ಸೆನ್ಸಾರ್ ರಹಿತ GLM API: ಟೋಕನ್‌ಗೆ ಅತ್ಯುತ್ತಮ ಮೌಲ್ಯ

ಬಹುತೇಕ "ಅಗ್ಗದ ಮಾಡೆಲ್" ಹೋಲಿಕೆಗಳು ಪ್ರಾಮಾಣಿಕವಲ್ಲ, ಏಕೆಂದರೆ ಅಗ್ಗದ ಆಯ್ಕೆ ಸಾಮಾನ್ಯವಾಗಿ ದೊಡ್ಡ ಮಾಡೆಲ್‌ನ ಮಾರುಕಟ್ಟೆಯನ್ನು ಧರಿಸಿದ ಸಣ್ಣ ಮಾಡೆಲ್. ಇಲ್ಲಿ ನಡೆಯುತ್ತಿರುವುದು ಅದಲ್ಲ. GLM-5.2 ಯಾರೂ ಬಿಡುಗಡೆ ಮಾಡಿದ ಅತಿ ದೊಡ್ಡ ಓಪನ್-ವೈಟ್ಸ್ ಫೌಂಡೇಶನ್‌ಗಳಲ್ಲಿ ಒಂದು, ಮತ್ತು $0.73 ಇನ್ / $2.34 ಔಟ್‌ನಲ್ಲಿ ಅದು ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್‌ನ ನೆಲಮಟ್ಟದಿಂದ ಒಂದು ಮೆಟ್ಟಿಲು ಮೇಲಿದ್ದು, ಆ ನೆಲಮಟ್ಟ ಸಾಮಾನ್ಯವಾಗಿ ಖರೀದಿಸುವುದಕ್ಕಿಂತ ಹಲವು ಪಟ್ಟು ದೊಡ್ಡ ಫೌಂಡೇಶನ್ ಒಯ್ಯುತ್ತದೆ. ಆ ಅಂತರ — ದೊಡ್ಡ ಮಾಡೆಲ್, ನೆಲಮಟ್ಟದ ಸಮೀಪದ ಬೆಲೆ — ಇದೇ ಈ ಪುಟ ಇರುವ ಕಾರಣ.

01GLM ಎಲ್ಲಿಂದ ಬಂತು: Tsinghua, ಬ್ಲ್ಯಾಂಕ್ ಇನ್‌ಫಿಲ್ಲಿಂಗ್, ಮತ್ತು ಏಜೆಂಟ್‌ಗಳ ಕಡೆಗೆ ಕಠಿಣ ತಿರುವು

GLM ಎಂಬುದು ಮರುಬ್ರಾಂಡ್ ಮಾಡಿದ Llama ಪಡೆದುಕೆ ಅಲ್ಲ. ಅದೇ ಸಂಶೋಧನಾ ಗುಂಪಿನಿಂದ ಐದು ವರ್ಷ ಪುನರಾವರ್ತಿಸಿದ, ತನ್ನದೇ ಪೂರ್ವ-ತರಬೇತಿ ಉದ್ದೇಶ ಹೊಂದಿರುವ ಕೆಲವೇ ಮಾಡೆಲ್ ಕುಟುಂಬಗಳಲ್ಲಿ ಇದೊಂದು. ಈ ಹೆಸರು General Language Model ಎಂದು ನಿಂತಿದೆ, ಮತ್ತು ಸ್ಥಾಪಕ ಪೇಪರ್ — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — BERT ನ ಮಾಸ್ಕ್ ಮಾಡಿದ ಭಾಷಾ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು GPT ಯ ಕಠಿಣ ಎಡ-ಇಂದ-ಬಲ ಆಟೋರಿಗ್ರೆಶನ್ ಪಕ್ಕದಲ್ಲಿ ಮೂರನೇ ಆಯ್ಕೆ ಪ್ರಸ್ತಾಪಿಸಿತು. GLM ನಿರಂತರ ಸ್ಪ್ಯಾನ್‌ಗಳನ್ನು ಖಾಲಿಯಾಗಿಸಿ ಮಿಶ್ರಿತ ಕ್ರಮದಲ್ಲಿ ಆಟೋರಿಗ್ರೆಶಿವ್ ಆಗಿ ಮರುಸೃಷ್ಟಿಸುತ್ತದೆ, ದ್ವಿ-ಆಯಾಮದ ಸ್ಥಾನಿಕ ಎನ್ಕೋಡಿಂಗ್‌ಗಳು ಟೋಕನ್‌ನ ಹಾಳುಗೆಡಿಸಿದ ದಾಖಲೆಯಲ್ಲಿನ ಸ್ಥಾನ ಮತ್ತು ತುಂಬಲಾಗುತ್ತಿರುವ ಸ್ಪ್ಯಾನ್‌ನೊಳಗಿನ ಅದರ ಸ್ಥಾನ ಎರಡನ್ನೂ ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಾ: ಒಂದೇ ವಾಸ್ತುಶಿಲ್ಪ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ರಚನೆ ಎರಡನ್ನೂ ಸಮಾನವಾಗಿ ನಿಭಾಯಿಸುತ್ತದೆ.

ಇದರ ಹಿಂದಿನ ಗುಂಪು Tsinghua ವಿಶ್ವವಿದ್ಯಾಲಯದ Knowledge Engineering Group, ಇದು ಈಗ Z.ai (ಹಿಂದೆ Zhipu AI) ಎಂದು ಕರೆಯಲಾಗುವ ಕಂಪನಿಯನ್ನು ಹೊರಡಿಸಿತು. ಅದರ ಮೊದಲ ಮುಖ್ಯಾಂಶ ಕೃತಿ ಅಕ್ಟೋಬರ್ 2022 ರಲ್ಲಿ GLM-130B — 130-ಬಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ದ್ವಿಭಾಷಾ ಇಂಗ್ಲಿಷ್/ಚೀನೀ ಡೆನ್ಸ್ ಮಾಡೆಲ್, ಪ್ರಕಟಣೆಯ ಸಮಯದಲ್ಲೇ ವೈಟ್ಸ್ ಮತ್ತು ಕೋಡ್ ಸಾರ್ವಜನಿಕವಾಗಿ ಬಿಡುಗಡೆ ಮಾಡಲಾಯಿತು. ಆ ಸಮಯದಿಂದ ಓಪನ್ ಬಿಡುಗಡೆಯೇ ಮನೆಯ ಶೈಲಿ.

MoE ಯುಗ, ಮತ್ತು ಏಜೆಂಟ್‌ಗಳ ಕಡೆಗೆ ತಿರುವು

ಯಾವುದೇ ಒಂಟಿ ಬಿಡುಗಡೆಗಿಂತ ಸಾಮಾನ್ಯ ಎಳೆ ಹೆಚ್ಚು ಮುಖ್ಯ. GLM-4.5 ಇಂದ, ಪ್ರತಿ ಆವೃತ್ತಿಯೂ ಅದೇ ವಿಷಯಕ್ಕಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಆಗಿದೆ: ಡಜನ್‌ಗಟ್ಟಲೆ ಟೂಲ್ ಕಾಲ್‌ಗಳಾದ್ಯಂತ ಸುಸಂಬದ್ಧವಾಗಿ ಉಳಿಯುವುದು. ಇದು ಒಂಟಿ-ಸುತ್ತಿನ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಗಳನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುವುದಕ್ಕಿಂತ ಬೇರೆ ಉದ್ದೇಶ, ಮತ್ತು ಇದು ಕಡಿಮೆ ವಿರೂಪಗೊಂಡ ಟೂಲ್ ಆರ್ಗ್ಯುಮೆಂಟ್‌ಗಳು, ದೀರ್ಘ ಯೋಜನೆಯಲ್ಲಿ ಕಡಿಮೆ ಜಾರುವಿಕೆ, ಮತ್ತು ಏಜೆಂಟ್ ಫ್ರೇಮ್‌ವರ್ಕ್‌ಗಳನ್ನು ದುಬಾರಿಗೊಳಿಸುವ "ಸುತ್ತು 14 ರಲ್ಲಿ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಕೆಲಸ ಮರುಆರಂಭಿಸುತ್ತದೆ" ವರ್ತನೆ ಕಡಿಮೆ ಆಗಿ ಗೋಚರಿಸುತ್ತದೆ.

02GLM-5.2 ಎಂದರೇನು, ಮತ್ತು ಅದನ್ನು ಯಾವುದರಲ್ಲಿ ಅಳೆಯಲಾಗಿತ್ತು

Z.ai GLM-5 ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GLM-5.2 ಗಾಗಿ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಿಗಳನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ. ಎರಡು ಟ್ರಿವಿಯಾ ನೆನಪಿಗಿಂತ ನಿಜವಾದ ಏಜೆಂಟಿಕ್ ಕೆಲಸಕ್ಕೆ ಮ್ಯಾಪ್ ಆಗುತ್ತವೆ:

Terminal-Bench 2.1 — ದೀರ್ಘ-ಕ್ಷಿತಿಜ ಕಮಾಂಡ್-ಲೈನ್ ಏಜೆಂಟ್ ಕಾರ್ಯಗಳು. Z.ai-ವರದಿ ಮಾಡಿದೆ.

SWE-bench Pro — ನಿಜ ರೆಪೊಸಿಟರಿ ಸಮಸ್ಯೆ ಪರಿಹಾರ. Z.ai-ವರದಿ ಮಾಡಿದೆ; ಅದೇ ಪರೀಕ್ಷೆಯಲ್ಲಿ GLM-5.1 58.4 ಗಳಿಸಿತ್ತು.

ಅವು ಲ್ಯಾಬ್‌ನ ಸಂಖ್ಯೆಗಳು, ನಮ್ಮದಲ್ಲ, ಮತ್ತು ಅವು ಸಂಕುಚಿತವಲ್ಲದ ಫೌಂಡೇಶನ್ ಅನ್ನು ವಿವರಿಸುತ್ತವೆ. ಅವು ನೀವು ವ್ಯವಹರಿಸುತ್ತಿರುವ ಮಾಡೆಲ್‌ನ ವರ್ಗವನ್ನು ಸ್ಥಾಪಿಸುತ್ತವೆ, ಖಾತರಿಯಲ್ಲ.

ಮಾಡೆಲ್ ಅನ್ನು ಹೊಗಳುವ ಪ್ರೋತ್ಸಾಹ ಇಲ್ಲದ ಮೌಲ್ಯಮಾಪಕರಿಂದ ಬಂದ ಕಾರಣ ಒಂದು ಡೇಟಾ ಪಾಯಿಂಟ್ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಿಂತ ಹೆಚ್ಚು ಯೋಗ್ಯ. ಜುಲೈ 2026 ರಲ್ಲಿ US National Institute of Standards and Technology ಯ Center for AI Standards and Innovation GLM-5.2 ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಅದು ಬಿಡುಗಡೆಯಾದಾಗ ಲಭ್ಯವಿದ್ದ ಬಹುಶಃ ಅತ್ಯಂತ ಸಮರ್ಥ ಓಪನ್-ವೈಟ್ಸ್ AI ಮಾಡೆಲ್ ಎಂದು ತೀರ್ಮಾನಿಸಿತು, GPT-5.2 ಗೆ ಹೋಲಿಸಬಹುದಾದ ಒಟ್ಟಾರೆ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು Claude Opus 4.6 ಗೆ ಹೋಲಿಸಬಹುದಾದ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ. ಅದೇ ಮೌಲ್ಯಮಾಪನ GLM-5.2 US ಉಲ್ಲೇಖ ಮಾಡೆಲ್‌ಗಳಿಗಿಂತ ಕಡಿಮೆ ಸೂಕ್ಷ್ಮ ವಿನಂತಿಗಳನ್ನು ತಡೆಯುತ್ತದೆ ಎಂದು, ಮತ್ತು ಓಪನ್ ವೈಟ್ಸ್‌ಗೆ ಬೇಯಿಸಿದ ಸುರಕ್ಷಾ ಕ್ರಮಗಳನ್ನು ಆ ವೈಟ್ಸ್ ಸ್ವಯಂ-ಹೋಸ್ಟ್ ಆದ ಮೇಲೆ ಬೈಪಾಸ್ ಮಾಡಬಹುದೆಂದೂ ಗಮನಿಸಿತು. ವಿಭಾಗ 05 ಅದಕ್ಕೆ ಹಿಂತಿರುಗುತ್ತದೆ.

03"3BIT-REAP" ಎಂದರೆ ಏನು, ಮತ್ತು ಅದು ನಿಮಗೆ ಏನು ವೆಚ್ಚ ಮಾಡುತ್ತದೆ

REAP: ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವ ಬದಲು ಪ್ರೂನ್ ಮಾಡುವುದು

744B-ಪ್ಯಾರಾಮೀಟರ್ MoE ಮಾಡೆಲ್‌ಗೆ ಪ್ರತಿ ಪದರಕ್ಕೆ 256 ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳಿವೆ, ಅವುಗಳಲ್ಲಿ 8 ಯಾವುದೇ ಟೋಕನ್‌ನಲ್ಲಿ ಆಕ್ಟಿವ್ ಆಗುತ್ತವೆ. ರೂಟರ್ ಕೆಲಸವನ್ನು ಸಮಾನವಾಗಿ ಹರಡುವುದಿಲ್ಲ — ಕೆಲವು ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳಿಗೆ ಸತತವಾಗಿ ಹೊಡೆತ ಬೀಳುತ್ತದೆ, ಮತ್ತು ಉದ್ದ ಬಾಲಕ್ಕೆ ಅಪರೂಪವಾಗಿ ಹೊಡೆತ ಬೀಳುತ್ತದೆ ಮತ್ತು ಬಿದ್ದಾಗಲೂ ಕಡಿಮೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ. REAP (Router-weighted Expert Activation Pruning), Cerebras Research ಇಂದ ಮತ್ತು ICLR 2026 ಗೆ ಸ್ವೀಕರಿಸಲ್ಪಟ್ಟಿದೆ, ಅದನ್ನೇ ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ: ಇದು ಪ್ರತಿ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗೆ ರೂಟರ್ ಎಷ್ಟು ಬಲವಾಗಿ ಮತ್ತು ಎಷ್ಟು ಬಾರಿ ಗೇಟ್ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅದರ ಔಟ್‌ಪುಟ್ ಕೊಡುಗೆಯ ಪ್ರಮಾಣದೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಸೇಲಿಯನ್ಸಿ ಮಾನದಂಡದಿಂದ ಅಂಕ ನೀಡುತ್ತದೆ, ನಂತರ ಕಡಿಮೆ ಅಂಕ ಪಡೆದವನ್ನು ಶಾಶ್ವತವಾಗಿ ಬಿಡುತ್ತದೆ.

ಆಸಕ್ತಿದಾಯಕ ಭಾಗ REAP ಗೆಲ್ಲುವ ಹೋಲಿಕೆ. ಎಕ್ಸ್‌ಪರ್ಟ್ ಬಿಡುವುದಕ್ಕೆ ಸ್ಪಷ್ಟ ಪರ್ಯಾಯ ಎಂದರೆ ಅದನ್ನು ಉಳಿದವರಲ್ಲಿ ವಿಲೀನಗೊಳಿಸುವುದು, ಇದು ಸುರಕ್ಷಿತವೆಂದು ಕೇಳುತ್ತದೆ. 20B ಇಂದ 1T ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ MoE ಮಾಡೆಲ್‌ಗಳಾದ್ಯಂತ ಪೇಪರ್‌ನ ಸಂಶೋಧನೆ ಎಂದರೆ ವಿಲೀನ ವಾಸ್ತವವಾಗಿ ರಚನಾತ್ಮಕ ಕೆಲಸಕ್ಕೆ ಕೆಟ್ಟದು, ಮತ್ತು ಪ್ರೂನಿಂಗ್ ಗಮನಾರ್ಹವಾಗಿ ಚೆನ್ನಾಗಿ ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ: ಅರ್ಧ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳನ್ನು ತೆಗೆದ ನಂತರವೂ Qwen3-Coder-480B ಮತ್ತು Kimi-K2 ಸೇರಿದಂತೆ ಫೌಂಡೇಶನ್‌ಗಳಲ್ಲಿ ಕೋಡ್ ರಚನೆ ಮತ್ತು ಟೂಲ್-ಕಾಲಿಂಗ್ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಲ್ಲಿ ಬಹುತೇಕ-ನಷ್ಟರಹಿತ. ಕೋಡ್ ಮತ್ತು ಟೂಲ್ ಕಾಲಿಂಗ್ ಹಾಗೇ ಉಳಿಯುವುದೇ ಏಜೆಂಟಿಕ್ ಎಂಜಿನಿಯರಿಂಗ್‌ಗಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮಾಡೆಲ್‌ನಲ್ಲಿ ನೀವು ಬಯಸುವುದು.

3-ಬಿಟ್ ವೈಟ್ಸ್, ಮತ್ತು ಪ್ರಾಮಾಣಿಕ ಟ್ರೇಡ್-ಆಫ್

ಪ್ರೂನಿಂಗ್ ಜೊತೆಗೆ, ಉಳಿದ ವೈಟ್ಸ್ 3 ಬಿಟ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ — ನಮ್ಮ ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಬೇರೆಡೆ ಇರುವ W4A16-AUTOROUND-REAP ಮತ್ತು W8A16 ಶ್ರೇಣಿಗಳಿಗಿಂತ ಆಕ್ರಮಣಕಾರಿ, ಮತ್ತು ಅತಿ ದೊಡ್ಡ ಫೌಂಡೇಶನ್‌ಗಳಿಗೆ ಮೀಸಲಾಗಿದೆ, ಅಲ್ಲಿ ಮುಕ್ಕಾಲು-ಟ್ರಿಲಿಯನ್-ಪ್ಯಾರಾಮೀಟರ್ ಮಾಡೆಲ್ ಅನ್ನು ಸೇವಾ ನೋಡ್‌ಗೆ ಪಡೆದು ಬಳಕೆಯೋಗ್ಯ ದರದಲ್ಲಿ ಟೋಕನ್‌ಗಳನ್ನು ಹರಿಸುತ್ತಲೇ ಇಡಲು ಬೇರೆ ಮಾರ್ಗ ಇಲ್ಲ.

ಸಂಕುಚನ ಉಚಿತವಲ್ಲ. ಸರಿಯಾದ ಮಾನಸಿಕ ಮಾದರಿ: ಪ್ರೂನಿಂಗ್ ಮತ್ತು ಕ್ವಾಂಟೈಸೇಶನ್ ಮೊದಲು ಉದ್ದ ಬಾಲವನ್ನು ಕ್ಷೀಣಿಸುತ್ತವೆ. ದಟ್ಟ, ಆಗಾಗ ಬಳಸಲ್ಪಡುವ ವರ್ತನೆಗಳು — ಸೂಚನೆ ಅನುಸರಣೆ, ಕೋಡ್ ರಚನೆ, ಟೂಲ್-ಕಾಲ್ ಫಾರ್ಮ್ಯಾಟಿಂಗ್, ಬಹು-ಹಂತದ ಯೋಜನೆ — ಚೆನ್ನಾಗಿ ಬದುಕುತ್ತವೆ, ಇದೇ REAP ಫಲಿತಾಂಶಗಳು ತೋರಿಸುವುದು. ಅಸ್ಪಷ್ಟ ಸತ್ಯ ನೆನಪು, ಅಪರೂಪದ ಭಾಷೆಗಳು ಮತ್ತು ಸಂಕುಚಿತವಲ್ಲದ GLM-5.2 ವಿರುದ್ಧ ವ್ಯತ್ಯಾಸ ನಿರೀಕ್ಷಿಸಬೇಕಾದ ಸ್ಥಳಗಳು ವಿಶಿಷ್ಟ ಡೊಮೇನ್ ಟ್ರಿವಿಯಾ. ನಿಮ್ಮ ಕೆಲಸದ ಭಾರ "ಅಸಾಮಾನ್ಯ ಸತ್ಯವನ್ನು ಚೆನ್ನಾಗಿ ತಿಳಿಯುವುದು" ಆಗಿದ್ದರೆ, ಹೆಚ್ಚಿನ-ನಿಷ್ಠೆಯ ಶ್ರೇಣಿಗೆ ಪಾವತಿಸಿ. ಅದು "ದಾರಿ ತಪ್ಪದೆ ನಲವತ್ತು ಟೂಲ್ ಕಾಲ್‌ಗಳಾದ್ಯಂತ ಯೋಜನೆ ಚಲಾಯಿಸುವುದು" ಆಗಿದ್ದರೆ, ಆ ವಿಧಾನವನ್ನೇ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಶ್ರೇಣಿ ಇದು.

04ಮೌಲ್ಯದ ಪ್ರಕರಣ: ಅಗ್ಗದ ಸೆನ್ಸಾರ್ ರಹಿತ LLM API ಚಲಾಯಿಸಲು ನಿಜವಾಗಿ ಏನು ವೆಚ್ಚವಾಗುತ್ತದೆ

GLM-5.2 ಗಾಗಿ Z.ai ಯ ಸ್ವಂತ ಪ್ರಕಟಿತ API ಪಟ್ಟಿ ಬೆಲೆ ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗೆ $1.40 ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಔಟ್‌ಪುಟ್‌ಗೆ $4.40. ಅದೇ ಫೌಂಡೇಶನ್‌ನಲ್ಲಿ ನಮ್ಮ ಬೆಲೆ $0.73 / $2.34 — ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ ಸುಮಾರು 48% ಕಡಿಮೆ ಮತ್ತು ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ 47% ಕಡಿಮೆ. ಆ ರಿಯಾಯಿತಿಯೇ ಸಂಕುಚನ ಖರೀದಿಸುವುದು, ಮತ್ತು ಅದರ ಜೊತೆ ಯಾವುದೇ ಬೆಲೆಗೆ ಪ್ರಥಮ-ಪಕ್ಷದಿಂದ ಖರೀದಿಸಲಾಗದ ಎರಡನೇ ವಿಷಯ ಬರುತ್ತದೆ: ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ.

ನಮ್ಮ ಸ್ವಂತ ಕ್ಯಾಟಲಾಗ್‌ನೊಳಗೆ, ಮಿಶ್ರ ವೆಚ್ಚವೇ ಮುಖ್ಯ ಸಂಖ್ಯೆ. ಇಲ್ಲಿ ಅದು 3:1 ಇನ್‌ಪುಟ್-ಇಂದ-ಔಟ್‌ಪುಟ್ ಅನುಪಾತದಲ್ಲಿ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಟೂಲ್-ಕಾಲಿಂಗ್ ಏಜೆಂಟ್ ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಸುಮಾರಾಗಿ ಸಮ — ಬಹಳಷ್ಟು ಸಂದರ್ಭ ಮತ್ತು ಟೂಲ್ ಫಲಿತಾಂಶಗಳು ಒಳಗೆ ಹೋಗುತ್ತವೆ, ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಟೋಕನ್‌ಗಳು ಹೊರಬರುತ್ತವೆ.

ಮಾಡೆಲ್	ಇನ್ / 1M	ಔಟ್ / 1M	ಮಿಶ್ರ 3:1	ದೃಷ್ಟಿ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	ಇಲ್ಲ
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	ಇಲ್ಲ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	ಹೌದು
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	ಇಲ್ಲ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	ಹೌದು
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	ಹೌದು

ಆರು ಮಾಡೆಲ್‌ಗಳು $0.50 / $2.00 ನೆಲಮಟ್ಟದಲ್ಲಿ ಕುಳಿತಿವೆ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ಮತ್ತು Hy3 — $0.875 ಮಿಶ್ರ ದರ. GLM-5.2 ಆ ನೆಲಮಟ್ಟದ 29% ಮೇಲಿದೆ ಮತ್ತು ಏಜೆಂಟಿಕ್ ವರ್ತನೆಯಲ್ಲಿ ಸತತ ಹೂಡಿಕೆ ಇರುವ 744B-ವರ್ಗದ ಫೌಂಡೇಶನ್ ಖರೀದಿಸುತ್ತದೆ. ಅದಕ್ಕಿಂತ ಮೇಲೆ ಬೆಲೆ ಮಾಡಿದ ಎಲ್ಲವೂ ಕನಿಷ್ಠ 23% ಹೆಚ್ಚು ಮಿಶ್ರ ವೆಚ್ಚ, ಮತ್ತು Kimi-K3 6.8× ಹೆಚ್ಚು ವೆಚ್ಚವಾಗುತ್ತದೆ. ಒಂದೇ ಸಾಲಿನಲ್ಲಿ ಮೌಲ್ಯ ವಾದ ಅದೇ: ಟಾಪ್-ಶ್ರೇಣಿಯ ಏಜೆಂಟಿಕ್ ಫೌಂಡೇಶನ್ ಖರೀದಿಸಲು ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಅಗ್ಗದ ಸ್ಥಳ.

ಕೆಲಸಕ್ಕೆ ಪರಿವರ್ತಿಸಿ

• ಒಂದು ಪೂರ್ಣ ಸಂದರ್ಭ ತುಂಬುವಿಕೆ — 262,144 ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು: $0.19. ಇಪ್ಪತ್ತು ಸೆಂಟ್‌ಗಿಂತ ಕಡಿಮೆಗೆ ಇಡೀ ದೊಡ್ಡ ರೆಪೊಸಿಟರಿ ವಿಂಡೋಗೆ ಓದಿ.
• ಒಂದು ಗರಿಷ್ಠ-ಉದ್ದದ ಪೂರ್ಣಗೊಳಿಕೆ — 16,384 ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳು: $0.038.
• ಒಂದು ಏಜೆಂಟ್ ಸುತ್ತು — 20K ಇನ್, 2K ಔಟ್: $0.019. ಅದೇ ಸುತ್ತು Kimi-K3 ನಲ್ಲಿ $0.115 ಮತ್ತು DeepSeek-V4-Pro ನಲ್ಲಿ $0.047 ವೆಚ್ಚವಾಗುತ್ತದೆ.
• ನೂರು ಏಜೆಂಟ್ ಸುತ್ತುಗಳು: $1.93, ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಅತಿ ದುಬಾರಿ ಮಾಡೆಲ್‌ನಲ್ಲಿ $11.48 ಗೆ ಎದುರಾಗಿ.

ಏಜೆಂಟಿಕ್ ಕೆಲಸದ ಭಾರಗಳು ಇನ್‌ಪುಟ್-ಭಾರಿ, ಮತ್ತು GLM ನ ಪ್ರಯೋಜನ ನಿಖರವಾಗಿ ಅಲ್ಲೇ ಅತಿ ದೊಡ್ಡದು: ಅದರ ಇನ್‌ಪುಟ್ ಬೆಲೆ Kimi-K3 ಗಿಂತ 5.2× ಕಡಿಮೆ ಮತ್ತು DeepSeek-V4-Pro ಗಿಂತ 2.7× ಕಡಿಮೆ. ನಿಮ್ಮ ಏಜೆಂಟ್ ಬೆಳೆಯುತ್ತಿರುವ ಸಂಭಾಷಣೆಯನ್ನು ಪ್ರತಿ ಸುತ್ತೂ ಮರುಕಳುಹಿಸಿದರೆ — ಮತ್ತು ಬಹುತೇಕ ಪ್ರತಿ ಏಜೆಂಟ್ ಮಾಡುತ್ತದೆ — ಆ ಗುಣಕವೇ ನಿಮ್ಮ ಇನ್‌ವಾಯ್ಸ್‌ನಲ್ಲಿ ಕೊನೆಗೊಳ್ಳುತ್ತದೆ.

05ಈ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ನಲ್ಲಿ "ಸೆನ್ಸಾರ್ ರಹಿತ" ಎಂದರೆ ಏನು

ಎರಡು ವಿಷಯಗಳು, ನಿಖರವಾಗಿ: ನಿರಾಕರಣೆ ಪದರ ಇಲ್ಲ — ಮಾಡೆಲ್ ಯಾವ ವಿನಂತಿಗಳನ್ನು ನೋಡಬಹುದೆಂದು ನಿರ್ಧರಿಸುವ ವರ್ಗೀಕಾರಕ ಇಲ್ಲ, ಮತ್ತು ಅದು ಬರುವ ಮೊದಲು ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮರುಬರೆಯುವ ನೀತಿ ಮಾಡೆಲ್ ಇಲ್ಲ — ಮತ್ತು ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರಿಂಗ್ ಇಲ್ಲ, ಅಂದರೆ ಮಾಡೆಲ್ ಉತ್ಪಾದಿಸುವ ಟೋಕನ್‌ಗಳೇ ನೀವು ಸ್ವೀಕರಿಸುವ ಟೋಕನ್‌ಗಳು, ಸಂಪಾದಿಸದ ಮತ್ತು ಬದಲಿಸದ.

ಅದು ವಾಣಿಜ್ಯಿಕ API "ಸಡಿಲ" ಅಥವಾ "ಡೆವಲಪರ್" ಮೋಡ್ ಜಾಹೀರಾತು ಮಾಡುವುದಕ್ಕಿಂತ ಬೇರೆ ಪ್ರತಿಪಾದನೆ. ಅವು ಇನ್ನೂ ಸಂಚಾರವನ್ನು ವೆಂಡರ್‌ನ ನೀತಿ ಸ್ಟ್ಯಾಕ್ ಮೂಲಕ ರೂಟ್ ಮಾಡುತ್ತವೆ; ಬದಲಾಗುವುದು ಮಿತಿ, ಗೇಟ್‌ನ ಅಸ್ತಿತ್ವವಲ್ಲ. ಇಲ್ಲಿ ಟ್ಯೂನ್ ಮಾಡಲು ಗೇಟ್ ಇಲ್ಲ — ಮಾಡೆಲ್ ನಮ್ಮದೇ GPU ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ, ಮತ್ತು ಅದರ ವರ್ತನೆಯೇ ಫೌಂಡೇಶನ್‌ನ ವರ್ತನೆ. ವಿಭಾಗ 02 ರ NIST CAISI ಸಂಶೋಧನೆಯನ್ನು ಎಚ್ಚರಿಕೆಗಿಂತ ತಾಂತ್ರಿಕ ಹೇಳಿಕೆಯಾಗಿ ಓದಿದರೆ ಅದು ಉತ್ಪನ್ನವನ್ನು ವಿವರಿಸುತ್ತದೆ: ಅಲೈನ್‌ಮೆಂಟ್ ವೈಟ್ಸ್‌ನಲ್ಲಿ ಇರುವ ಮಾಡೆಲ್, ಬಾಹ್ಯ ನೀತಿ ಪದರ ಇಲ್ಲದೆ ಸೇವೆ ನೀಡಲಾಗಿದೆ, ಅದರ ವೈಟ್ಸ್ ಅನುಸಾರ ವರ್ತಿಸುತ್ತದೆ.

ಇದು ಏಜೆಂಟ್‌ಗಳಿಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿ ಏಕೆ ಮುಖ್ಯ

ನಿರಾಕರಣೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವಿಷಯದ ಪ್ರಶ್ನೆಯಾಗಿ ಚರ್ಚಿಸಲಾಗುತ್ತದೆ. ಏಜೆಂಟಿಕ್ ಕೆಲಸದಲ್ಲಿ ಅವು ಬಹುಮಟ್ಟಿಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಪ್ರಶ್ನೆ. 40-ಸುತ್ತಿನ ರನ್‌ನ ಸುತ್ತು 31 ರಲ್ಲಿ ನಿರಾಕರಣೆ ಎಂಬುದು ನೀವು ಓದಿ ಮುಂದೆ ಸಾಗುವ ಸಭ್ಯ ನಿರಾಕರಣೆಯಲ್ಲ — ಅದೊಂದು ವಿರೂಪಗೊಂಡ ಹೆಜ್ಜೆ, ಮುಂದುವರಿಯುವುದು ಹೇಗೆಂದು ತಿಳಿಯದ ಆರ್ಕೆಸ್ಟ್ರೇಟರ್, ಮುರಿದ ಯೋಜನೆ, ಮತ್ತು ಏನೂ ತೋರಿಸಲು ಇಲ್ಲದೆ ಖರ್ಚಾದ 30 ಸುತ್ತುಗಳ ಟೋಕನ್‌ಗಳು. ಭದ್ರತಾ ಸಂಶೋಧನೆ, ಮಾಲ್‌ವೇರ್ ವಿಶ್ಲೇಷಣೆ, ಪೆನೆಟ್ರೇಶನ್ ಟೆಸ್ಟಿಂಗ್, ರೆಡ್-ಟೀಮಿಂಗ್, ವಯಸ್ಕ ಕಥಾಸಾಹಿತ್ಯ, ವೈದ್ಯಕೀಯ ಮತ್ತು ಕಾನೂನು ಕರಡು, ಮತ್ತು ಸುರಕ್ಷಾ ತರಬೇತಿಗಾಗಿ ಡೇಟಾಸೆಟ್ ರಚನೆ ಇವೆಲ್ಲ ಇದನ್ನು ನಿರಂತರವಾಗಿ ಎದುರಿಸುತ್ತವೆ, ಮತ್ತು ವೈಫಲ್ಯ ದುಬಾರಿಯಾಗುವುದು ನಿಖರವಾಗಿ ಅದು ತಡವಾಗಿ ಬೀಳುವ ಕಾರಣ.

ಇನ್ನೊಂದು ಬದಿ ಎಂದರೆ ನೀತಿ ಪದರ ಈಗ ನಿಮ್ಮದು. Shannon AI ಗೇಟ್‌ವೇಯ ಬಳಕೆ ನಮ್ಮ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ನೀತಿಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತದೆ; ಲೂಪ್‌ನಿಂದ ವೆಂಡರ್‌ನ ತೀರ್ಪನ್ನು ತೆಗೆಯುವುದೆಂದರೆ ನಿಮ್ಮದನ್ನೇ ಒದಗಿಸುವುದು.

06ಎಂಡ್‌ಪಾಯಿಂಟ್ ನಿಜವಾಗಿ ನಿಮಗೆ ಏನು ಕೊಡುತ್ತದೆ

ಸಾಮರ್ಥ್ಯ	GLM-5.2 · 3BIT-REAP
ಮಾಡೆಲ್ id	GLM-5.2-3BIT-REAP
ಸಂದರ್ಭ ವಿಂಡೋ	262,144 ಟೋಕನ್‌ಗಳು
ಪ್ರತಿ ವಿನಂತಿಗೆ ಗರಿಷ್ಠ ಔಟ್‌ಪುಟ್	16,384 ಟೋಕನ್‌ಗಳು
ಸ್ಟ್ರೀಮಿಂಗ್	ಹೌದು
ಟೂಲ್ ಕಾಲಿಂಗ್	ಹೌದು
ರೀಸನಿಂಗ್ / reasoning_effort	ಹೌದು
JSON Schema (json_schema)	ಹೌದು
response_format	ಹೌದು
ದೃಷ್ಟಿ / ಚಿತ್ರ ಇನ್‌ಪುಟ್	ಇಲ್ಲ — ಪಠ್ಯ ಮಾತ್ರ
ನಿರಾಕರಣೆ ಪದರ / ಔಟ್‌ಪುಟ್ ಫಿಲ್ಟರಿಂಗ್	ಯಾವುದೂ ಇಲ್ಲ

ಕಟ್ಟುವ ಮೊದಲು ದೃಷ್ಟಿಯ ಸಾಲನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಓದಿ. ನಮ್ಮ ಗೇಟ್‌ವೇಯಲ್ಲಿ GLM-5.2 ಪಠ್ಯ-ಮಾತ್ರ. ಚಿತ್ರ ಇನ್‌ಪುಟ್ ಬೇಕಿದ್ದರೆ, ಕ್ಯಾಟಲಾಗ್‌ನಲ್ಲಿ ಐದು ದೃಷ್ಟಿ-ಸಮರ್ಥ ಆಯ್ಕೆಗಳಿವೆ — $0.50 / $2.00 ನೆಲಮಟ್ಟದಲ್ಲಿ MiniMax-M3 ಮತ್ತು MiMo-V2.5, $0.78 / $3.67 ಗೆ Kimi-K2.6, $1.42 / $6.07 ಗೆ inkling, ಮತ್ತು $3.83 / $19.12 ಗೆ Kimi-K3. ಚಿತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯನ್ನು MiniMax-M3 ಗೆ ಮತ್ತು ಉಳಿದೆಲ್ಲವನ್ನೂ GLM-5.2 ಗೆ ರೂಟ್ ಮಾಡುವುದೇ ಒಂದು ವಿವೇಚನಾಪೂರ್ಣ ಮಾದರಿ, ಇದಕ್ಕೆ ಮಾಡೆಲ್ ಸ್ಟ್ರಿಂಗ್ ಆಚೆ ಏನೂ ವೆಚ್ಚವಾಗುವುದಿಲ್ಲ.

ಮೂರು ಶೈಲಿಗಳು, ಒಂದು ಮಾಡೆಲ್

ಅದೇ ಮಾಡೆಲ್ ಮೂರು ವಿನಂತಿ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳ ಮೂಲಕ ತಲುಪಬಹುದು, ಎಲ್ಲವೂ ಸ್ಟ್ರೀಮಿಂಗ್: /v1/chat/completions (OpenAI ಶೈಲಿ), /v1/messages (Anthropic ಶೈಲಿ), ಮತ್ತು /v1/responses. ಅವುಗಳ ನಡುವೆ ಮಾಡೆಲ್ ಬಗ್ಗೆ ಏನೂ ಬದಲಾಗುವುದಿಲ್ಲ — ನಿಮ್ಮ SDK ಈಗಾಗಲೇ ಮಾತನಾಡುವುದನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಬೇಸ್-URL ಬದಲಾವಣೆ ಚಲಾಯಿಸುವುದರಿಂದ ದೂರವಿರುತ್ತೀರಿ.

# OpenAI ಶೈಲಿ — ನಿಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕ್ಲೈಂಟ್ ಅನ್ನು ಗೇಟ್‌ವೇಗೆ ತೋರಿಸಿ
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,                 # ಟೂಲ್ ಕಾಲಿಂಗ್ ಬೆಂಬಲಿತ
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

ಎಲ್ಲಾ ಮೂರು ಶೈಲಿಗಳಿಗೆ ಪೂರ್ಣ ವಿನಂತಿ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಸ್ಕೀಮಾಗಳು, ಟೂಲ್-ಕಾಲಿಂಗ್ ಫಾರ್ಮ್ಯಾಟ್, ಸ್ಟ್ರೀಮಿಂಗ್ ಈವೆಂಟ್ ಆಕಾರಗಳು, ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ಪ್ಲೇಗ್ರೌಂಡ್ Shannon AI API ದಾಖಲಾತಿಯಲ್ಲಿ ಇವೆ.

07GLM-5.2 ಯಾವಾಗ ಆಯ್ಕೆ ಮಾಡುವುದು — ಮತ್ತು ಯಾವಾಗ ಬೇಡ

ಇದನ್ನು ತಲುಪುವುದು ಯಾವಾಗ

• ನೀವು ಏಜೆಂಟ್‌ಗಳನ್ನು ಚಲಾಯಿಸುತ್ತಿದ್ದೀರಿ. ದೀರ್ಘ ಟೂಲ್-ಕಾಲಿಂಗ್ ಲೂಪ್‌ಗಳಿಗಾಗಿಯೇ ಈ ಮೂಲ ಕಟ್ಟಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಪದೇ ಪದೇ ಪೋಸ್ಟ್-ಟ್ರೇನ್ ಆಗಿದೆ, ಮತ್ತು ಇನ್‌ಪುಟ್ ಬೆಲೆ ಬೆಳೆಯುತ್ತಿರುವ ಸಂಭಾಷಣೆಯನ್ನು ಪ್ರತಿ ಸುತ್ತೂ ಮರುಕಳುಹಿಸುವುದನ್ನು ಕೈಗೆಟುಕುವಂತೆ ಮಾಡುತ್ತದೆ.
• ನೀವು ದೊಡ್ಡ ಕೋಡ್‌ಬೇಸ್‌ನಾದ್ಯಂತ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೀರಿ. 262K ಸಂದರ್ಭ, ವಿಶ್ವಾಸಾರ್ಹ ಟೂಲ್-ಕಾಲ್ ಫಾರ್ಮ್ಯಾಟಿಂಗ್, ಮತ್ತು ಇಡೀ ವಿಂಡೋ ಓದಲು $0.19.
• ಪ್ರಮಾಣವೇ ನಿಮ್ಮ ಅಡಚಣೆ. ವರ್ಗೀಕರಣ, ಹೊರತೆಗೆಯುವಿಕೆ, ಸಿಂಥೆಟಿಕ್ ಡೇಟಾ ರಚನೆ, ಸಾಮೂಹಿಕ ಮರುಬರಹ — ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಪ್ರತಿ-ಕರೆ ವೆಚ್ಚ ಪ್ರಾಜೆಕ್ಟ್ ಕಾರ್ಯಸಾಧ್ಯವೇ ಎಂದು ನಿರ್ಧರಿಸುವ ಯಾವುದೇ ಕೆಲಸ.
• ನಿರಾಕರಣೆಗಳು ನಿಮ್ಮ ಪೈಪ್‌ಲೈನ್ ಮುರಿಯುತ್ತಿವೆ. ಭದ್ರತಾ ಸಂಶೋಧನೆ, ವಿರೋಧಾತ್ಮಕ ಪರೀಕ್ಷೆ, ಸೆನ್ಸಾರ್ ರಹಿತ ಕಥಾಸಾಹಿತ್ಯ, ಸೂಕ್ಷ್ಮ ಕರಡು — ಆ ವೈಫಲ್ಯ ವಿಧಾನ ಇಲ್ಲಿ ಇಲ್ಲ.

ಇನ್ನೇನಾದರೂ ತಲುಪುವುದು ಯಾವಾಗ

• ನಿಮಗೆ ದೃಷ್ಟಿ ಬೇಕು. ಪಠ್ಯ ಮಾತ್ರ. ಮೇಲಿನ ದೃಷ್ಟಿ-ಸಮರ್ಥ ಆಯ್ಕೆಗಳನ್ನು ನೋಡಿ.
• ನಿಮಗೆ ಅತಿ ಆಳವಾದ ಒಂಟಿ-ಸುತ್ತಿನ ರೀಸನಿಂಗ್ ಬೇಕು. ಅತಿ ಕಷ್ಟದ ಒಂಟಿ-ಪ್ರಯತ್ನ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಮಸ್ಯೆಗಳಿಗೆ, DeepSeek-V4-Pro-0813 · 3BIT-REAP ಮಿಶ್ರ ವೆಚ್ಚದ 2.2× ಗೆ ಭಾರೀ ಸಾಧನ — ಸೀಲಿಂಗೇ ಅಡಚಣೆ ಆಗಿರುವ ಕರೆಗಳಲ್ಲಿ, ಅದೇ ಸರಿಯಾದ ವಿನಿಮಯ.
• ಅಸ್ಪಷ್ಟ ಜ್ಞಾನದ ಮೇಲೆ ಗರಿಷ್ಠ ನಿಷ್ಠೆ ಬೇಕು. W8A16 ಶ್ರೇಣಿ — MiMo-V2.5-Pro ಮತ್ತು Hy3 — ಬಹಳ ಕಡಿಮೆ ಆಕ್ರಮಣಕಾರಿಯಾಗಿ ಸಂಕುಚಿಸಲಾಗಿದೆ ಮತ್ತು ಚಿಕ್ಕ ಫೌಂಡೇಶನ್‌ಗಳಲ್ಲಿ $0.50 / $2.00 ನೆಲಮಟ್ಟದಲ್ಲಿ ಕುಳಿತಿದೆ.

GLM-5.2 ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಿಗಳನ್ನು (Terminal-Bench 2.1, SWE-bench Pro) ಸಂಕುಚಿತವಲ್ಲದ ಫೌಂಡೇಶನ್‌ಗಾಗಿ Z.ai ವರದಿ ಮಾಡಿದೆ; ಸ್ವತಂತ್ರ ಪುನರಾವರ್ತನೆ ಬಾಕಿ ಇದೆ. Claude Opus 4.8 ಮತ್ತು GPT-5.5 ಅಂಕಿಗಳನ್ನು ಉಲ್ಲೇಖಕ್ಕಾಗಿ ಮಾತ್ರ ತೋರಿಸಲಾಗಿದೆ. ಪ್ರಥಮ-ಪಕ್ಷ GLM-5.2 API ಪಟ್ಟಿ ಬೆಲೆ Z.ai ಪ್ರಕಟಿಸಿದಂತೆ, ಸೆಪ್ಟೆಂಬರ್ 2026.

08ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

---

ಮೂಲಗಳು: Z.ai GLM-5 ರೆಪೊಸಿಟರಿ · 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, ಜುಲೈ 2026. ಫೌಂಡೇಶನ್ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅಂಕಗಳು ಲ್ಯಾಬ್-ವರದಿ ಮಾಡಿದವು ಮತ್ತು ತಾತ್ಕಾಲಿಕ; ಅವು ಸಂಕುಚಿತವಲ್ಲದ GLM-5.2 ಅನ್ನು ವಿವರಿಸುತ್ತವೆ, ಈ ಸಂಕುಚಿತ ಬಿಲ್ಡ್ ಅಲ್ಲ. ಬೆಲೆ, ಸಂದರ್ಭ ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಅಂಕಿಗಳು ಸೆಪ್ಟೆಂಬರ್ 5, 2026 ರ ಪ್ರಕಾರ Shannon AI ಕ್ಯಾಟಲಾಗ್ ಮೌಲ್ಯಗಳು.