: გასხვლა და კვანტიზაცია ჯერ გრძელ კუდს აზიანებს. მკვრივი, ხშირად ვარჯიშში მყოფი ქცევები — ინსტრუქციების შესრულება, კოდის სტრუქტურა, ინსტრუმენტული გამოძახების ფორმატირება, მრავალსაფეხურიანი დაგეგმვა — კარგად ძლებს, რასაც სწორედ REAP-ის შედეგები აჩვენებს. სხვაობას შეუკუმშავ GLM-5.2-თან შედარებით იქ უნდა ელოდოთ, სადაც საქმე ბუნდოვან ფაქტობრივ ცოდნას, იშვიათ ენებსა და ვიწრო დომენის წვრილმანებს ეხება. თუ თქვენი დატვირთვაა „იცოდე უჩვეულო ფაქტი დაუფიქრებლად“, გადაიხადეთ უფრო მაღალი ერთგულების დონეზე. თუ ის არის „გაატარე გეგმა ორმოც ინსტრუმენტულ გამოძახებაზე რელსებიდან გადაუხვევლად“, ეს არის ის დონე, რომლისთვისაც მეთოდი შეიქმნა.

04ღირებულების არგუმენტი: რა ჯდება სინამდვილეში იაფი უცენზურო LLM API

Z.ai-ს საკუთარი გამოქვეყნებული API სასაქონლო ფასი GLM-5.2-ისთვის არის $1.40 მილიონ შემავალ ტოკენზე და $4.40 მილიონ გამომავალზე. ჩვენი ფასი იმავე საფუძველზე არის $0.73 / $2.34 — დაახლოებით 48%-ით ნაკლები შემავალზე და 47%-ით ნაკლები გამომავალზე. ეს ფასდაკლება სწორედ ის არის, რასაც შეკუმშვა ყიდულობს, და მას თან ახლავს მეორე რამ, რომლის ყიდვაც პირველი მხარისგან არანაირ ფასად შეიძლება: უარის ფენის არარსებობა.

ჩვენივე კატალოგში მნიშვნელოვანი ციფრი შერეული ღირებულებაა. აი ის შემავალი-გამომავალის 3:1 თანაფარდობაზე, რაც პრაქტიკაში დაახლოებით ინსტრუმენტების გამომძახებელ აგენტს ჰგავს — შიგნით ბევრი კონტექსტი და ინსტრუმენტების შედეგები, გარეთ შედარებით ცოტა ტოკენი.

მოდელი	შემავალი / 1M	გამომავალი / 1M	შერეული 3:1	ხედვა
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	არა
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	არა
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	დიახ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	არა
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	დიახ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	დიახ

ექვსი მოდელი $0.50 / $2.00 ფსკერზე დგას — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro და Hy3 — ანუ $0.875 შერეული განაკვეთი. GLM-5.2 ამ ფსკერზე 29%-ით მაღლაა და 744B კლასის საფუძველს გაძლევთ, რომლის უკანაც აგენტურ ქცევაში მდგრადი ინვესტიციაა ჩადებული. ყველაფერი, რაც მასზე ზემოთაა დაფასებული, შერეულად სულ მცირე 23%-ით მეტი ღირს, ხოლო Kimi-K3 6.8-ჯერ მეტი. ეს არის ღირებულების არგუმენტი ერთ სტრიქონში: კატალოგში ყველაზე იაფი ადგილი, სადაც უმაღლესი დონის აგენტური საფუძველი იყიდება.

სამუშაოდ გადათარგმნილი

• ერთი სრული კონტექსტის შევსება — 262,144 შემავალი ტოკენი: $0.19. მთელი დიდი რეპოზიტორია ფანჯარაში წაკითხული ოც ცენტზე ნაკლებად.
• ერთი მაქსიმალური სიგრძის დასრულება — 16,384 გამომავალი ტოკენი: $0.038.
• ერთი აგენტური ნაბიჯი — 20K შიგნით, 2K გარეთ: $0.019. იგივე ნაბიჯი Kimi-K3-ზე $0.115 ჯდება, DeepSeek-V4-Pro-ზე კი $0.047.
• ასი აგენტური ნაბიჯი: $1.93, კატალოგის ყველაზე ძვირი მოდელის $11.48-თან შედარებით.

აგენტური დატვირთვები შემავალით მძიმეა და GLM-ის უპირატესობა სწორედ იქ არის ყველაზე დიდი: მისი შემავალის ფასი 5.2-ჯერ დაბალია Kimi-K3-ისაზე და 2.7-ჯერ DeepSeek-V4-Pro-ისაზე. თუ თქვენი აგენტი ყოველ ნაბიჯზე მზარდ საუბარს ხელახლა აგზავნის — და თითქმის ყველა აგენტი ასე იქცევა — სწორედ ეს მამრავლი ხვდება თქვენს ანგარიშფაქტურაში.

05რას ნიშნავს „უცენზურო“ ამ ენდპოინტზე

ზუსტად ორ რამეს: უარის ფენა არ არსებობს — არც კლასიფიკატორია, რომელიც წყვეტს, რომელი მოთხოვნის ნახვის უფლება აქვს მოდელს, და არც პოლიტიკის მოდელი, რომელიც თქვენს პრომპტს მისვლამდე გადაწერს — და გამოსავლის ფილტრი არ არსებობს, ანუ ტოკენები, რომლებსაც მოდელი აწარმოებს, სწორედ ის ტოკენებია, რომლებსაც იღებთ, დაუფარავად და შეუცვლელად.

ეს სხვა წინადადებაა, ვიდრე კომერციული API, რომელიც „შერბილებულ“ ან „დეველოპერულ“ რეჟიმს არეკლამებს. ისინი მაინც ატარებს ტრაფიკს მომწოდებლის პოლიტიკის დასტაში; იცვლება ზღურბლი და არა კარიბჭის არსებობა. აქ დასარეგულირებელი კარიბჭე არ არის — მოდელი ჩვენსავე GPU კლასტერზე მუშაობს და მისი ქცევა საფუძვლის ქცევაა. წაიკითხეთ 02-ე ნაწილის NIST CAISI-ს დასკვნა როგორც ტექნიკური კონსტატაცია და არა როგორც გაფრთხილება, და ის პროდუქტს ხსნის: მოდელი, რომლის განლაგებაც მის წონებში ცხოვრობს და რომელიც გარე პოლიტიკის ფენის გარეშე მუშაობს, თავისი წონების მიხედვით იქცევა.

რატომ აქვს ამას განსაკუთრებული მნიშვნელობა აგენტებისთვის

უარებზე ჩვეულებრივ როგორც შიგთავსის საკითხზე საუბრობენ. აგენტურ სამუშაოში ისინი ძირითადად საიმედოობის საკითხია. უარი 40-ნაბიჯიანი გაშვების 31-ე ნაბიჯზე თავაზიანი უარი კი არაა, რომელსაც წაიკითხავთ და გააგრძელებთ — ეს დამახინჯებული ნაბიჯია, ორკესტრატორი, რომელმაც არ იცის, როგორ განაგრძოს, გატეხილი გეგმა და 30 ნაბიჯი დახარჯული ტოკენი შედეგის გარეშე. უსაფრთხოების კვლევა, მავნე პროგრამების ანალიზი, შეღწევადობის ტესტირება, red-teaming, ზრდასრულთა მხატვრული ლიტერატურა, სამედიცინო და იურიდიული დოკუმენტების შედგენა და უსაფრთხოების წვრთნისთვის მონაცემთა ნაკრებების გენერაცია — ყველა ამას მუდმივად აწყდება და წარუმატებლობა სწორედ იმიტომაა ძვირი, რომ გვიან ხდება.

მეორე მხარე ის არის, რომ პოლიტიკის ფენა ახლა თქვენია. Shannon AI-ს გეითვეის გამოყენება რეგულირდება ჩვენი პასუხისმგებლიანი გამოყენების პოლიტიკით; მომწოდებლის განსჯის მარყუჟიდან ამოღება ნიშნავს, რომ საკუთარი უნდა მიაწოდოთ.

06რას გაძლევთ ენდპოინტი სინამდვილეში

შესაძლებლობა	GLM-5.2 · 3BIT-REAP
მოდელის იდენტიფიკატორი	GLM-5.2-3BIT-REAP
კონტექსტის ფანჯარა	262,144 ტოკენი
მაქს. გამოსავალი მოთხოვნაზე	16,384 ტოკენი
სტრიმინგი	დიახ
ინსტრუმენტების გამოძახება	დიახ
მსჯელობა / reasoning_effort	დიახ
JSON Schema (json_schema)	დიახ
response_format	დიახ
ხედვა / სურათის შეტანა	არა — მხოლოდ ტექსტი
უარის ფენა / გამოსავლის ფილტრი	არ არის

ხედვის სტრიქონი ყურადღებით წაიკითხეთ, სანამ ააშენებთ. GLM-5.2 ჩვენს გეითვეიზე მხოლოდ ტექსტურია. თუ სურათის შეტანა გჭირდებათ, კატალოგში ხედვის მქონე ხუთი ვარიანტია — MiniMax-M3 და MiMo-V2.5 $0.50 / $2.00 ფსკერზე, Kimi-K2.6 $0.78 / $3.67-ზე, inkling $1.42 / $6.07-ზე და Kimi-K3 $3.83 / $19.12-ზე. გონივრული შაბლონია, სურათების გაგება MiniMax-M3-ს გადაამისამართოთ, დანარჩენი კი GLM-5.2-ს, რაც მოდელის სტრიქონის გარდა არაფერს ჯდება.

სამი დიალექტი, ერთი მოდელი

იგივე მოდელი სამი მოთხოვნის ფორმატით არის ხელმისაწვდომი, ყველა სტრიმინგით: /v1/chat/completions (OpenAI-ის დიალექტი), /v1/messages (Anthropic-ის დიალექტი) და /v1/responses. მოდელში მათ შორის არაფერი იცვლება — აირჩიეთ ის, რომელზეც თქვენი SDK უკვე ლაპარაკობს, და ჩვეულებრივ ერთი საბაზო URL-ის ცვლილება გაშვებამდე გაშორებთ.

# OpenAI-ის დიალექტი — მიმართეთ თქვენი არსებული კლიენტი გეითვეისკენ
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,                 # ინსტრუმენტების გამოძახება მხარდაჭერილია
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

სამივე დიალექტის სრული მოთხოვნისა და პასუხის სქემები, ინსტრუმენტების გამოძახების ფორმატი, სტრიმინგის მოვლენების ფორმები და ინტერაქტიული სათამაშო მოედანი Shannon AI-ს API-ის დოკუმენტაციაშია.

07როდის აირჩიოთ GLM-5.2 — და როდის არა

მიმართეთ მას, როცა

• აგენტებს უშვებთ. გრძელი ინსტრუმენტული მარყუჟები სწორედ ის არის, რისთვისაც ეს წარმომავლობა აშენდა და არაერთხელ გაიწვრთნა, ხოლო შემავალის ფასი მზარდი საუბრის ყოველ ნაბიჯზე ხელახლა გაგზავნას ხელმისაწვდომს ხდის.
• დიდ კოდის ბაზაზე მუშაობთ. 262K კონტექსტი, ინსტრუმენტული გამოძახების საიმედო ფორმატირება და $0.19 მთელი ფანჯრის წასაკითხად.
• მოცულობა თქვენი შემზღუდველია. კლასიფიკაცია, ამოღება, სინთეზური მონაცემების გენერაცია, მასობრივი გადაწერა — ყველაფერი, სადაც ერთი გამოძახების ფასი დიდ რიცხვზე გამრავლებული წყვეტს, სიცოცხლისუნარიანია თუ არა პროექტი.
• უარები გიშლით მილსადენს. უსაფრთხოების კვლევა, შეჯიბრებითი ტესტირება, უცენზურო მხატვრული ლიტერატურა, მგრძნობიარე დოკუმენტების შედგენა — ეს წარუმატებლობის რეჟიმი აქ არ არსებობს.

მიმართეთ სხვას, როცა

• ხედვა გჭირდებათ. მხოლოდ ტექსტი. იხილეთ ხედვის მქონე ვარიანტები ზემოთ.
• ყველაზე ღრმა ერთნაბიჯიანი მსჯელობა გჭირდებათ. ურთულესი ერთჯერადი ანალიტიკური ამოცანებისთვის DeepSeek-V4-Pro-0813 · 3BIT-REAP უფრო მძიმე ინსტრუმენტია შერეული ღირებულების 2.2-მაგზე — იმ გამოძახებებზე, სადაც შემზღუდველი ჭერია, ეს სწორი გაცვლაა.
• მაქსიმალური ერთგულება გჭირდებათ ბუნდოვან ცოდნაზე. W8A16 დონე — MiMo-V2.5-Pro და Hy3 — ბევრად ნაკლებად აგრესიულადაა შეკუმშული და $0.50 / $2.00 ფსკერზე დგას, უფრო მცირე საფუძვლებზე.

GLM-5.2-ის ბენჩმარკის ციფრები (Terminal-Bench 2.1, SWE-bench Pro) Z.ai-ს მიერაა დაფიქსირებული შეუკუმშავი საფუძვლისთვის; დამოუკიდებელი გამეორება ჯერ არ მომხდარა. Claude Opus 4.8-ისა და GPT-5.5-ის ციფრები მხოლოდ საორიენტაციოდაა ნაჩვენები. პირველი მხარის GLM-5.2-ის API სასაქონლო ფასები Z.ai-ს მიერ გამოქვეყნებულია, 2026 წლის სექტემბერი.

08ხშირად დასმული კითხვები

---

წყაროები: Z.ai-ს GLM-5-ის რეპოზიტორია · 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-ს შეფასება Z.ai-ს GLM-5.2-ზე, 2026 წლის ივლისი. საფუძვლის ბენჩმარკის ქულები ლაბორატორიის მიერაა დაფიქსირებული და წინასწარია; ისინი შეუკუმშავ GLM-5.2-ს აღწერს და არა ამ შეკუმშულ ბილდს. ფასების, კონტექსტისა და შესაძლებლობების ციფრები Shannon AI-ს კატალოგის მნიშვნელობებია 2026 წლის 5 სექტემბრის მდგომარეობით.