ພວກເຮົາບໍ່ເກັບຮັກສາ ຫຼື ເຂົ້າເຖິງຂໍ້ມູນຜູ້ໃຊ້ໃດໆ ແລະບໍ່ suspend ບັນຊີ ນອກຈາກ law enforcement ບັງຄັບໃຫ້ດຳເນີນການ.

ບັດຂໍ້ມູນໂມເດວ · GLM-5.2 · 3BIT-REAP

API GLM ບໍ່ເຊັນເຊີ: ຄຸ້ມຄ່າທີ່ສຸດຕໍ່ token

ພື້ນຖານ GLM ແບບຕົວແທນຂອງ Z.ai, ໃຫ້ບໍລິການດ້ວຍບໍ່ມີຊັ້ນປະຕິເສດເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ — context 262K, ການເອີ້ນເຄື່ອງມື, ແລະ ລາຄາລວມທີ່ຕ່ຳກວ່າເຄິ່ງໜຶ່ງຂອງສິ່ງທີ່ຕະກູນດຽວກັນຄິດຄ່າຈາກເຈົ້າຂອງເອງ.

ອັບເດດວັນທີ 5 ກັນຍາ 2026ບັດຂໍ້ມູນໂມເດວພື້ນຖານ: GLM-5.2 (Z.ai)

ສະຫຼຸບຫຍໍ້

GLM-5.2-3BIT-REAP ຄືໂມເດວເທິງເກດເວय์ Shannon AI ທີ່ພວກເຮົາແນະນຳເປັນຄ່າຕັ້ງຕົ້ນ. ມັນແລ່ນພື້ນຖານ Mixture-of-Experts ແບບ sparse ຂະໜາດ 744 ຕື້ພາຣາມິເຕີຈາກຕະກູນ GLM — ຖືກຝຶກມາຢ່າງຊັດເຈນສຳລັບການໃຊ້ເຄື່ອງມືແບບຕົວແທນຕັ້ງແຕ່ GLM-4.5 — ຖືກບີບອັດດ້ວຍນ້ຳໜັກ 3-bit ແລະ REAP expert pruning ເພື່ອໃຫ້ພໍດີ ແລະ ຍັງໄວ. ທ່ານໄດ້ context 262,144 token, ຜົນຜະລິດ 16,384 token, ການເອີ້ນເຄື່ອງມື, ການໃຫ້ເຫດຜົນທີ່ປັບໄດ້ດ້ວຍ reasoning_effort, ແລະ ຜົນຜະລິດແບບມີໂຄງສ້າງ JSON Schema, ໃນລາຄາ $0.73 / $2.34 ຕໍ່ລ້ານ token. ບໍ່ມີຊັ້ນປະຕິເສດ ແລະ ບໍ່ມີການກັ່ນຕອງຜົນຜະລິດ. ຂໍ້ຄວາມເທົ່ານັ້ນ — ບໍ່ມີການເບິ່ງເຫັນ.

ການປຽບທຽບ "ໂມເດວລາຄາຖືກທີ່ສຸດ" ສ່ວນຫຼາຍບໍ່ຊື່ສັດ, ຍ້ອນວ່າຕົວເລືອກລາຄາຖືກມັກເປັນໂມເດວນ້ອຍທີ່ນຸ່ງໂຄສະນາຂອງໂມເດວໃຫຍ່. ນັ້ນບໍ່ແມ່ນສິ່ງທີ່ເກີດຂຶ້ນທີ່ນີ້. GLM-5.2 ຄືໜຶ່ງໃນພື້ນຖານນ້ຳໜັກເປີດທີ່ໃຫຍ່ທີ່ສຸດທີ່ໃຜເຄີຍເຜີຍແຜ່, ແລະ ທີ່ $0.73 ເຂົ້າ / $2.34 ອອກ ມັນຢູ່ໜຶ່ງຂັ້ນເໜືອລາຄາຕ່ຳສຸດຂອງແຄຕາລັອກຂອງພວກເຮົາ ໃນຂະນະທີ່ພາພື້ນຖານທີ່ໃຫຍ່ກວ່າຫຼາຍເທົ່າຂອງສິ່ງທີ່ລາຄາຕ່ຳສຸດນັ້ນປົກກະຕິຊື້ໄດ້. ຊ່ອງຫ່າງນັ້ນ — ໂມເດວໃຫຍ່, ລາຄາໃກ້ພື້ນ — ຄືເຫດຜົນທີ່ໜ້ານີ້ມີຢູ່.

01GLM ມາຈາກໃສ: Tsinghua, ການຕື່ມຊ່ອງຫວ່າງ, ແລະ ການຫັນໄປສູ່ຕົວແທນຢ່າງໜັກ

GLM ບໍ່ແມ່ນ Llama ຫຍໍ້ຫຼືທີ່ຕິດປ້າຍໃໝ່. ມັນຄືໜຶ່ງໃນຕະກູນໂມເດວທີ່ໜ້ອຍທີ່ມີຈຸດປະສົງການຝຶກລ່ວງໜ້າຂອງຕົນເອງ, ຖືກພັດທະນາຢ່າງຕໍ່ເນື່ອງເປັນເວລາຫ້າປີໂດຍກຸ່ມຄົ້ນຄວ້າດຽວກັນ. ຊື່ GLM ຫຍໍ້ມາຈາກ General Language Model, ແລະ ບົດຄວາມກໍ່ຕັ້ງ — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — ນຳສະເໜີທາງເລືອກທີສາມນອກເໜືອຈາກ masked language modeling ຂອງ BERT ແລະ autoregression ຈາກຊ້າຍໄປຂວາຢ່າງເຂັ້ມງວດຂອງ GPT. GLM ເຮັດໃຫ້ຊ່ວງຕໍ່ເນື່ອງຫວ່າງເປົ່າ ແລ້ວສ້າງພວກມັນຄືນໃໝ່ແບບ autoregressive ຕາມລຳດັບແບບປະສົມ, ພ້ອມກັບການເຂົ້າລະຫັດຕຳແໜ່ງສອງມິຕິທີ່ຕິດຕາມທັງຕຳແໜ່ງຂອງ token ໃນເອກະສານທີ່ຖືກເຮັດໃຫ້ຫວ່າງ ແລະ ຕຳແໜ່ງຂອງມັນພາຍໃນຊ່ວງທີ່ກຳລັງຖືກຕື່ມ: ໂຄງສ້າງດຽວທີ່ຈັດການທັງຄວາມເຂົ້າໃຈ ແລະ ການສ້າງໄດ້ດີເທົ່າກັນ.

ກຸ່ມທີ່ຢູ່ເບື້ອງຫຼັງມັນຄື Knowledge Engineering Group ຂອງມະຫາວິທະຍາໄລ Tsinghua, ຊຶ່ງແຍກອອກມາເປັນບໍລິສັດທີ່ຮູ້ຈັກໃນປັດຈຸບັນວ່າ Z.ai (ເມື່ອກ່ອນຄື Zhipu AI). ຜົນງານໃຫຍ່ອັນທຳອິດຂອງມັນຄື GLM-130B ໃນເດືອນຕຸລາ 2022 — ໂມເດວ dense ສອງພາສາອັງກິດ/ຈີນຂະໜາດ 130 ຕື້ພາຣາມິເຕີ, ນ້ຳໜັກ ແລະ ໂຄດຖືກເຜີຍແຜ່ສາທາລະນະຕັ້ງແຕ່ວັນເຜີຍແຜ່. ການເປີດເຜີຍໄດ້ເປັນສະໄຕລ໌ຂອງບໍລິສັດຕັ້ງແຕ່ນັ້ນມາ.

ຍຸກ MoE, ແລະ ການຫັນໄປສູ່ຕົວແທນ

28 ກໍລະກົດ 2025 — GLM-4.5

ເຮືອທຸງອັນທຳອິດທີ່ຖືກສ້າງຢ່າງຊັດເຈນເປັນພື້ນຖານແບບ agent-native: ພາຣາມິເຕີລວມ 355B, ເປີດໃຊ້ 32B ຕໍ່ token, MoE ແບບ sparse ພ້ອມຜູ້ຊ່ຽວຊານທີ່ໃຊ້ຮ່ວມກັນ ແລະ Multi-Token Prediction, context 128K, ແລະ ສອງໂໝດ — "ຄິດ" ສຳລັບການໃຫ້ເຫດຜົນ ແລະ ການໃຊ້ເຄື່ອງມື, ບວກກັບໂໝດບໍ່ຄິດແບບໄວ. ປະມານ 15T token ການຝຶກລ່ວງໜ້າ, ຈາກນັ້ນ post-training ເທິງໂຄດ, ການໃຫ້ເຫດຜົນ ແລະ ວິຖີຕົວແທນ ພ້ອມກັບ RL ເທິງນັ້ນ.

30 ກັນຍາ 2025 — GLM-4.6

ໜ້າຕ່າງທີ່ຍາວກວ່າ (128K ຫາ 200K), ການຂຽນໂຄດໃນໂລກຈິງທີ່ດີກວ່າ, ແລະ ການເອີ້ນເຄື່ອງມືທີ່ເສຍຫາຍໜ້ອຍລົງໃນເຊສຊັ່ນຍາວ. LiveCodeBench v6 ຂຶ້ນຈາກ 63.3 ໃນ GLM-4.5 ໄປສູ່ 82.8 — ການກ້າວກະໂດດທີ່ຜິດປົກກະຕິສຳລັບການອອກສະບັບຍ່ອຍ, ແລະ ສັນຍານທີ່ຊັດເຈນວ່າຄວາມສົນໃຈຂອງແລບຢູ່ບ່ອນໃດ.

11 ກຸມພາ 2026 — GLM-5

ການຂະຫຍາຍຂະໜາດ, ພາຍໃຕ້ tagline From Vibe Coding to Agentic Engineering. ພາຣາມິເຕີລວມ 744B ພ້ອມເປີດໃຊ້ປະມານ 40B, ຜູ້ຊ່ຽວຊານ 256 ຄົນດ້ວຍການຈັດເສັ້ນທາງ top-8 (ປະມານ 5.9% ຂອງຄວາມບາງ), DeepSeek Sparse Attention ສຳລັບປະສິດທິພາບ context ຍາວ, ແລະ corpus ທີ່ຂະຫຍາຍຈາກ 23T ໄປສູ່ 28.5T token. Post-training ຍ້າຍໄປສູ່ RL ແບບອະຊິງໂຄຣນັດຂະໜາດໃຫຍ່ທີ່ມຸ່ງເປົ້າພຶດຕິກຳຕົວແທນໄລຍະຍາວ: ການວາງແຜນ, ການນຳທາງ repository, ແລະ ການແກ້ໄຂວຽກຂອງຕົນເອງຊ້ຳໆ.

ເມສາ–ມິຖຸນາ 2026 — GLM-5.1, ຈາກນັ້ນ GLM-5.2

GLM-5.1 ອອກເປັນນ້ຳໜັກເປີດໃນເດືອນເມສາ. GLM-5.2 ຕາມມາໃນເດືອນມິຖຸນາ 2026 ດ້ວຍໂຄງສ້າງ 744B / ~40B ເປີດໃຊ້ດຽວກັນ, ດ້ວຍໜ້າຕ່າງທີ່ໃຊ້ໄດ້ຍາວກວ່າ ແລະ ອີກຮອບໜຶ່ງຂອງ post-training ແບບຕົວແທນ — ພື້ນຖານທີ່ບັດຂໍ້ມູນໂມເດວນີ້ກ່ຽວກັບ.

ເສັ້ນທາງຫຼັກສຳຄັນກວ່າການອອກສະບັບໃດອັນໜຶ່ງ. ຕັ້ງແຕ່ GLM-4.5, ທຸກສະບັບຖືກປັບໃຫ້ເໝາະສົມສຳລັບສິ່ງດຽວກັນ: ຮັກສາຄວາມສອດຄ່ອງຕະຫຼອດການເອີ້ນເຄື່ອງມືຫຼາຍສິບຄັ້ງ. ນັ້ນຄືຈຸດປະສົງທີ່ຕ່າງອອກໄປຈາກການເພີ່ມຄະແນນເບັນມາກຮອບດຽວໃຫ້ສູງສຸດ, ແລະ ມັນສະແດງອອກເປັນອາກິວເມັນເຄື່ອງມືທີ່ຜິດຮູບໜ້ອຍລົງ, ການຫຼົງທາງໜ້ອຍລົງໃນແຜນຍາວ, ແລະ ພຶດຕິກຳແບບ "ຫຼົງໝັ້ນໃຈເລີ່ມວຽກຄືນໃໝ່ໃນຮອບທີ 14" ໜ້ອຍລົງ, ຊຶ່ງເປັນສິ່ງທີ່ເຮັດໃຫ້ framework ຕົວແທນລາຄາແພງ.

02GLM-5.2 ຄືຫຍັງ, ແລະ ມັນຖືກວັດແທກໄດ້ຄະແນນຫຍັງ

744B

ພາຣາມິເຕີລວມ

~40B

ເປີດໃຊ້ / token

256

ຜູ້ຊ່ຽວຊານ (top-8)

ເປີດ

ນ້ຳໜັກທີ່ເຜີຍແຜ່

Z.ai ເຜີຍແຜ່ຕົວເລກເບັນມາກສຳລັບ GLM-5.2 ໃນ repository GLM-5. ສອງອັນສະທ້ອນວຽກຕົວແທນຈິງ ແທນທີ່ຈະເປັນຄວາມຮູ້ທົ່ວໄປ:

Claude Opus 4.885.0

GLM-5.281.0

Terminal-Bench 2.1 — ວຽກຕົວແທນແຖວຄຳສັ່ງໄລຍະຍາວ. ຂໍ້ມູນທີ່ Z.ai ລາຍງານ.

GLM-5.262.1

GPT-5.558.6

SWE-bench Pro — ການແກ້ໄຂບັນຫາ repository ຈິງ. ຂໍ້ມູນທີ່ Z.ai ລາຍງານ; GLM-5.1 ໄດ້ 58.4 ໃນການທົດສອບດຽວກັນ.

ນັ້ນຄືຕົວເລກຂອງແລບ, ບໍ່ແມ່ນຂອງພວກເຮົາ, ແລະ ພວກມັນອະທິບາຍພື້ນຖານແບບບໍ່ບີບອັດ. ພວກມັນກຳນົດຊັ້ນຂອງໂມເດວທີ່ທ່ານກຳລັງພົວພັນຢູ່, ບໍ່ແມ່ນການຮັບປະກັນ.

ຈຸດຂໍ້ມູນໜຶ່ງມີຄຸນຄ່າຫຼາຍກວ່າເບັນມາກ, ຍ້ອນວ່າມັນມາຈາກຜູ້ປະເມີນທີ່ບໍ່ມີແຮງຈູງໃຈທີ່ຈະຍ້ອງໂມເດວ. ໃນເດືອນກໍລະກົດ 2026 Center for AI Standards and Innovation ຂອງ US National Institute of Standards and Technology ໄດ້ປະເມີນ GLM-5.2 ແລະ ສະຫຼຸບວ່າມັນອາດເປັນໂມເດວ AI ນ້ຳໜັກເປີດທີ່ມີຄວາມສາມາດທີ່ສຸດທີ່ມີຢູ່ໃນເວລາທີ່ມັນຖືກເຜີຍແຜ່, ດ້ວຍຄວາມສາມາດລວມທຽບເທົ່າ GPT-5.2 ແລະ ຄວາມສາມາດທາງໄຊເບີທຽບເທົ່າ Claude Opus 4.6. ການປະເມີນດຽວກັນນັ້ນສັງເກດວ່າ GLM-5.2 ຂວາງຄຳຂໍທີ່ອ່ອນໄຫວໜ້ອຍກວ່າໂມເດວອ້າງອີງຂອງສະຫະລັດ, ແລະ ວ່າມາດຕະການປ້ອງກັນທີ່ຝັງຢູ່ໃນນ້ຳໜັກເປີດສາມາດຖືກຫຼີກລ່ຽງໄດ້ເມື່ອນ້ຳໜັກເຫຼົ່ານັ້ນຖືກໂຮສເອງ. ພາກ 05 ຈະກັບຄືນມາເລື່ອງນັ້ນ.

03"3BIT-REAP" ໝາຍຄວາມວ່າຫຍັງ, ແລະ ມັນເສຍຫຍັງໄປ

REAP: ຕັດຜູ້ຊ່ຽວຊານແທນທີ່ຈະລວມພວກມັນ

ໂມເດວ MoE ຂະໜາດ 744B ພາຣາມິເຕີມີຜູ້ຊ່ຽວຊານ 256 ຄົນຕໍ່ຊັ້ນ, ໃນນັ້ນ 8 ຄົນເຮັດວຽກໃນແຕ່ລະ token. Router ບໍ່ໄດ້ກະຈາຍວຽກຢ່າງເທົ່າທຽມ — ຜູ້ຊ່ຽວຊານບາງຄົນຖືກໃຊ້ຕະຫຼອດເວລາ, ແລະ ຫາງຍາວໜຶ່ງຖືກໃຊ້ໜ້ອຍ ແລະ ປະກອບສ່ວນໜ້ອຍເມື່ອຖືກໃຊ້. REAP (Router-weighted Expert Activation Pruning), ຈາກ Cerebras Research ແລະ ຖືກຮັບຮອງໃຫ້ ICLR 2026, ໃຊ້ປະໂຫຍດຈາກນັ້ນ: ມັນໃຫ້ຄະແນນແຕ່ລະຜູ້ຊ່ຽວຊານດ້ວຍເງື່ອນໄຂຄວາມໂດດເດັ່ນທີ່ປະສົມຄວາມແຮງ ແລະ ຄວາມເລື້ອຍທີ່ router ໃຊ້ gate ມັນກັບຂະໜາດການປະກອບສ່ວນຂອງຜົນຜະລິດຂອງມັນ, ຈາກນັ້ນລຶບຜູ້ໄດ້ຄະແນນຕ່ຳອອກຢ່າງຖາວອນ.

ພາກສ່ວນທີ່ໜ້າສົນໃຈຄືການປຽບທຽບທີ່ REAP ຊະນະ. ທາງເລືອກທີ່ຊັດເຈນຕໍ່ການລຶບຜູ້ຊ່ຽວຊານຄືການລວມມັນເຂົ້າກັບຜູ້ລອດ, ຊຶ່ງເບິ່ງຄືວ່າປອດໄພກວ່າ. ຜົນການຄົ້ນພົບຂອງບົດຄວາມນີ້ໃນໂມເດວ MoE ຕັ້ງແຕ່ 20B ຫາ 1T ພາຣາມິເຕີແມ່ນວ່າການລວມກັບແທ້ຈິງແລ້ວແຍ່ກວ່າສຳລັບວຽກສ້າງ, ແລະ ການຕັດອອກຄົງໄວ້ໄດ້ດີຢ່າງໜ້າປະຫຼາດ: ເກືອບບໍ່ເສຍຫາຍໃນເບັນມາກການສ້າງໂຄດ ແລະ ການເອີ້ນເຄື່ອງມືເຖິງແມ່ນວ່າຫຼັງຈາກລຶບຜູ້ຊ່ຽວຊານເຄິ່ງໜຶ່ງອອກ, ໃນພື້ນຖານລວມທັງ Qwen3-Coder-480B ແລະ Kimi-K2. ໂຄດ ແລະ ການເອີ້ນເຄື່ອງມືທີ່ຍັງຄົງຢູ່ຄົບຖ້ວນຄືສິ່ງທີ່ທ່ານຢາກໃຫ້ຮັກສາໄວ້ໃນໂມເດວທີ່ເຫດຜົນຂອງການມີຢູ່ຂອງມັນຄືວິສະວະກຳຕົວແທນ.

ນ້ຳໜັກ 3-bit, ແລະ ຄວາມສົມດຸນທີ່ຊື່ສັດ

ນອກເໜືອຈາກການຕັດ, ນ້ຳໜັກທີ່ຍັງເຫຼືອຢູ່ຖືກເກັບໄວ້ທີ່ 3 bit — ຮຸນແຮງກວ່າລະດັບ W4A16-AUTOROUND-REAP ແລະ W8A16 ຢູ່ບ່ອນອື່ນໃນແຄຕາລັອກຂອງພວກເຮົາ, ແລະ ຖືກສະຫງວນໄວ້ສຳລັບພື້ນຖານທີ່ໃຫຍ່ທີ່ສຸດ, ບ່ອນທີ່ບໍ່ມີວິທີອື່ນທີ່ຈະເອົາໂມເດວຂະໜາດສາມສ່ວນສີ່ຕື້ນລ້ານພາຣາມິເຕີເຂົ້າໄປໃນໂໝດການໃຫ້ບໍລິການ ແລະ ຮັກສາ token ໃຫ້ໄຫຼໃນອັດຕາທີ່ໃຊ້ໄດ້ຈິງ.

ການບີບອັດບໍ່ຟຣີ. ຮູບແບບຄວາມຄິດທີ່ຖືກຕ້ອງ: ການຕັດ ແລະ quantization ເຮັດໃຫ້ຫາງຍາວເສຍຫາຍກ່ອນ. ພຶດຕິກຳທີ່ໜາແໜ້ນ, ຖືກໃຊ້ເລື້ອຍໆ — ການປະຕິບັດຕາມຄຳສັ່ງ, ໂຄງສ້າງໂຄດ, ຮູບແບບການເອີ້ນເຄື່ອງມື, ການວາງແຜນຫຼາຍຂັ້ນຕອນ — ຢູ່ລອດໄດ້ດີ, ຊຶ່ງເປັນສິ່ງທີ່ຜົນ REAP ສະແດງໃຫ້ເຫັນຢ່າງແນ່ນອນ. ຄວາມຮູ້ຄວາມຈິງທີ່ຄຸ້ມເຄືອ, ພາສາຫາຍາກ ແລະ ຄວາມຮູ້ສະເພາະຂົງເຂດຄືບ່ອນທີ່ທ່ານຄວນຄາດຫວັງຄວາມແຕກຕ່າງທຽບກັບ GLM-5.2 ແບບບໍ່ບີບອັດ. ຖ້າວຽກຂອງທ່ານຄື "ຮູ້ຂໍ້ເທັດຈິງທີ່ຫາຍາກແບບແມ່ນຢຳ," ຈ່າຍສຳລັບລະດັບຄວາມແມ່ນຢຳສູງກວ່າ. ຖ້າມັນຄື "ແລ່ນແຜນຜ່ານສີ່ສິບການເອີ້ນເຄື່ອງມືໂດຍບໍ່ຫຼົງທາງ," ນີ້ຄືລະດັບທີ່ວິທີການນີ້ຖືກອອກແບບມາສຳລັບມັນ.

04ຄຳໂຕ້ແຍ້ງດ້ານມູນຄ່າ: API LLM ບໍ່ເຊັນເຊີລາຄາຖືກໃຊ້ຈ່າຍແທ້ໆເທົ່າໃດ

$0.73

ຕໍ່ 1M ເຂົ້າ

$2.34

ຕໍ່ 1M ອອກ

262K

ໜ້າຕ່າງ context

16K

ຜົນຜະລິດສູງສຸດ

ລາຄາລິດຢ່າງເປັນທາງການຂອງ Z.ai ສຳລັບ API GLM-5.2 ຄື $1.40 ຕໍ່ລ້ານ token ເຂົ້າ ແລະ $4.40 ຕໍ່ລ້ານອອກ. ລາຄາຂອງພວກເຮົາເທິງພື້ນຖານດຽວກັນຄື $0.73 / $2.34 — ຖືກກວ່າປະມານ 48% ໃນຂາເຂົ້າ ແລະ 47% ໃນຂາອອກ. ສ່ວນຫຼຸດນັ້ນຄືສິ່ງທີ່ການບີບອັດຊື້ໄດ້, ແລະ ມັນມາພ້ອມກັບສິ່ງທີສອງທີ່ທ່ານຊື້ຈາກເຈົ້າຂອງເອງບໍ່ໄດ້ບໍ່ວ່າລາຄາໃດ: ບໍ່ມີຊັ້ນປະຕິເສດ.

ພາຍໃນແຄຕາລັອກຂອງພວກເຮົາເອງ, ຄ່າໃຊ້ຈ່າຍລວມຄືຕົວເລກທີ່ສຳຄັນ. ນີ້ຄືອັດຕາສ່ວນ 3:1 ຂາເຂົ້າຕໍ່ຂາອອກ, ປະມານທີ່ຕົວແທນເອີ້ນເຄື່ອງມືເປັນຈິງ — context ແລະ ຜົນເຄື່ອງມືເຂົ້າຫຼາຍ, token ອອກມາຄ່ອນຂ້າງໜ້ອຍ.

ໂມເດວ	ເຂົ້າ / 1M	ອອກ / 1M	ລວມ 3:1	ການເບິ່ງເຫັນ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	ບໍ່ມີ
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	ບໍ່ມີ
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	ມີ
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	ບໍ່ມີ
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	ມີ
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	ມີ

ໂມເດວຫົກອັນຢູ່ທີ່ພື້ນ $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ແລະ Hy3 — ອັດຕາລວມ $0.875. GLM-5.2 ສູງກວ່າພື້ນນັ້ນ 29% ແລະ ຊື້ພື້ນຖານລະດັບ 744B ພ້ອມການລົງທຶນຢ່າງຕໍ່ເນື່ອງໃນພຶດຕິກຳຕົວແທນຢູ່ເບື້ອງຫຼັງ. ທຸກຢ່າງທີ່ລາຄາສູງກວ່າມັນລາຄາລວມແພງກວ່າຢ່າງໜ້ອຍ 23%, ແລະ Kimi-K3 ລາຄາແພງກວ່າ 6.8 ເທົ່າ. ນັ້ນຄືຄຳໂຕ້ແຍ້ງດ້ານມູນຄ່າໃນແຖວດຽວ: ບ່ອນທີ່ຖືກທີ່ສຸດໃນແຄຕາລັອກທີ່ຈະຊື້ພື້ນຖານຕົວແທນລະດັບເທິງສຸດ.

ແປງເປັນວຽກ

ການເຕີມ context ເຕັມໜຶ່ງເທື່ອ — 262,144 token ເຂົ້າ: $0.19. Repository ຂະໜາດໃຫຍ່ທັງໝົດອ່ານເຂົ້າໄປໃນໜ້າຕ່າງໃນລາຄາໜ້ອຍກວ່າຊາວເຊັນ.
ຄຳຕອບຄວາມຍາວສູງສຸດໜຶ່ງອັນ — ຜົນຜະລິດ 16,384 token: $0.038.
ຮອບຕົວແທນໜຶ່ງຮອບ — 20K ເຂົ້າ, 2K ອອກ: $0.019. ຮອບດຽວກັນລາຄາ $0.115 ເທິງ Kimi-K3 ແລະ $0.047 ເທິງ DeepSeek-V4-Pro.
ຮ້ອຍຮອບຕົວແທນ: $1.93, ທຽບກັບ $11.48 ເທິງໂມເດວທີ່ແພງທີ່ສຸດໃນແຄຕາລັອກ.

ວຽກຕົວແທນມັກໜັກໄປທາງ input, ແລະ ຂໍ້ໄດ້ປຽບຂອງ GLM ໃຫຍ່ທີ່ສຸດຢູ່ບ່ອນນັ້ນເລີຍ: ລາຄາ input ຂອງມັນຕ່ຳກວ່າ Kimi-K3 ເຖິງ 5.2 ເທົ່າ ແລະ ຕ່ຳກວ່າ DeepSeek-V4-Pro 2.7 ເທົ່າ. ຖ້າຕົວແທນຂອງທ່ານສົ່ງບົດສົນທະນາທີ່ເຕີບໃຫຍ່ຂຶ້ນຄືນໃໝ່ທຸກຮອບ — ແລະ ຕົວແທນເກືອບທຸກໂຕເຮັດແນວນັ້ນ — ຕົວຄູນນັ້ນຄືສິ່ງທີ່ຈົບລົງໃນໃບບິນຂອງທ່ານ.

05"ບໍ່ເຊັນເຊີ" ໝາຍຄວາມວ່າຫຍັງເທິງ endpoint ນີ້

ສອງສິ່ງ, ຢ່າງແມ່ນຢຳ: ບໍ່ມີຊັ້ນປະຕິເສດ — ບໍ່ມີຕົວຈັດປະເພດຕັດສິນວ່າຄຳຂໍໃດທີ່ໂມເດວອະນຸຍາດໃຫ້ເຫັນ, ແລະ ບໍ່ມີໂມເດວນະໂຍບາຍຂຽນພຣອມຂອງທ່ານຄືນກ່ອນມັນຈະມາຮອດ — ແລະ ບໍ່ມີການກັ່ນຕອງຜົນຜະລິດ, ໝາຍຄວາມວ່າ token ທີ່ໂມເດວຜະລິດແມ່ນ token ທີ່ທ່ານໄດ້ຮັບ, ບໍ່ຖືກແກ້ໄຂ ແລະ ບໍ່ຖືກສະຫຼັບ.

ນັ້ນຄືຂໍ້ສະເໜີທີ່ຕ່າງອອກໄປຈາກ API ການຄ້າທີ່ໂຄສະນາໂໝດ "ຜ່ອນຄາຍ" ຫຼື "ນັກພັດທະນາ". ພວກມັນຍັງນຳຈາຈອນຜ່ານກອງນະໂຍບາຍຂອງຜູ້ຂາຍຢູ່; ສິ່ງທີ່ປ່ຽນຄືເກນ, ບໍ່ແມ່ນການມີຢູ່ຂອງປະຕູ. ທີ່ນີ້ບໍ່ມີປະຕູໃຫ້ປັບ — ໂມເດວແລ່ນເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ, ແລະ ພຶດຕິກຳຂອງມັນຄືພຶດຕິກຳຂອງພື້ນຖານ. ອ່ານຜົນການປະເມີນ NIST CAISI ຈາກພາກ 02 ເປັນຄຳກ່າວທາງເທັກນິກ ແທນທີ່ຈະເປັນຄຳເຕືອນ ແລ້ວມັນອະທິບາຍຜະລິດຕະພັນ: ໂມເດວທີ່ການປັບແຕ່ງຂອງມັນຢູ່ໃນນ້ຳໜັກ, ໃຫ້ບໍລິການໂດຍບໍ່ມີຊັ້ນນະໂຍບາຍພາຍນອກ, ປະຕິບັດຕົວຕາມນ້ຳໜັກຂອງມັນ.

ເປັນຫຍັງນີ້ຈຶ່ງສຳຄັນສະເພາະສຳລັບຕົວແທນ

ການປະຕິເສດປົກກະຕິແລ້ວຖືກເວົ້າເຖິງເປັນຄຳຖາມເລື່ອງເນື້ອຫາ. ໃນວຽກຕົວແທນ ພວກມັນສ່ວນຫຼາຍຄືຄຳຖາມເລື່ອງຄວາມໜ້າເຊື່ອຖື. ການປະຕິເສດຢູ່ຮອບທີ 31 ຂອງການແລ່ນ 40 ຮອບ ບໍ່ແມ່ນການປະຕິເສດແບບສຸພາບທີ່ທ່ານອ່ານແລ້ວຜ່ານໄປ — ມັນຄືຂັ້ນຕອນທີ່ຜິດຮູບ, orchestrator ທີ່ບໍ່ຮູ້ວິທີດຳເນີນຕໍ່, ແຜນທີ່ແຕກຫັກ, ແລະ token 30 ຮອບທີ່ໃຊ້ໄປໂດຍບໍ່ໄດ້ຫຍັງ. ການຄົ້ນຄວ້າຄວາມປອດໄພ, ການວິເຄາະ malware, ການທົດສອບການເຈາະລະບົບ, red-teaming, ນິຍາຍຜູ້ໃຫຍ່, ການຮ່າງເອກະສານທາງການແພດ ແລະ ກົດໝາຍ, ແລະ ການສ້າງຊຸດຂໍ້ມູນສຳລັບການຝຶກຄວາມປອດໄພ ລ້ວນປະສົບບັນຫານີ້ຢ່າງຕໍ່ເນື່ອງ, ແລະ ຄວາມລົ້ມເຫຼວແພງເພາະມັນເກີດຂຶ້ນຊ້າ.

ອີກດ້ານໜຶ່ງຄືຊັ້ນນະໂຍບາຍຕອນນີ້ເປັນຂອງທ່ານແລ້ວ. ການໃຊ້ເກດເວय์ Shannon AI ຢູ່ພາຍໃຕ້ ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບຂອງພວກເຮົາ; ການເອົາການຕັດສິນໃຈຂອງຜູ້ຂາຍອອກຈາກວົງຈອນໝາຍຄວາມວ່າທ່ານຕ້ອງໃຫ້ຂອງທ່ານເອງແທນ.

06Endpoint ໃຫ້ຫຍັງແທ້

ຄວາມສາມາດ	GLM-5.2 · 3BIT-REAP
Model id	GLM-5.2-3BIT-REAP
ໜ້າຕ່າງ context	262,144 token
ຜົນຜະລິດສູງສຸດຕໍ່ຄຳຂໍ	16,384 token
ການສະຕຣີມ	ມີ
ການເອີ້ນເຄື່ອງມື	ມີ
ການໃຫ້ເຫດຜົນ / `reasoning_effort`	ມີ
JSON Schema (`json_schema`)	ມີ
`response_format`	ມີ
ການເບິ່ງເຫັນ / ຮູບພາບເຂົ້າ	ບໍ່ມີ — ຂໍ້ຄວາມເທົ່ານັ້ນ
ຊັ້ນປະຕິເສດ / ການກັ່ນຕອງຜົນຜະລິດ	ບໍ່ມີ

ອ່ານແຖວການເບິ່ງເຫັນຢ່າງລະມັດລະວັງກ່ອນທ່ານຈະສ້າງ. GLM-5.2 ເປັນຂໍ້ຄວາມເທົ່ານັ້ນເທິງເກດເວय์ຂອງພວກເຮົາ. ຖ້າທ່ານຕ້ອງການ input ຮູບພາບ, ແຄຕາລັອກມີຫ້າຕົວເລືອກທີ່ເບິ່ງເຫັນໄດ້ — MiniMax-M3 ແລະ MiMo-V2.5 ຢູ່ພື້ນ $0.50 / $2.00, Kimi-K2.6 ທີ່ $0.78 / $3.67, inkling ທີ່ $1.42 / $6.07, ແລະ Kimi-K3 ທີ່ $3.83 / $19.12. ຮູບແບບທີ່ສົມເຫດສົມຜົນຄືການສົ່ງຄວາມເຂົ້າໃຈຮູບພາບໄປ MiniMax-M3 ແລະ ທຸກຢ່າງອື່ນໄປ GLM-5.2, ຊຶ່ງບໍ່ເສຍຄ່າໃຊ້ຈ່າຍຫຍັງນອກຈາກ string ຊື່ໂມເດວ.

ພາສາສາມແບບ, ໂມເດວດຽວ

ໂມເດວດຽວກັນສາມາດເອີ້ນໄດ້ຜ່ານຮູບແບບຄຳຂໍສາມແບບ, ທັງໝົດສະຕຣີມ: /v1/chat/completions (ພາສາ OpenAI), /v1/messages (ພາສາ Anthropic), ແລະ /v1/responses. ບໍ່ມີຫຍັງກ່ຽວກັບໂມເດວປ່ຽນລະຫວ່າງພວກມັນ — ເລືອກອັນທີ່ SDK ຂອງທ່ານໃຊ້ຢູ່ແລ້ວ, ແລະ ໂດຍປົກກະຕິທ່ານພຽງແຕ່ຫ່າງຈາກການແລ່ນໄດ້ດ້ວຍການປ່ຽນ base URL ອັນດຽວ.

# ພາສາ OpenAI — ຊີ້ client ທີ່ມີຢູ່ຂອງທ່ານໄປຫາເກດເວय์
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,                 # ຮອງຮັບການເອີ້ນເຄື່ອງມື
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

Schema ຄຳຂໍ ແລະ ຄຳຕອບເຕັມສຳລັບພາສາທັງສາມ, ຮູບແບບການເອີ້ນເຄື່ອງມື, ຮູບຮ່າງເຫດການສະຕຣີມ, ແລະ playground ແບບໂຕ້ຕອບຢູ່ໃນ ເອກະສານ API Shannon AI.

07ເມື່ອໃດຄວນເລືອກ GLM-5.2 — ແລະ ເມື່ອໃດບໍ່ຄວນ

ໃຊ້ມັນເມື່ອ

ທ່ານກຳລັງແລ່ນຕົວແທນ. ວົງຈອນເອີ້ນເຄື່ອງມືຍາວຄືສິ່ງທີ່ຕະກູນນີ້ຖືກສ້າງ ແລະ ຖືກ post-train ຊ້ຳໆສຳລັບມັນ, ແລະ ລາຄາ input ເຮັດໃຫ້ບົດສົນທະນາທີ່ເຕີບໃຫຍ່ຂຶ້ນສາມາດສົ່ງຄືນທຸກຮອບໄດ້ດ້ວຍລາຄາທີ່ຈ່າຍໄດ້.
ທ່ານກຳລັງເຮັດວຽກຂ້າມໂຄດເບສຂະໜາດໃຫຍ່. Context 262K, ຮູບແບບການເອີ້ນເຄື່ອງມືທີ່ໜ້າເຊື່ອຖື, ແລະ $0.19 ເພື່ອອ່ານໜ້າຕ່າງທັງໝົດ.
ປະລິມານຄືຂໍ້ຈຳກັດຂອງທ່ານ. ການຈັດປະເພດ, ການດຶງຂໍ້ມູນ, ການສ້າງຂໍ້ມູນສັງເຄາະ, ການຂຽນຄືນຈຳນວນຫຼາຍ — ຫຍັງກໍຕາມທີ່ຄ່າໃຊ້ຈ່າຍຕໍ່ຄຳຂໍຄູນດ້ວຍຈຳນວນຫຼວງຫຼາຍຕັດສິນວ່າໂຄງການເປັນໄປໄດ້ຫຼືບໍ່.
ການປະຕິເສດກຳລັງທຳລາຍ pipeline ຂອງທ່ານ. ການຄົ້ນຄວ້າຄວາມປອດໄພ, ການທົດສອບແບບຄູ່ຕໍ່ຄູ່, ນິຍາຍບໍ່ເຊັນເຊີ, ການຮ່າງເອກະສານອ່ອນໄຫວ — ຮູບແບບຄວາມລົ້ມເຫຼວນັ້ນບໍ່ມີຢູ່ບ່ອນນີ້.

ໃຊ້ອັນອື່ນເມື່ອ

ທ່ານຕ້ອງການການເບິ່ງເຫັນ. ຂໍ້ຄວາມເທົ່ານັ້ນ. ເບິ່ງຕົວເລືອກທີ່ເບິ່ງເຫັນໄດ້ຂ້າງເທິງ.
ທ່ານຕ້ອງການການໃຫ້ເຫດຜົນຮອບດຽວທີ່ເລິກທີ່ສຸດ. ສຳລັບບັນຫາການວິເຄາະຮອບດຽວທີ່ຍາກທີ່ສຸດ, DeepSeek-V4-Pro-0813 · 3BIT-REAP ຄືເຄື່ອງມືທີ່ໜັກກວ່າດ້ວຍລາຄາລວມ 2.2 ເທົ່າ — ໃນການເອີ້ນທີ່ຄວາມສາມາດສູງສຸດຄືຂໍ້ຈຳກັດ, ນັ້ນຄືການແລກປ່ຽນທີ່ຖືກຕ້ອງ.
ທ່ານຕ້ອງການຄວາມແມ່ນຢຳສູງສຸດເທິງຄວາມຮູ້ທີ່ຄຸ້ມເຄືອ. ລະດັບ W8A16 — MiMo-V2.5-Pro ແລະ Hy3 — ຖືກບີບອັດໜ້ອຍກວ່າຫຼາຍ ແລະ ຢູ່ທີ່ພື້ນ $0.50 / $2.00, ເທິງພື້ນຖານທີ່ນ້ອຍກວ່າ.

ກຳລັງປຽບທຽບທົ່ວແຄຕາລັອກບໍ? ໂມເດວບໍ່ເຊັນເຊີທັງສິບສອງອັນໃຊ້ context 262,144 token, ຂອບເຂດຜົນຜະລິດ 16,384 token ແລະ ພາສາ API ສາມແບບຮ່ວມກັນ, ດັ່ງນັ້ນການປ່ຽນຄືການປ່ຽນແປງແຖວດຽວ. ເບິ່ງບັດຂໍ້ມູນໂມເດວທຸກອັນໃນ Shannon AI Research, ຫຼືເລີ່ມຕົ້ນດ້ວຍຈຸດປຽບທຽບຮຸ້ນໜັກ: ບັດຂໍ້ມູນໂມເດວ DeepSeek-V4-Pro ບໍ່ເຊັນເຊີ.

ໂປ່ງໃສໂດຍການອອກແບບ

ຕົວເລກພື້ນຖານທຸກອັນໃນໜ້ານີ້ຖືກເຜີຍແຜ່ໂດຍຄົນອື່ນທີ່ບໍ່ແມ່ນພວກເຮົາ. ຕົວເລກລາຄາ ແລະ ຄວາມສາມາດຄືຄ່າແຄຕາລັອກຈິງຂອງພວກເຮົາເອງ, ກວດສອບໄດ້ກັບ /v1/models ດ້ວຍກະແຈຂອງທ່ານເອງ. ກວດແຫຼ່ງຂໍ້ມູນຕົ້ນສະບັບເອງ.

Z.ai — repository 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 — ການປະເມີນ GLM-5.2 ຂອງ Z.ai

ຕົວເລກເບັນມາກ GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) ຖືກລາຍງານໂດຍ Z.ai ສຳລັບພື້ນຖານແບບບໍ່ບີບອັດ; ການຢືນຢັນຄືນຢ່າງອິດສະຫຼະຍັງລໍຖ້າຢູ່. ຕົວເລກ Claude Opus 4.8 ແລະ GPT-5.5 ສະແດງໄວ້ເພື່ອອ້າງອີງເທົ່ານັ້ນ. ລາຄາລິດ API GLM-5.2 ຈາກເຈົ້າຂອງເອງຕາມທີ່ Z.ai ເຜີຍແຜ່, ເດືອນກັນຍາ 2026.

08ຄຳຖາມທີ່ພົບເລື້ອຍ

API GLM ບໍ່ເຊັນເຊີເທິງ Shannon AI ແມ່ນຫຍັງ?

ມັນຄື model id GLM-5.2-3BIT-REAP ເທິງເກດເວय์ Shannon AI: ຮູບແບບບີບອັດຂອງພື້ນຖານ GLM-5.2 ແບບຕົວແທນຂອງ Z.ai, ໃຫ້ບໍລິການເທິງຄລັດສເຕີ GPU ຂອງພວກເຮົາເອງ ໂດຍບໍ່ມີຊັ້ນປະຕິເສດ ແລະ ບໍ່ມີການກັ່ນຕອງຜົນຜະລິດ. ມັນລາຄາ $0.73 ຕໍ່ລ້ານ token ເຂົ້າ ແລະ $2.34 ຕໍ່ລ້ານ token ອອກ, ມີໜ້າຕ່າງ context 262,144 token, ແລະ ເອີ້ນໄດ້ທີ່ /v1/chat/completions, /v1/messages ແລະ /v1/responses.

ເປັນຫຍັງ GLM 5.2 ບໍ່ເຊັນເຊີຈຶ່ງຖືກກວ່າໂມເດວໃຫຍ່ອື່ນໃນແຄຕາລັອກ?

ຍ້ອນວິທີທີ່ມັນຖືກບີບອັດ. 3BIT-REAP ປະສົມນ້ຳໜັກ 3-bit ກັບ REAP, ວິທີການຕັດຜູ້ຊ່ຽວຊານສຳລັບໂມເດວ Mixture-of-Experts ທີ່ລຶບຜູ້ຊ່ຽວຊານທີ່ຖືກຈັດເສັ້ນທາງໜ້ອຍອອກກ່ອນ quantize. ພື້ນຖານ MoE ແບບ sparse ດ້ວຍພາຣາມິເຕີເປີດໃຊ້ປະມານ 40B ຕໍ່ token, ຖືກຕັດ ແລະ quantize ແບບນີ້, ຄອບຄອງໜ່ວຍຄວາມຈຳໜ້ອຍກວ່າ ແລະ ວິນາທີ GPU ຕໍ່ token ໜ້ອຍກວ່າໂມເດວ dense ທີ່ມີຄຸນນະພາບທຽບເທົ່າຫຼາຍ, ແລະ ລາຄາສະທ້ອນສິ່ງນັ້ນ.

GLM ບໍ່ມີການປະຕິເສດໝາຍຄວາມວ່າໂມເດວບໍ່ມີການປ້ອງກັນເລີຍບໍ?

ມັນໝາຍຄວາມວ່າ Shannon ບໍ່ເພີ່ມຫຍັງເລີຍ. ບໍ່ມີຕົວຈັດປະເພດການປະຕິເສດຢູ່ໜ້າໂມເດວ ແລະ ບໍ່ມີການກັ່ນຕອງໃສ່ token ທີ່ອອກມາຈາກມັນ. ພື້ນຖານຮັກສາທ່າທີໃດກໍຕາມທີ່ການຝຶກຂອງມັນເອງໃຫ້ໄວ້, ແຕ່ບໍ່ມີຫຍັງພາຍນອກຫັກລ້າງພວກມັນ. ທ່ານເປັນເຈົ້າຂອງຊັ້ນນະໂຍບາຍ, ແລະ ການໃຊ້ຢູ່ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບຂອງ Shannon AI.

GLM-5.2 3BIT-REAP ຮອງຮັບການເບິ່ງເຫັນ ຫຼື ຮູບພາບເຂົ້າບໍ?

ບໍ່ຮອງຮັບ. ໂມເດວນີ້ເປັນຂໍ້ຄວາມເທົ່ານັ້ນ. ຖ້າທ່ານຕ້ອງການ image input ເທິງ endpoint ບໍ່ເຊັນເຊີ, ໃຫ້ໃຊ້ໜຶ່ງໃນໂມເດວທີ່ເບິ່ງເຫັນໄດ້ໃນແຄຕາລັອກເຊັ່ນ MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ຫຼື inkling. GLM-5.2 ຮອງຮັບຜົນຜະລິດແບບມີໂຄງສ້າງ — ທັງ json_schema ແລະ response_format — ແລະ ການເອີ້ນເຄື່ອງມື.

ໜ້າຕ່າງ context ແລະ ຄວາມຍາວຜົນຜະລິດສູງສຸດແມ່ນເທົ່າໃດ?

Context 262,144 token ແລະ ຜົນຜະລິດ 16,384 token ຕໍ່ຄຳຂໍ. ການເຕີມໜ້າຕ່າງ context ທັງໝົດໜຶ່ງເທື່ອລາຄາປະມານ 19 ເຊັນ ທີ່ $0.73 ຕໍ່ລ້ານ token ເຂົ້າ, ແລະ ຄຳຕອບຄວາມຍາວສູງສຸດລາຄາຕ່ຳກວ່າ 4 ເຊັນ.

ນີ້ຄືໂມເດວຕົວແທນບໍ່ເຊັນເຊີທີ່ດີສຳລັບວົງຈອນເອີ້ນເຄື່ອງມືຍາວບໍ?

ມັນຄືອັນທີ່ພວກເຮົາໃຊ້ກ່ອນ. ຕະກູນ GLM ຖືກຝຶກຢ່າງຊັດເຈນສຳລັບວຽກຕົວແທນຕັ້ງແຕ່ GLM-4.5, ການເອີ້ນເຄື່ອງມື ແລະ reasoning_effort ຖືກຮອງຮັບທັງສອງ, ແລະ ລາຄາໝາຍຄວາມວ່າຮ້ອຍຮອບຕົວແທນຂະໜາດຫຼາຍໝື່ນ token ລາຄາປະມານສອງໂດລາ ແທນທີ່ຈະເປັນສິບເອັດໂດລາ. ການປະຕິເສດຍັງເປັນຮູບແບບຄວາມລົ້ມເຫຼວທີ່ແທ້ຈິງໃນວົງຈອນຕົວແທນ, ແລະ ບໍ່ມີຊັ້ນປະຕິເສດຢູ່ບ່ອນນີ້ທີ່ຈະກະຕຸ້ນມັນ.

ລອງ API GLM ບໍ່ເຊັນເຊີ

$0.73 ເຂົ້າ · $2.34 ອອກ · context 262K · ບໍ່ມີຊັ້ນປະຕິເສດ.

ອ່ານເອກະສານ API ເບິ່ງໂມເດວທັງໝົດ

Shannon Lab LLC, ລັດນິວເມັກຊິໂກ, ສະຫະລັດ · ການໃຊ້ຢູ່ພາຍໃຕ້ນະໂຍບາຍການໃຊ້ຢ່າງມີຄວາມຮັບຜິດຊອບ

ແຫຼ່ງຂໍ້ມູນ: repository GLM-5 ຂອງ 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 · ການປະເມີນ NIST CAISI ຂອງ GLM-5.2 ໂດຍ Z.ai, ກໍລະກົດ 2026. ຄະແນນເບັນມາກພື້ນຖານແມ່ນຂໍ້ມູນທີ່ແລບລາຍງານ ແລະ ຍັງບໍ່ແນ່ນອນ; ພວກມັນອະທິບາຍ GLM-5.2 ແບບບໍ່ບີບອັດ, ບໍ່ແມ່ນຮູບແບບບີບອັດນີ້. ຕົວເລກລາຄາ, context ແລະ ຄວາມສາມາດຄືຄ່າແຄຕາລັອກ Shannon AI ນັບຮອດວັນທີ 5 ກັນຍາ 2026.

research links ທັງໝົດ