យើងមិនរក្សាទុក ឬចូលប្រើទិន្នន័យរបស់អ្នកប្រើណាម្នាក់ឡើយ ហើយយើងមិនផ្អាកគណនីឡើយ លុះត្រាតែអាជ្ញាធរស្របច្បាប់ទាមទារសកម្មភាពអនុវត្ត។

ប័ណ្ណម៉ូដែល · GLM-5.2 · 3BIT-REAP

API GLM គ្មានសេនស័រ៖ តម្លៃល្អបំផុតក្នុងមួយ តូខេន

មូលដ្ឋាន GLM ភ្នាក់ងាររបស់ Z.ai បម្រើដោយ គ្មានស្រទាប់បដិសេធ នៅលើចង្កោម GPU ផ្ទាល់ខ្លួនរបស់យើង — បរិបទ 262K ការហៅឧបករណ៍ និងតម្លៃលាយក្រោមពាក់កណ្តាលនៃអ្វីដែលពូជពង្សដូចគ្នាចំណាយភាគីទីមួយ។

ធ្វើបច្ចុប្បន្នភាព ថ្ងៃទី 5 ខែកញ្ញា ឆ្នាំ 2026ប័ណ្ណម៉ូដែលមូលដ្ឋាន៖ GLM-5.2 (Z.ai)

សេចក្តីសង្ខេប

GLM-5.2-3BIT-REAP ជាម៉ូដែលនៅលើផ្លូវចូល Shannon AI ដែលយើងណែនាំជាលំនាំដើម។ វាដំណើរការមូលដ្ឋាន Mixture-of-Experts តូចតាច 744 ប៊ីលានប៉ារ៉ាម៉ែត្រ ពីពូជពង្ស GLM — បណ្តុះបណ្តាលច្បាស់លាស់សម្រាប់ការប្រើឧបករណ៍ភ្នាក់ងារតាំងពី GLM-4.5 — បង្រួមជាមួយទម្ងន់ 3-ប៊ីត និងការកាត់ចេញអ្នកជំនាញ REAP ដូច្នេះវាសមចូល និងរក្សាល្បឿន។ អ្នកទទួលបាន បរិបទ 262,144 តូខេន លទ្ធផល 16,384 តូខេន ការហៅឧបករណ៍ ការវែកញែកជាមួយ reasoning_effort ដែលអាចកែសម្រួល និងលទ្ធផលមានរចនាសម្ព័ន្ធ JSON Schema ក្នុងតម្លៃ $0.73 / $2.34 ក្នុងមួយលានតូខេន។ មាន គ្មានស្រទាប់បដិសេធ និងគ្មានតម្រងលទ្ធផល។ អត្ថបទតែប៉ុណ្ណោះ — គ្មានការមើលឃើញ។

ការប្រៀបធៀប "ម៉ូដែលថោកបំផុត" ភាគច្រើនមិនស្មោះត្រង់ទេ ព្រោះជម្រើសថោកជាធម្មតាជាម៉ូដែលតូចមួយពាក់ការផ្សព្វផ្សាយរបស់ម៉ូដែលធំ។ នោះមិនមែនជាអ្វីដែលកើតឡើងនៅទីនេះទេ។ GLM-5.2 ជាមួយក្នុងចំណោមមូលដ្ឋានទម្ងន់បើកចំហធំបំផុតដែលនរណាម្នាក់បានចេញផ្សាយ ហើយក្នុងតម្លៃ $0.73 ចូល / $2.34 ចេញ វានៅជាន់មួយពីលើបាតកាតាឡុករបស់យើង ខណៈផ្ទុកមូលដ្ឋានធំជាងច្រើនដងអ្វីដែលបាតនោះជាធម្មតាទិញបាន។ គម្លាតនោះ — ម៉ូដែលធំ តម្លៃជិតបាត — ជាមូលហេតុដែលទំព័រនេះមាន។

01ដើមកំណើត GLM៖ Tsinghua ការបំពេញចន្លោះទទេ និងការបត់ទៅរកភ្នាក់ងារយ៉ាងខ្លាំង

GLM មិនមែនជា Llama ដែលដាក់ស្លាកថ្មីទេ។ វាជាមួយក្នុងចំណោមគ្រួសារម៉ូដែលមួយចំនួនតូចដែលមានគោលបំណងបណ្តុះបណ្តាលជាមុនផ្ទាល់ខ្លួន ដែលធ្វើម្តងហើយម្តងទៀតរយៈពេលប្រាំឆ្នាំដោយក្រុមស្រាវជ្រាវដដែល។ ឈ្មោះតំណាងឲ្យ General Language Model ហើយអត្ថបទដើម — GLM: General Language Model Pretraining with Autoregressive Blank Infilling ACL 2022 — បានស្នើជម្រើសទីបីក្បែរការធ្វើម៉ូដែលភាសាបិទបាំងរបស់ BERT និងការវិលត្រឡប់ស្វ័យប្រវត្តិពីឆ្វេងទៅស្តាំតឹងរ៉ឹងរបស់ GPT។ GLM បិទចន្លោះជាប់គ្នា ហើយបង្កើតវាឡើងវិញតាមរបៀបវិលត្រឡប់តាមលំដាប់ដែលបានលាយ ជាមួយកូដទីតាំងពីរវិមាត្រតាមដានទាំងទីតាំងតូខេនក្នុងឯកសារខូច និងទីតាំងរបស់វាក្នុងចន្លោះដែលកំពុងបំពេញ៖ ស្ថាបត្យកម្មតែមួយដោះស្រាយទាំងការយល់ដឹង និងការបង្កើតបានល្អដូចគ្នា។

ក្រុមនៅពីក្រោយវាគឺ Knowledge Engineering Group នៃសាកលវិទ្យាល័យ Tsinghua ដែលបានញែកចេញជាក្រុមហ៊ុនហៅឥឡូវថា Z.ai (ពីមុន Zhipu AI)។ ស្នាដៃចំណងជើងទីមួយរបស់ខ្លួនគឺ GLM-130B ក្នុងខែតុលា ឆ្នាំ 2022 — ម៉ូដែលក្រាស់ពីរភាសាអង់គ្លេស/ចិន 130 ប៊ីលានប៉ារ៉ាម៉ែត្រ ទម្ងន់ និងកូដត្រូវបានចេញផ្សាយជាសាធារណៈនៅពេលបោះពុម្ព។ ការចេញផ្សាយបើកចំហជាទម្លាប់ក្រុមហ៊ុនតាំងពីនោះមក។

យុគសម័យ MoE និងការបត់ទៅរកភ្នាក់ងារ

28 កក្កដា 2025 — GLM-4.5

ម៉ូដែលទង់ជើងទីមួយដែលសាងសង់ច្បាស់លាស់ជាមូលដ្ឋាន កំណើតភ្នាក់ងារ៖ 355 ប៊ីលានប៉ារ៉ាម៉ែត្រសរុប 32 ប៊ីលានសកម្មក្នុងមួយតូខេន MoE តូចតាចជាមួយអ្នកជំនាញរួម និង Multi-Token Prediction បរិបទ 128K និងពីរកម្រិត — "ការគិត" សម្រាប់ការវែកញែក និងការប្រើឧបករណ៍ បូកនឹងកម្រិតលឿនមិនគិត។ ប្រហែល 15 លានលានតូខេនបណ្តុះបណ្តាលជាមុន បន្ទាប់មកក្រោយបណ្តុះបណ្តាលលើកូដ ការវែកញែក និងគន្លងភ្នាក់ងារ ជាមួយ RL នៅលើកំពូល។

30 កញ្ញា 2025 — GLM-4.6

បង្អួចវែងជាង (128K ទៅ 200K) ការសរសេរកូដពិតប្រាកដប្រសើរជាង និងការហៅឧបករណ៍ខូចតិចជាងក្នុងសម័យវែង។ LiveCodeBench v6 ពី 63.3 លើ GLM-4.5 ទៅ 82.8 — ការលោតមិនធម្មតាសម្រាប់ការចេញផ្សាយចំណុចមួយ និងសញ្ញាច្បាស់លាស់ថាការយកចិត្តទុកដាក់របស់មន្ទីរពិសោធន៍ស្ថិតនៅឯណា។

11 កុម្ភៈ 2026 — GLM-5

ការពង្រីកទំហំ ក្រោមស្លាកសញ្ញា From Vibe Coding to Agentic Engineering។ 744 ប៊ីលានប៉ារ៉ាម៉ែត្រសរុប ជាមួយប្រហែល 40 ប៊ីលានសកម្ម អ្នកជំនាញ 256 ជាមួយការកំណត់ផ្លូវ top-8 (ភាពតូចតាចប្រហែល 5.9%) DeepSeek Sparse Attention សម្រាប់ប្រសិទ្ធភាពបរិបទវែង និងអង្គបញ្ចេញអត្ថបទដែលកើនពី 23 លានលានទៅ 28.5 លានលានតូខេន។ ក្រោយបណ្តុះបណ្តាលបានផ្លាស់ទៅ RL អសមកាលកម្រិតធំដែលមានគោលដៅឥរិយាបថភ្នាក់ងាររយៈពេលវែង៖ ការធ្វើផែនការ ការរុករកឃ្លាំង និងការជួសជុលការងាររបស់ខ្លួនម្តងហើយម្តងទៀត។

មេសា–មិថុនា 2026 — GLM-5.1 បន្ទាប់មក GLM-5.2

GLM-5.1 ចេញផ្សាយជាទម្ងន់បើកចំហក្នុងខែមេសា។ GLM-5.2 តាមក្រោយក្នុងខែមិថុនា ឆ្នាំ 2026 លើប្លង់ 744B / ~40B សកម្មដូចគ្នា ជាមួយបង្អួចដែលអាចប្រើបានវែងជាង និងវដ្តក្រោយបណ្តុះបណ្តាលភ្នាក់ងារមួយជុំបន្ថែម — មូលដ្ឋានដែលប័ណ្ណម៉ូដែលនេះនិយាយអំពី។

ខ្សែបន្តសំខាន់ជាងការចេញផ្សាយណាមួយ។ តាំងពី GLM-4.5 មក កំណែនីមួយៗត្រូវបានធ្វើឲ្យប្រសើរឡើងសម្រាប់រឿងតែមួយ៖ រក្សាភាពស៊ីសង្វាក់គ្នាឆ្លងកាត់ការហៅឧបករណ៍រាប់សិប។ នោះជាគោលដៅខុសពីការធ្វើឲ្យពិន្ទុតង្កៀបស្តង់ដារវេនតែមួយអតិបរមា ហើយវាបង្ហាញជាអាគុយម៉ង់ឧបករណ៍ខូចទម្រង់តិចជាង ការវង្វេងតិចជាងក្នុងផែនការវែង និងឥរិយាបថ "ចាប់ផ្តើមភារកិច្ចឡើងវិញដោយទំនុកចិត្តនៅវេនទី 14" តិចជាង ដែលធ្វើឲ្យក្របខ័ណ្ឌភ្នាក់ងារចំណាយថ្លៃ។

02GLM-5.2 ជាអ្វី និងត្រូវបានវាស់ស្ទង់ត្រឹមណា

744B

ប៉ារ៉ាម៉ែត្រសរុប

~40B

សកម្ម / តូខេន

256

អ្នកជំនាញ (top-8)

បើកចំហ

ទម្ងន់ចេញផ្សាយ

Z.ai ផ្សព្វផ្សាយតួលេខតង្កៀបស្តង់ដារសម្រាប់ GLM-5.2 ក្នុងឃ្លាំង GLM-5។ ពីរផ្គូផ្គងទៅនឹងការងារភ្នាក់ងារពិតប្រាកដ ជាជាងការចងចាំចំណេះដឹងទូទៅ៖

Claude Opus 4.885.0

GLM-5.281.0

Terminal-Bench 2.1 — ភារកិច្ចភ្នាក់ងារបន្ទាត់ពាក្យបញ្ជារយៈពេលវែង។ រាយការណ៍ដោយ Z.ai។

GLM-5.262.1

GPT-5.558.6

SWE-bench Pro — ការដោះស្រាយបញ្ហាឃ្លាំងកូដពិតប្រាកដ។ រាយការណ៍ដោយ Z.ai; GLM-5.1 ទទួលបាន 58.4 លើតេស្តដូចគ្នា។

ទាំងនោះជាតួលេខរបស់មន្ទីរពិសោធន៍ មិនមែនរបស់យើងទេ ហើយវាពណ៌នាមូលដ្ឋាន ដែលមិនបានបង្រួម។ វាបង្កើតថ្នាក់ម៉ូដែលដែលអ្នកកំពុងដោះស្រាយជាមួយ មិនមែនការធានាទេ។

ចំណុចទិន្នន័យមួយសមនឹងតម្លៃច្រើនជាងតង្កៀបស្តង់ដារមួយ ព្រោះវាមកពីអ្នកវាយតម្លៃដែលគ្មានការលើកទឹកចិត្តលើកសរសើរម៉ូដែល។ ក្នុងខែកក្កដា ឆ្នាំ 2026 មជ្ឈមណ្ឌលស្តង់ដារ និងនវានុវត្តន៍ AI នៃវិទ្យាស្ថានស្តង់ដារ និងបច្ចេកវិទ្យាជាតិសហរដ្ឋអាមេរិកបានវាយតម្លៃ GLM-5.2 ហើយសន្និដ្ឋានថាវា ប្រហែលជាម៉ូដែល AI ទម្ងន់បើកចំហមានសមត្ថភាពបំផុតដែលមាននៅពេលវាចេញផ្សាយ ជាមួយសមត្ថភាពរួមអាចប្រៀបធៀបទៅនឹង GPT-5.2 និងសមត្ថភាពសន្តិសុខតាមអ៊ីនធឺណិតអាចប្រៀបធៀបទៅនឹង Claude Opus 4.6។ ការវាយតម្លៃដដែលសង្កេតឃើញថា GLM-5.2 រារាំងសំណើរសើបតិចជាងម៉ូដែលយោងសហរដ្ឋអាមេរិក និងថាការការពារដែលដុតបញ្ចូលក្នុងទម្ងន់បើកចំហអាចត្រូវបានគេចផុតនៅពេលទម្ងន់ទាំងនោះត្រូវបានបង្ហោះដោយខ្លួនឯង។ ផ្នែក 05 ត្រឡប់មកចំណុចនោះវិញ។

03អត្ថន័យនៃ "3BIT-REAP" និងតម្លៃចំណាយរបស់អ្នក

REAP៖ កាត់ចេញអ្នកជំនាញ ជំនួសឲ្យការបញ្ចូលគ្នា

ម៉ូដែល MoE 744 ប៊ីលានប៉ារ៉ាម៉ែត្រមានអ្នកជំនាញ 256 ក្នុងមួយស្រទាប់ ដែល 8 ដំណើរការលើតូខេនណាមួយ។ router មិនចែកចាយការងារស្មើគ្នាទេ — អ្នកជំនាញខ្លះត្រូវបានវាយប្រហារជានិច្ច ហើយកន្ទុយវែងមួយត្រូវបានវាយប្រហារកម្រ ហើយចូលរួមតិចនៅពេលពួកគេត្រូវបានវាយប្រហារ។ REAP (Router-weighted Expert Activation Pruning) ពី Cerebras Research ដែលទទួលយកសម្រាប់ ICLR 2026 ទាញយកចំណុចនោះ៖ វាដាក់ពិន្ទុអ្នកជំនាញនីមួយៗតាមលក្ខណៈវិនិច្ឆ័យសំខាន់ដែលផ្សំ ថាតើ router ជ្រើសរើសវាខ្លាំង និងញឹកញាប់ប៉ុនណា ជាមួយ ទំហំនៃការចូលរួមលទ្ធផលរបស់វា បន្ទាប់មកលុបអ្នកពិន្ទុទាបចេញជានិច្ច។

ផ្នែកគួរឲ្យចាប់អារម្មណ៍គឺការប្រៀបធៀបដែល REAP ឈ្នះ។ ជម្រើសផ្សេងច្បាស់លាស់ចំពោះការលុបអ្នកជំនាញគឺបញ្ចូលវាទៅជាអ្នករស់រានម្នាក់ ដែលស្តាប់ទៅមានសុវត្ថិភាពជាង។ ការរកឃើញរបស់អត្ថបទនេះឆ្លងកាត់ម៉ូដែល MoE ចាប់ពី 20B ដល់ 1T ប៉ារ៉ាម៉ែត្រគឺថាការបញ្ចូលគ្នាតាមពិត អាក្រក់ជាង សម្រាប់ការងារបង្កើត ហើយការកាត់ចេញរក្សាបានយ៉ាងគួរឲ្យកត់សម្គាល់៖ ស្ទើរតែគ្មានការបាត់បង់លើតង្កៀបស្តង់ដារការបង្កើតកូដ និងការហៅឧបករណ៍ ទោះជាបន្ទាប់ពីដកអ្នកជំនាញពាក់កណ្តាលចេញ លើមូលដ្ឋានរួមមាន Qwen3-Coder-480B និង Kimi-K2។ កូដ និងការហៅឧបករណ៍រស់រានពេញលេញគឺជាអ្វីដែលអ្នកចង់រក្សាទុកលើម៉ូដែលមួយដែលមូលហេតុមានវាគឺវិស្វកម្មភ្នាក់ងារ។

ទម្ងន់ 3-ប៊ីត និងការដោះដូរដ៏ស្មោះត្រង់

លើសពីការកាត់ចេញ ទម្ងន់ដែលរស់រានត្រូវបានផ្ទុកនៅ 3 ប៊ីត — ខ្លាំងជាងថ្នាក់ W4A16-AUTOROUND-REAP និង W8A16 នៅកន្លែងផ្សេងក្នុងកាតាឡុករបស់យើង ហើយបម្រុងទុកសម្រាប់មូលដ្ឋានធំបំផុត ដែលគ្មានវិធីផ្សេងទៀតដើម្បីដាក់ម៉ូដែលបីភាគបួននៃលានលានប៉ារ៉ាម៉ែត្រលើថ្នាំងបម្រើ ហើយរក្សាតូខេនហូរក្នុងអត្រាដែលអាចប្រើបាន។

ការបង្រួមមិនឥតគិតថ្លៃទេ។ គំរូគំនិតត្រឹមត្រូវ៖ ការកាត់ចេញ និងការកំណត់ចំនួនធ្វើឲ្យខូចកន្ទុយវែងមុនគេ។ ឥរិយាបថក្រាស់ ដែលអនុវត្តជាញឹកញាប់ — ការធ្វើតាមការណែនាំ រចនាសម្ព័ន្ធកូដ ការរៀបចំទម្រង់ការហៅឧបករណ៍ ការធ្វើផែនការច្រើនជំហាន — រស់រានបានល្អ ដែលនោះជាអ្វីដែលលទ្ធផល REAP បង្ហាញយ៉ាងជាក់លាក់។ ការចងចាំហេតុការណ៍ស្រពិចស្រពិល ភាសាកម្រ និងចំណេះដឹងជាក់លាក់តូចចង្អៀតជាកន្លែងដែលអ្នកគួរស្មានភាពខុសគ្នាធៀបនឹង GLM-5.2 ដែលមិនបានបង្រួម។ បើបន្ទុកការងាររបស់អ្នកជា "ដឹងហេតុការណ៍មិនធម្មតាមួយយ៉ាងច្បាស់" សូមបង់ថ្លៃថ្នាក់ភាពត្រឹមត្រូវខ្ពស់ជាង។ បើវាជា "រត់ផែនការឆ្លងកាត់ការហៅឧបករណ៍សែសិបដោយមិនចេញផ្លូវ" នេះជាថ្នាក់ដែលវិធីសាស្ត្រនេះត្រូវបានរចនាឡើងសម្រាប់។

04ករណីតម្លៃ៖ អ្វីដែល API LLM គ្មានសេនស័រតម្លៃថោកពិតជាចំណាយ

$0.73

ក្នុងមួយលានចូល

$2.34

ក្នុងមួយលានចេញ

262K

បង្អួចបរិបទ

16K

លទ្ធផលអតិបរមា

តម្លៃបញ្ជី API ដែលបានផ្សព្វផ្សាយផ្ទាល់របស់ Z.ai សម្រាប់ GLM-5.2 គឺ $1.40 ក្នុងមួយលានតូខេនចូល និង $4.40 ក្នុងមួយលានតូខេនចេញ។ តម្លៃរបស់យើងលើមូលដ្ឋានដូចគ្នាគឺ $0.73 / $2.34 — ប្រហែល 48% ថោកជាងលើចូល និង 47% ថោកជាងលើចេញ។ ការបញ្ចុះតម្លៃនោះជាអ្វីដែលការបង្រួមទិញឲ្យ ហើយវាមកជាមួយរបស់ទីពីរដែលអ្នកមិនអាចទិញភាគីទីមួយក្នុងតម្លៃណាមួយបានទេ៖ គ្មានស្រទាប់បដិសេធ។

ក្នុងកាតាឡុករបស់យើងផ្ទាល់ ថ្លៃដើមលាយជាតួលេខសំខាន់។ នេះជាតម្លៃនៅសមាមាត្រចូលទៅចេញ 3:1 ប្រហែលអ្វីដែលភ្នាក់ងារហៅឧបករណ៍មើលទៅដូចជាក្នុងការអនុវត្ត — បរិបទ និងលទ្ធផលឧបករណ៍ច្រើនចូល តូខេនចេញប្រៀបធៀបតិច។

ម៉ូដែល	ចូល / 1M	ចេញ / 1M	លាយ 3:1	ការមើលឃើញ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	ទេ
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	ទេ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	មាន
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	ទេ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	មាន
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	មាន

ម៉ូដែលប្រាំមួយស្ថិតនៅបាត $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro និង Hy3 — អត្រាលាយ $0.875។ GLM-5.2 នៅ 29% លើសពីបាតនោះ ហើយទិញឲ្យអ្នកនូវមូលដ្ឋានថ្នាក់ 744B ជាមួយការវិនិយោគជាប់លាប់លើឥរិយាបថភ្នាក់ងារនៅពីក្រោយវា។ អ្វីៗគ្រប់យ៉ាងដែលមានតម្លៃ លើស ពីវាចំណាយយ៉ាងតិច 23% ច្រើនជាងលាយ ហើយ Kimi-K3 ចំណាយ 6.8× ច្រើនជាង។ នោះជាអាគុយម៉ង់តម្លៃក្នុងជួរមួយ៖ កន្លែងថោកបំផុតក្នុងកាតាឡុកដើម្បីទិញមូលដ្ឋានភ្នាក់ងារកម្រិតកំពូល។

បំលែងទៅជាការងារ

ការបំពេញបរិបទពេញលេញមួយដង — តូខេនចូល 262,144៖ $0.19។ ឃ្លាំងធំមួយទាំងមូលអានចូលក្នុងបង្អួចក្នុងតម្លៃក្រោមម្ភៃសេន្ត។
ការបំពេញប្រវែងអតិបរមាមួយ — តូខេនចេញ 16,384៖ $0.038។
វេនភ្នាក់ងារមួយ — ចូល 20K ចេញ 2K៖ $0.019។ វេនដូចគ្នាចំណាយ $0.115 លើ Kimi-K3 និង $0.047 លើ DeepSeek-V4-Pro។
វេនភ្នាក់ងារមួយរយ៖ $1.93 ធៀបនឹង $11.48 លើម៉ូដែលថ្លៃបំផុតក្នុងកាតាឡុក។

បន្ទុកការងារភ្នាក់ងារធ្ងន់លើចូល ហើយអត្ថប្រយោជន៍របស់ GLM ធំបំផុតត្រង់នោះជាក់ស្តែង៖ តម្លៃចូលរបស់វាទាបជាង Kimi-K3 5.2× និងទាបជាង DeepSeek-V4-Pro 2.7×។ បើភ្នាក់ងាររបស់អ្នកផ្ញើការសន្ទនាដែលកំពុងកើនឡើងឡើងវិញរាល់វេន — ហើយស្ទើរតែគ្រប់ភ្នាក់ងារធ្វើដូច្នេះ — កត្តាគុណនោះជាអ្វីដែលបញ្ចប់នៅលើវិក្កយបត្ររបស់អ្នក។

05អត្ថន័យនៃ "គ្មានសេនស័រ" នៅលើចំណុចប្រទាក់នេះ

រឿងពីរ ត្រឹមត្រូវ៖ គ្មានស្រទាប់បដិសេធ — គ្មានកម្មវិធីចាត់ថ្នាក់សម្រេចថាសំណើមួយណាដែលម៉ូដែលត្រូវបានអនុញ្ញាតឲ្យឃើញ និងគ្មានម៉ូដែលគោលការណ៍សរសេរការណែនាំរបស់អ្នកឡើងវិញមុនពេលវាមកដល់ — និង គ្មានតម្រងលទ្ធផល មានន័យថាតូខេនដែលម៉ូដែលបង្កើតគឺជាតូខេនដែលអ្នកទទួល ដោយគ្មានការលុប ឬប្តូរ។

នោះជាសំណើខុសពី API ពាណិជ្ជកម្មដែលផ្សព្វផ្សាយកម្រិត "សម្រាល" ឬ "អ្នកអភិវឌ្ឍន៍"។ ទាំងនោះនៅតែបញ្ជូនចរាចរណ៍តាមរយៈជង់គោលការណ៍របស់ក្រុមហ៊ុនលក់ អ្វីដែលផ្លាស់ប្តូរគឺកម្រិត មិនមែនអត្ថិភាពនៃច្រកនោះទេ។ នៅទីនេះគ្មានច្រកត្រូវកែសម្រួលទេ — ម៉ូដែលដំណើរការនៅលើចង្កោម GPU ផ្ទាល់ខ្លួនរបស់យើង ហើយឥរិយាបថរបស់វាជាឥរិយាបថរបស់មូលដ្ឋាន។ អានការរកឃើញ NIST CAISI ពីផ្នែក 02 ជាសេចក្តីថ្លែងបច្ចេកទេស ជាជាងការព្រមាន ហើយវាពន្យល់ផលិតផល៖ ម៉ូដែលមួយដែលការតម្រឹមរស់នៅក្នុងទម្ងន់របស់វា បម្រើដោយគ្មានស្រទាប់គោលការណ៍ខាងក្រៅ ដំណើរការតាមទម្ងន់របស់វា។

ហេតុអ្វីនេះសំខាន់សម្រាប់ភ្នាក់ងារជាពិសេស

ការបដិសេធជាធម្មតាត្រូវបានពិភាក្សាជាសំណួរខ្លឹមសារ។ ក្នុងការងារភ្នាក់ងារ ពួកវាភាគច្រើនជាសំណួរ ភាពជឿជាក់។ ការបដិសេធនៅវេនទី 31 នៃការរត់ 40 វេនមិនមែនជាការបដិសេធសុភាពដែលអ្នកអានហើយបន្តទេ — វាជាជំហានខូចទម្រង់ អ្នករៀបចំគ្មានវិធីបន្តទេ ផែនការខូច និង 30 វេនតូខេនចំណាយដោយគ្មានអ្វីត្រូវបង្ហាញ។ ការស្រាវជ្រាវសន្តិសុខ ការវិភាគមេរោគ ការធ្វើតេស្តជ្រៀតចូល ក្រុមក្រហម រឿងប្រឌិតមនុស្សពេញវ័យ ការសរសេរឯកសារវេជ្ជសាស្ត្រ និងច្បាប់ និងការបង្កើតសំណុំទិន្នន័យសម្រាប់បណ្តុះបណ្តាលសុវត្ថិភាព ទាំងអស់នេះជួបប្រទះរឿងនេះជានិច្ច ហើយការបរាជ័យចំណាយថ្លៃច្រើនត្រង់ថាវាកើតឡើងយឺត។

ចំហៀងផ្សេងគឺឥឡូវនេះស្រទាប់គោលការណ៍ជារបស់អ្នក។ ការប្រើប្រាស់ផ្លូវចូល Shannon AI ស្ថិតនៅក្រោមគោលការណ៍ ការប្រើប្រាស់ដោយទទួលខុសត្រូវ របស់យើង ការដកការវិនិច្ឆ័យរបស់ក្រុមហ៊ុនលក់ចេញពីរង្វិលមានន័យថាផ្តល់ជូននូវរបស់អ្នកផ្ទាល់។

06អ្វីដែលចំណុចប្រទាក់ពិតជាផ្តល់ឲ្យអ្នក

សមត្ថភាព	GLM-5.2 · 3BIT-REAP
លេខសម្គាល់ម៉ូដែល	GLM-5.2-3BIT-REAP
បង្អួចបរិបទ	262,144 តូខេន
លទ្ធផលអតិបរមាក្នុងមួយសំណើ	16,384 តូខេន
ការស្ទ្រីម	មាន
ការហៅឧបករណ៍	មាន
ការវែកញែក / `reasoning_effort`	មាន
JSON Schema (`json_schema`)	មាន
`response_format`	មាន
ការមើលឃើញ / ធាតុចូលរូបភាព	ទេ — អត្ថបទតែប៉ុណ្ណោះ
ស្រទាប់បដិសេធ / តម្រងលទ្ធផល	គ្មាន

អានជួរការមើលឃើញដោយប្រុងប្រយ័ត្នមុនពេលអ្នកសាងសង់។ GLM-5.2 ជាអត្ថបទតែប៉ុណ្ណោះនៅលើផ្លូវចូលរបស់យើង។ បើអ្នកត្រូវការធាតុចូលរូបភាព កាតាឡុកមានជម្រើសមើលឃើញប្រាំ — MiniMax-M3 និង MiMo-V2.5 នៅបាត $0.50 / $2.00, Kimi-K2.6 ក្នុងតម្លៃ $0.78 / $3.67, inkling ក្នុងតម្លៃ $1.42 / $6.07 និង Kimi-K3 ក្នុងតម្លៃ $3.83 / $19.12។ លំនាំសមហេតុផលមួយគឺនាំការយល់ដឹងរូបភាពទៅ MiniMax-M3 និងអ្វីៗផ្សេងទៀតទៅ GLM-5.2 ដែលចំណាយគ្មានអ្វីលើសពីខ្សែអក្សរម៉ូដែលទេ។

បីភាសា ម៉ូដែលមួយ

ម៉ូដែលដូចគ្នាអាចទាក់ទងបានតាមរយៈទម្រង់សំណើបី ស្ទ្រីមទាំងអស់៖ /v1/chat/completions (ភាសា OpenAI), /v1/messages (ភាសា Anthropic) និង /v1/responses។ គ្មានអ្វីអំពីម៉ូដែលផ្លាស់ប្តូររវាងពួកវាទេ — ជ្រើសរើសមួយណាដែល SDK របស់អ្នកនិយាយរួចហើយ ហើយអ្នកជាធម្មតាគ្រាន់តែផ្លាស់ប្តូរ base URL មួយពីការដំណើរការ។

# 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,
)

ចំណុចប្រទាក់សំណើ និងចម្លើយពេញលេញសម្រាប់ភាសាទាំងបី ទម្រង់ការហៅឧបករណ៍ រូបរាងព្រឹត្តិការណ៍ស្ទ្រីម និងទីលានពិសោធន៍ផ្ទាល់មាននៅក្នុង ឯកសារ API Shannon AI។

07ពេលណាត្រូវជ្រើសរើស GLM-5.2 — និងពេលណាមិនត្រូវ

ចាប់យកវាពេល

អ្នកកំពុងដំណើរការភ្នាក់ងារ។ រង្វិលជុំហៅឧបករណ៍វែងជាអ្វីដែលពូជពង្សនេះត្រូវបានសាងសង់ និងក្រោយបណ្តុះបណ្តាលម្តងហើយម្តងទៀតសម្រាប់ ហើយតម្លៃចូលធ្វើឲ្យការសន្ទនាដែលកំពុងកើនឡើងអាចផ្ញើឡើងវិញរាល់វេនក្នុងតម្លៃសមរម្យ។
អ្នកកំពុងធ្វើការឆ្លងកាត់ឃ្លាំងកូដធំមួយ។ 262K នៃបរិបទ ការរៀបចំទម្រង់ការហៅឧបករណ៍ដែលអាចទុកចិត្តបាន និង $0.19 ដើម្បីអានបង្អួចទាំងមូល។
បរិមាណជាកម្រិតរបស់អ្នក។ ការចាត់ថ្នាក់ ការទាញយក ការបង្កើតទិន្នន័យសំយោគ ការសរសេរឡើងវិញច្រើន — អ្វីៗណាដែលថ្លៃដើមក្នុងមួយការហៅគុណនឹងចំនួនធំសម្រេចថាតើគម្រោងអាចធ្វើទៅបានឬអត់។
ការបដិសេធកំពុងបំបែកបំពង់បង្ហូររបស់អ្នក។ ការស្រាវជ្រាវសន្តិសុខ ការធ្វើតេស្តជម្លោះ រឿងប្រឌិតគ្មានសេនស័រ ការសរសេរឯកសាររសើប — របៀបបរាជ័យមិនមាននៅទីនេះទេ។

ចាប់យកអ្វីផ្សេងពេល

អ្នកត្រូវការការមើលឃើញ។ អត្ថបទតែប៉ុណ្ណោះ។ សូមមើលជម្រើសមើលឃើញខាងលើ។
អ្នកត្រូវការការវែកញែកវេនតែមួយកម្រិតជ្រៅបំផុត។ សម្រាប់បញ្ហាវិភាគមួយដងពិបាកបំផុត DeepSeek-V4-Pro-0813 · 3BIT-REAP ជាឧបករណ៍ធ្ងន់ជាងក្នុងតម្លៃ 2.2× ថ្លៃដើមលាយ — លើការហៅដែលពិដានជាកម្រិត នោះជាការដោះដូរត្រឹមត្រូវ។
អ្នកត្រូវការភាពត្រឹមត្រូវអតិបរមាលើចំណេះដឹងស្រពិចស្រពិល។ ថ្នាក់ W8A16 — MiMo-V2.5-Pro និង Hy3 — ត្រូវបានបង្រួមតិចជាងច្រើន ហើយស្ថិតនៅបាត $0.50 / $2.00 លើមូលដ្ឋានតូចជាង។

កំពុងប្រៀបធៀបទូទាំងកាតាឡុក? ម៉ូដែលគ្មានសេនស័រទាំងដប់ពីរចែករំលែកបរិបទ 262,144 តូខេនដូចគ្នា ដែនកំណត់លទ្ធផល 16,384 តូខេន និងបីភាសា API ដូច្នេះការប្តូរជាការផ្លាស់ប្តូរបន្ទាត់តែមួយ។ រកមើលប័ណ្ណម៉ូដែលគ្រប់មួយក្នុង ស្រាវជ្រាវ Shannon AI ឬចាប់ផ្តើមជាមួយចំណុចប្រៀបធៀបទម្ងន់ខ្លាំង៖ ប័ណ្ណម៉ូដែល DeepSeek-V4-Pro គ្មានសេនស័រ។

តម្លាភាពតាមការរចនា

តួលេខមូលដ្ឋានគ្រប់យ៉ាងលើទំព័រនេះត្រូវបានផ្សព្វផ្សាយដោយអ្នកផ្សេងក្រៅពីយើង។ តួលេខតម្លៃ និងសមត្ថភាពជាតម្លៃកាតាឡុកផ្ទាល់របស់យើងផ្ទាល់ ដែលអាចផ្ទៀងផ្ទាត់ជាមួយ /v1/models លើសោផ្ទាល់ខ្លួនរបស់អ្នក។ ពិនិត្យប្រភពបឋមដោយខ្លួនឯង។

Z.ai — ឃ្លាំង GLM-5 GLM: Pretraining with Autoregressive Blank Infilling (ACL 2022) GLM-130B: An Open Bilingual Pre-trained Model REAP: Why Pruning Prevails for One-Shot MoE Compression (ICLR 2026) NIST CAISI — ការវាយតម្លៃ GLM-5.2 របស់ Z.ai

តួលេខតង្កៀបស្តង់ដារ GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) ត្រូវបានរាយការណ៍ដោយ Z.ai សម្រាប់មូលដ្ឋានដែលមិនបានបង្រួម ការធ្វើម្តងទៀតដោយឯករាជ្យកំពុងរង់ចាំ។ តួលេខ Claude Opus 4.8 និង GPT-5.5 ត្រូវបានបង្ហាញសម្រាប់ការយោងតែប៉ុណ្ណោះ។ តម្លៃបញ្ជី API GLM-5.2 ភាគីទីមួយដូចដែលបានផ្សព្វផ្សាយដោយ Z.ai ខែកញ្ញា ឆ្នាំ 2026។

08សំណួរដែលសួរញឹកញាប់

តើ API GLM គ្មានសេនស័រនៅលើ Shannon AI ជាអ្វី?

វាជាលេខសម្គាល់ម៉ូដែល GLM-5.2-3BIT-REAP នៅលើផ្លូវចូល Shannon AI៖ កំណែសាងសង់បង្រួមនៃមូលដ្ឋានភ្នាក់ងារ GLM-5.2 របស់ Z.ai បម្រើនៅលើចង្កោម GPU ផ្ទាល់ខ្លួនរបស់យើងដោយគ្មានស្រទាប់បដិសេធ និងគ្មានតម្រងលទ្ធផល។ វាចំណាយ $0.73 ក្នុងមួយលានតូខេនចូល និង $2.34 ក្នុងមួយលានតូខេនចេញ ផ្ទុកបង្អួចបរិបទ 262,144 តូខេន និងអាចទាក់ទងបានលើ /v1/chat/completions, /v1/messages និង /v1/responses។

ហេតុអ្វី GLM 5.2 គ្មានសេនស័រថោកជាងម៉ូដែលធំផ្សេងទៀតក្នុងកាតាឡុក?

ដោយសារវិធីដែលវាត្រូវបានបង្រួម។ 3BIT-REAP ផ្សំទម្ងន់ 3-ប៊ីតជាមួយ REAP ជាវិធីសាស្ត្រកាត់ចេញអ្នកជំនាញសម្រាប់ម៉ូដែល Mixture-of-Experts ដែលដកអ្នកជំនាញកំណត់ផ្លូវកម្រចេញមុនពេលកំណត់ចំនួន។ មូលដ្ឋាន MoE តូចតាចជាមួយប្រហែល 40 ប៊ីលានប៉ារ៉ាម៉ែត្រសកម្មក្នុងមួយតូខេន កាត់ចេញ និងកំណត់ចំនួនតាមរបៀបនេះ កាន់កាប់សតិតិចជាងច្រើន និងវិនាទី GPU ក្នុងមួយតូខេនតិចជាងច្រើនធៀបនឹងម៉ូដែលក្រាស់គុណភាពស្មើគ្នា ហើយតម្លៃឆ្លុះបញ្ចាំងនោះ។

តើ GLM គ្មានការបដិសេធមានន័យថាម៉ូដែលគ្មានការការពារទាំងស្រុងទេ?

វាមានន័យថា Shannon មិនបន្ថែមអ្វីទេ។ គ្មានកម្មវិធីចាត់ថ្នាក់ការបដិសេធនៅមុខម៉ូដែល និងគ្មានតម្រងលើតូខេនដែលចេញពីវា។ មូលដ្ឋានរក្សានិស្ស័យណាមួយដែលការបណ្តុះបណ្តាលផ្ទាល់ខ្លួនរបស់វាបានផ្តល់ឲ្យ ប៉ុន្តែគ្មានអ្វីខាងក្រៅជាន់វាទេ។ អ្នកជាកម្មសិទ្ធិស្រទាប់គោលការណ៍ ហើយការប្រើប្រាស់ស្ថិតនៅក្រោមគោលការណ៍ការប្រើប្រាស់ដោយទទួលខុសត្រូវរបស់ Shannon AI។

តើ GLM-5.2 3BIT-REAP គាំទ្រការមើលឃើញ ឬធាតុចូលរូបភាពទេ?

ទេ។ ម៉ូដែលនេះជាអត្ថបទតែប៉ុណ្ណោះ។ បើអ្នកត្រូវការធាតុចូលរូបភាពនៅលើចំណុចប្រទាក់គ្មានសេនស័រ សូមប្រើម៉ូដែលដែលមានសមត្ថភាពមើលឃើញមួយក្នុងកាតាឡុក ដូចជា MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ឬ inkling។ GLM-5.2 គាំទ្រលទ្ធផលមានរចនាសម្ព័ន្ធ — ទាំង json_schema និង response_format — និងការហៅឧបករណ៍។

តើបង្អួចបរិបទ និងប្រវែងលទ្ធផលអតិបរមាមានប៉ុន្មាន?

តូខេនបរិបទ 262,144 និងតូខេនលទ្ធផល 16,384 ក្នុងមួយសំណើ។ ការបំពេញបង្អួចបរិបទទាំងមូលមួយដងចំណាយប្រហែល 19 សេន្តក្នុងតម្លៃ $0.73 ក្នុងមួយលានតូខេនចូល ហើយការបំពេញប្រវែងអតិបរមាចំណាយក្រោម 4 សេន្ត។

តើនេះជាម៉ូដែលភ្នាក់ងារគ្មានសេនស័រល្អសម្រាប់រង្វិលជុំហៅឧបករណ៍វែងទេ?

វាជាមួយដែលយើងចាប់ជាមុនគេ។ ពូជពង្ស GLM ត្រូវបានបណ្តុះបណ្តាលច្បាស់លាស់សម្រាប់ការងារភ្នាក់ងារតាំងពី GLM-4.5 ការហៅឧបករណ៍ និង reasoning_effort ត្រូវបានគាំទ្រទាំងពីរ ហើយតម្លៃមានន័យថាវេនភ្នាក់ងារមួយរយម្ភៃពាន់តូខេនចំណាយប្រហែលពីរដុល្លារ ជំនួសឲ្យដប់មួយ។ ការបដិសេធក៏ជារបៀបបរាជ័យពិតប្រាកដក្នុងរង្វិលជុំភ្នាក់ងារ ហើយគ្មានស្រទាប់បដិសេធនៅទីនេះដើម្បីបង្កឲ្យវាកើតឡើងទេ។

សាកល្បង API GLM គ្មានសេនស័រ

$0.73 ចូល · $2.34 ចេញ · បរិបទ 262K · គ្មានស្រទាប់បដិសេធ។

អានឯកសារ API រកមើលម៉ូដែលទាំងអស់

Shannon Lab LLC, New Mexico, USA · ការប្រើប្រាស់ស្ថិតនៅក្រោមគោលការណ៍ការប្រើប្រាស់ដោយទទួលខុសត្រូវ

ប្រភព៖ ឃ្លាំង Z.ai GLM-5 · 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 · ការវាយតម្លៃ NIST CAISI លើ GLM-5.2 របស់ Z.ai ខែកក្កដា ឆ្នាំ 2026។ ពិន្ទុតង្កៀបស្តង់ដារមូលដ្ឋានត្រូវបានរាយការណ៍ដោយមន្ទីរពិសោធន៍ និងបណ្តោះអាសន្ន វាពណ៌នា GLM-5.2 ដែលមិនបានបង្រួម មិនមែនកំណែសាងសង់ដែលបានបង្រួមនេះទេ។ តួលេខតម្លៃ បរិបទ និងសមត្ថភាពជាតម្លៃកាតាឡុក Shannon AI គិតត្រឹមថ្ងៃទី 5 ខែកញ្ញា ឆ្នាំ 2026។

តំណស្រាវជ្រាវទាំងអស់