Necenzēts GLM API: labākā vērtība par tokenu
Z.ai aģentiskais GLM pamatmodelis, pasniegts bez atteikuma slāņa mūsu paša GPU klasterī — 262K konteksts, rīku izsaukšana un sajauktā cena, kas ir zem puses no tā, ko tā pati cilts maksā pie pirmās puses.
Īsumā
GLM-5.2-3BIT-REAP ir tas Shannon AI vārtejas modelis, ko iesakām pēc noklusējuma. Tas darbina 744 miljardu parametru retu Mixture-of-Experts pamatmodeli no GLM cilts — kopš GLM-4.5 tieši trenētu aģentiskai rīku lietošanai —, saspiestu ar 3 bitu svariem un REAP ekspertu atzarošanu, lai tas ietilptu un paliktu ātrs. Jūs saņemat 262,144 tokenu kontekstu, 16,384 tokenus izvades, rīku izsaukšanu, spriešanu ar regulējamu reasoning_effort un JSON Schema strukturētu izvadi par $0.73 / $2.34 uz miljonu tokenu. Nav atteikuma slāņa un nav izvades filtra. Tikai teksts — bez redzes.
Vairums „lētākā modeļa” salīdzinājumu ir negodīgi, jo lētais variants parasti ir mazs modelis liela modeļa mārketinga tērpā. Šeit notiek kas cits. GLM-5.2 ir viens no lielākajiem atvērto svaru pamatmodeļiem, kādus vispār kāds ir izlaidis, un par $0.73 ievadē / $2.34 izvadē tas atrodas vienu pakāpienu virs mūsu kataloga grīdas, kaut arī nes pamatmodeli, kas ir vairākas reizes lielāks par to, ko šī grīda parasti pērk. Tieši šī plaisa — liels modelis, gandrīz grīdas cena — ir iemesls, kāpēc šī lapa pastāv.
01No kurienes nāk GLM: Cjinhua, tukšumu aizpildīšana un straujš pagrieziens uz aģentiem
GLM nav pārkrāsots Llama atvasinājums. Tā ir viena no nedaudzajām modeļu saimēm ar savu pašas iepriekštreniņa mērķi, ko piecus gadus iterējusi viena un tā pati pētnieku grupa. Nosaukums apzīmē General Language Model, un dibinošais raksts — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — piedāvāja trešo iespēju blakus BERT maskētajai valodas modelēšanai un GPT stingrajai autoregresijai no kreisās uz labo. GLM izdzēš blakusesošus fragmentus un atjauno tos autoregresīvi sajauktā kārtībā, ar divdimensiju pozīciju kodējumiem, kas seko gan tokena vietai bojātajā dokumentā, gan tā vietai aizpildāmajā fragmentā: viena arhitektūra, kas vienlīdz labi tiek galā ar saprašanu un ģenerēšanu.
Aiz tā stāvēja Cjinhua Universitātes Zināšanu inženierijas grupa, no kuras izauga uzņēmums, ko tagad pazīst kā Z.ai (agrāk Zhipu AI). Tā pirmais virsrakstu artefakts bija GLM-130B 2022. gada oktobrī — 130 miljardu parametru divvalodu angļu/ķīniešu blīvs modelis, kura svari un kods tika publiskoti jau publikācijas brīdī. Kopš tā laika atvērta izlaišana ir mājas stils.
MoE laikmets un pagrieziens uz aģentiem
Caurvijošā līnija ir svarīgāka par jebkuru atsevišķu laidienu. Kopš GLM-4.5 katra versija ir optimizēta vienam un tam pašam: saglabāt saskaņotību desmitiem rīku izsaukumu garumā. Tas ir cits mērķis nekā viena gājiena etalonu rezultātu maksimizēšana, un tas izpaužas kā mazāk kropli veidotu rīku argumentu, mazāka novirze garā plānā un mazāk tās „pašpārliecināti sāk uzdevumu no jauna 14. gājienā” uzvedības, kas padara aģentu ietvarus dārgus.
02Kas ir GLM-5.2 un kādos rādītājos tas ir izmērīts
Z.ai publicē GLM-5.2 etalonu skaitļus GLM-5 repozitorijā. Divi no tiem attiecas uz reālu aģentisku darbu, nevis faktu atsaukšanu:
Terminal-Bench 2.1 — ilga horizonta komandrindas aģenta uzdevumi. Z.ai ziņots.
SWE-bench Pro — reālu repozitoriju problēmu risināšana. Z.ai ziņots; GLM-5.1 tajā pašā testā ieguva 58.4.
Tie ir laboratorijas skaitļi, nevis mūsu, un tie apraksta nesaspiesto pamatmodeli. Tie nosaka, ar kādas klases modeli jums ir darīšana, nevis dod garantiju.
Viens datu punkts ir vērtīgāks par etalonu, jo tas nāk no vērtētāja, kuram nav nekādas motivācijas modelim glaimot. 2026. gada jūlijā ASV Nacionālā standartu un tehnoloģiju institūta AI standartu un inovāciju centrs novērtēja GLM-5.2 un secināja, ka tas izlaišanas brīdī visticamāk bija spējīgākais pieejamais atvērto svaru AI modelis, ar kopējām spējām, kas salīdzināmas ar GPT-5.2, un kiberspējām, kas salīdzināmas ar Claude Opus 4.6. Tas pats novērtējums konstatēja, ka GLM-5.2 bloķē mazāk jutīgu pieprasījumu nekā ASV atsauces modeļi un ka atvērtos svaros iecepto aizsardzību var apiet, tiklīdz šie svari tiek mitināti pašu spēkiem. Pie tā atgriezīsimies 05. sadaļā.
03Ko nozīmē „3BIT-REAP” un kas jums par to jāmaksā
REAP: ekspertu atzarošana, nevis saplūdināšana
744 miljardu parametru MoE modelim ir 256 eksperti katrā slānī, no kuriem uz jebkuru konkrēto tokenu nostrādā 8. Maršrutētājs darbu nesadala vienmērīgi — dažus ekspertus izvēlas nemitīgi, bet garu asti izvēlas reti, un arī tad tie dod maz. REAP (Router-weighted Expert Activation Pruning) no Cerebras Research, pieņemts ICLR 2026, to izmanto: tas novērtē katru ekspertu pēc nozīmīguma kritērija, kas apvieno to, cik stipri un bieži maršrutētājs to ielaiž, ar tā izvades ieguldījuma lielumu, un tad neatgriezeniski izmet zemu novērtētos.
Interesantākā daļa ir tas salīdzinājums, ko REAP uzvar. Acīmredzamā alternatīva eksperta izmešanai ir tā saplūdināšana ar izdzīvojušo, kas izklausās drošāk. Raksta atradums MoE modeļos no 20B līdz 1T parametru ir tāds, ka saplūdināšana ģeneratīvam darbam patiesībā ir sliktāka, bet atzarošana turas pārsteidzoši labi: gandrīz bez zudumiem koda ģenerēšanas un rīku izsaukšanas etalonos pat pēc puses ekspertu noņemšanas, uz pamatmodeļiem, tostarp Qwen3-Coder-480B un Kimi-K2. Kods un rīku izsaukšana, kas paliek neskarti, ir tieši tas, ko gribat saglabāt modelī, kura pastāvēšanas iemesls ir aģentiskā inženierija.
3 bitu svari un godīgais kompromiss
Papildus atzarošanai izdzīvojušie svari tiek glabāti ar 3 bitiem — agresīvāk nekā W4A16-AUTOROUND-REAP un W8A16 līmeņos citviet mūsu katalogā, un tas ir rezervēts lielākajiem pamatmodeļiem, kur nav cita ceļa, kā dabūt trīs ceturtdaļu triljona parametru modeli uz apkalpošanas mezgla un noturēt tokenu plūsmu lietojamā ātrumā.
Saspiešana nav bez maksas. Pareizais domāšanas modelis: atzarošana un kvantēšana vispirms degradē garo asti. Blīvas, bieži lietotas uzvedības — instrukciju izpilde, koda struktūra, rīku izsaukumu formatēšana, daudzsoļu plānošana — izdzīvo labi, un tieši to rāda REAP rezultāti. Nišas faktu atsaukšana, retas valodas un šauru jomu sīkumi ir tur, kur jārēķinās ar atšķirību pret nesaspiestu GLM-5.2. Ja jūsu darba slodze ir „zināt neparastu faktu no galvas”, maksājiet par augstākas precizitātes līmeni. Ja tā ir „izpildīt plānu četrdesmit rīku izsaukumu garumā, nenoejot no sliedēm”, šis ir tas līmenis, kuram metode tika radīta.
04Vērtības arguments: cik patiesībā maksā lēta necenzēta LLM API darbināšana
Z.ai paša publicētā GLM-5.2 API cenrāža cena ir $1.40 par miljonu ievades tokenu un $4.40 par miljonu izvades. Mūsu cena uz tā paša pamatmodeļa ir $0.73 / $2.34 — aptuveni par 48% mazāk ievadē un par 47% mazāk izvadē. Šī atlaide ir tas, ko nopērk saspiešana, un tai nāk līdzi otra lieta, ko pie pirmās puses nevar nopirkt ne par kādu cenu: nav atteikuma slāņa.
Mūsu paša katalogā svarīgais skaitlis ir sajauktās izmaksas. Lūk, tās pie 3:1 ievades–izvades attiecības, aptuveni tā, kā praksē izskatās rīkus izsaucošs aģents — iekšā daudz konteksta un rīku rezultātu, ārā salīdzinoši maz tokenu.
| Modelis | Ievade / 1M | Izvade / 1M | Sajaukti 3:1 | Redze |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Nē |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Nē |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Jā |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Nē |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Jā |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Jā |
Seši modeļi atrodas uz $0.50 / $2.00 grīdas — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro un Hy3 — kas ir $0.875 sajauktā likme. GLM-5.2 ir par 29% virs šīs grīdas un pērk jums 744B klases pamatmodeli ar ilgstošu ieguldījumu aģentiskajā uzvedībā aiz muguras. Viss, kas cenots virs tā, sajauktajā izteiksmē maksā vismaz par 23% vairāk, bet Kimi-K3 maksā 6.8× vairāk. Tas ir vērtības arguments vienā rindā: lētākā vieta katalogā, kur nopirkt augstākā līmeņa aģentisku pamatmodeli.
Pārrēķināts darbā
- Viena pilna konteksta piepildīšana — 262,144 ievades tokeni: $0.19. Vesels liels repozitorijs ielasīts logā par mazāk nekā divdesmit centiem.
- Viens maksimāla garuma pabeigums — 16,384 izvades tokeni: $0.038.
- Viens aģenta gājiens — 20K iekšā, 2K ārā: $0.019. Tas pats gājiens maksā $0.115 uz Kimi-K3 un $0.047 uz DeepSeek-V4-Pro.
- Simts aģenta gājienu: $1.93 pret $11.48 uz dārgākā kataloga modeļa.
Aģentiskās darba slodzes ir ievades smagas, un GLM priekšrocība ir vislielākā tieši tur: tā ievades cena ir 5.2× zemāka par Kimi-K3 un 2.7× zemāka par DeepSeek-V4-Pro. Ja jūsu aģents katrā gājienā no jauna nosūta augošu sarunu — un gandrīz katrs aģents to dara —, tieši šis reizinātājs nonāk jūsu rēķinā.
05Ko uz šī galapunkta nozīmē „necenzēts”
Precīzi divas lietas: nav atteikuma slāņa — nav klasifikatora, kas izlemj, kurus pieprasījumus modelim ļauts redzēt, un nav politikas modeļa, kas pārrakstītu jūsu uzvedni, pirms tā nonāk galā — un nav izvades filtrēšanas, proti, tie tokeni, ko modelis rada, ir tie tokeni, ko jūs saņemat, neaizklāti un neapmainīti.
Tas ir cits piedāvājums nekā komerciāls API, kas reklamē „atslābinātu” vai „izstrādātāju” režīmu. Tie joprojām laiž datplūsmu caur piegādātāja politikas steku; mainās slieksnis, nevis vārtu esamība. Šeit nav vārtu, ko regulēt — modelis darbojas mūsu paša GPU klasterī, un tā uzvedība ir pamatmodeļa uzvedība. Izlasiet NIST CAISI secinājumu no 02. sadaļas kā tehnisku konstatējumu, nevis brīdinājumu, un tas izskaidro produktu: modelis, kura saskaņošana dzīvo tā svaros un kurš tiek pasniegts bez ārēja politikas slāņa, uzvedas atbilstoši saviem svariem.
Kāpēc tas ir svarīgi tieši aģentiem
Par atteikumiem parasti runā kā par satura jautājumu. Aģentiskajā darbā tie galvenokārt ir uzticamības jautājums. Atteikums 40 gājienu gājiena 31. solī nav pieklājīgs atteikums, ko izlasāt un ejat tālāk — tas ir kropls solis, orķestrētājs, kas nezina, kā turpināt, salauzts plāns un 30 gājienu iztērētu tokenu bez jebkāda rezultāta. Drošības pētniecība, ļaunatūras analīze, ielaušanās testēšana, sarkanās komandas darbs, pieaugušo daiļliteratūra, medicīnisku un juridisku tekstu sagatavošana un datu kopu ģenerēšana drošības treniņiem — tas viss ar to saskaras nemitīgi, un kļūme ir dārga tieši tāpēc, ka pienāk vēlu.
Otra puse ir tā, ka politikas slānis tagad ir jūsu. Shannon AI vārtejas lietošanu regulē mūsu Atbildīgas lietošanas politika; piegādātāja sprieduma izņemšana no cikla nozīmē, ka savu spriedumu jāpiegādā jums pašiem.
06Ko galapunkts patiesībā dod
| Iespēja | GLM-5.2 · 3BIT-REAP |
|---|---|
| Modeļa id | GLM-5.2-3BIT-REAP |
| Konteksta logs | 262,144 tokeni |
| Maks. izvade uz pieprasījumu | 16,384 tokeni |
| Straumēšana | Jā |
| Rīku izsaukšana | Jā |
Spriešana / reasoning_effort | Jā |
JSON Schema (json_schema) | Jā |
response_format | Jā |
| Redze / attēlu ievade | Nē — tikai teksts |
| Atteikuma slānis / izvades filtrēšana | Nav |
Pirms sākat būvēt, uzmanīgi izlasiet redzes rindu. GLM-5.2 mūsu vārtejā ir tikai teksta modelis. Ja jums vajag attēlu ievadi, katalogā ir pieci redzi atbalstoši varianti — MiniMax-M3 un MiMo-V2.5 uz $0.50 / $2.00 grīdas, Kimi-K2.6 par $0.78 / $3.67, inkling par $1.42 / $6.07 un Kimi-K3 par $3.83 / $19.12. Saprātīgs paņēmiens ir attēlu saprašanu maršrutēt uz MiniMax-M3, bet visu pārējo uz GLM-5.2, kas neizmaksā neko papildus modeļa virknei.
Trīs dialekti, viens modelis
Tas pats modelis ir sasniedzams caur trim pieprasījumu formātiem, visos ar straumēšanu: /v1/chat/completions (OpenAI dialekts), /v1/messages (Anthropic dialekts) un /v1/responses. Starp tiem modelī nekas nemainās — izvēlieties to, ko jūsu SDK jau runā, un parasti līdz darbam trūkst vienas bāzes URL izmaiņas.
# 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, )
Pilnas pieprasījumu un atbilžu shēmas visiem trim dialektiem, rīku izsaukšanas formāts, straumēšanas notikumu formas un interaktīva izmēģinājumu vide ir Shannon AI API dokumentācijā.
07Kad izvēlēties GLM-5.2 — un kad ne
Sniedzieties pēc tā, kad
- Jūs darbināt aģentus. Gari rīku izsaukšanas cikli ir tas, kam šī cilts tika būvēta un atkārtoti pēctrenēta, un ievades cena padara augošas sarunas atkārtotu sūtīšanu katrā gājienā pieejamu.
- Jūs strādājat ar lielu kodu bāzi. 262K konteksta, uzticama rīku izsaukumu formatēšana un $0.19, lai ielasītu visu logu.
- Jūsu ierobežojums ir apjoms. Klasifikācija, ekstrakcija, sintētisku datu ģenerēšana, masveida pārrakstīšana — viss, kur izmaksas uz vienu izsaukumu, reizinātas ar lielu skaitli, izšķir, vai projekts vispār ir dzīvotspējīgs.
- Atteikumi lauž jūsu konveijeru. Drošības pētniecība, pretinieciska testēšana, necenzēta daiļliteratūra, jutīgu tekstu sagatavošana — šeit šī kļūme neeksistē.
Sniedzieties pēc kaut kā cita, kad
- Jums vajag redzi. Tikai teksts. Skatiet redzi atbalstošos variantus augstāk.
- Jums vajag dziļāko viena gājiena spriešanu. Vissarežģītākajām viena šāviena analītiskajām problēmām DeepSeek-V4-Pro-0813 · 3BIT-REAP ir smagākais instruments par 2.2× sajauktajām izmaksām — izsaukumos, kur ierobežojums ir griesti, tas ir pareizais darījums.
- Jums vajag maksimālu precizitāti nišas zināšanās.
W8A16līmenis — MiMo-V2.5-Pro un Hy3 — ir saspiests daudz mazāk agresīvi un atrodas uz $0.50 / $2.00 grīdas, uz mazākiem pamatmodeļiem.
Katru pamatmodeļa skaitli šajā lapā ir publicējis kāds cits, ne mēs. Cenu un iespēju skaitļi ir mūsu pašu dzīvās kataloga vērtības, pārbaudāmas pret /v1/models ar jūsu paša atslēgu. Pārbaudiet pirmavotus paši.
GLM-5.2 etalonu skaitļus (Terminal-Bench 2.1, SWE-bench Pro) ziņo Z.ai par nesaspiesto pamatmodeli; neatkarīga atkārtošana vēl nav veikta. Claude Opus 4.8 un GPT-5.5 skaitļi rādīti tikai atsaucei. Pirmās puses GLM-5.2 API cenrāža cenas, kā tās publicējis Z.ai, 2026. gada septembris.
08Biežāk uzdotie jautājumi
Kas ir necenzētais GLM API platformā Shannon AI?
Tas ir modeļa id GLM-5.2-3BIT-REAP Shannon AI vārtejā: saspiesta Z.ai GLM-5.2 aģentiskā pamatmodeļa būve, kas tiek pasniegta mūsu paša GPU klasterī bez atteikuma slāņa un bez izvades filtrēšanas. Tas maksā $0.73 par miljonu ievades tokenu un $2.34 par miljonu izvades tokenu, nes 262,144 tokenu konteksta logu un ir sasniedzams uz /v1/chat/completions, /v1/messages un /v1/responses.
Kāpēc necenzētais GLM 5.2 ir lētāks nekā pārējie lielie modeļi katalogā?
Tāpēc, kā tas ir saspiests. 3BIT-REAP apvieno 3 bitu svarus ar REAP — ekspertu atzarošanas metodi Mixture-of-Experts modeļiem, kas pirms kvantēšanas izmet reti maršrutētos ekspertus. Rets MoE pamatmodelis ar aptuveni 40B aktīvo parametru uz tokenu, šādi atzarots un kvantēts, aizņem daudz mazāk atmiņas un patērē daudz mazāk GPU sekunžu uz tokenu nekā līdzvērtīgas kvalitātes blīvs modelis, un cena to atspoguļo.
Vai GLM bez atteikumiem nozīmē, ka modelim vispār nav nekādu aizsargmargu?
Tas nozīmē, ka Shannon nepievieno nevienu. Modeļa priekšā nav atteikuma klasifikatora, un tokeniem, kas nāk no tā ārā, nav filtra. Pamatmodelis patur tās nosliece, ko tam devuši paša treniņi, bet nekas ārējs tās nepārraksta. Politikas slānis pieder jums, un lietošanu regulē Shannon AI Atbildīgas lietošanas politika.
Vai GLM-5.2 3BIT-REAP atbalsta redzi vai attēlu ievadi?
Nē. Šis modelis ir tikai teksta modelis. Ja jums vajag attēlu ievadi uz necenzēta galapunkta, izmantojiet kādu no kataloga redzi atbalstošajiem modeļiem, piemēram, MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 vai inkling. GLM-5.2 gan atbalsta strukturētu izvadi — gan json_schema, gan response_format — un rīku izsaukšanu.
Kāds ir konteksta logs un maksimālais izvades garums?
262,144 tokeni konteksta un 16,384 tokeni izvades vienā pieprasījumā. Visa konteksta loga piepildīšana vienreiz maksā aptuveni 19 centus pie $0.73 par miljonu ievades tokenu, un maksimāla garuma pabeigums maksā mazāk par 4 centiem.
Vai šis ir labs aģentisks necenzēts modelis gariem rīku izsaukšanas cikliem?
Tas ir tas, pēc kura sniedzamies pirmais. GLM cilts kopš GLM-4.5 ir tieši trenēta aģentiskam darbam, tiek atbalstīta gan rīku izsaukšana, gan reasoning_effort, un cena nozīmē, ka simts divdesmit tūkstošu tokenu aģenta gājienu izmaksā aptuveni divus dolārus, nevis vienpadsmit. Turklāt atteikumi aģentu ciklos ir reāls kļūmes veids, un šeit nav atteikuma slāņa, kas to izraisītu.
Izmēģiniet necenzēto GLM API
$0.73 ievadē · $2.34 izvadē · 262K konteksts · bez atteikuma slāņa.
Lasīt API dokumentāciju Pārlūkot visus modeļusShannon Lab LLC, Ņūmeksika, ASV · lietošanu regulē Atbildīgas lietošanas politika
Avoti: Z.ai GLM-5 repozitorijs · Du u. c., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng u. c., GLM-130B: An Open Bilingual Pre-trained Model · Lasby u. c., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST CAISI Z.ai GLM-5.2 novērtējums, 2026. gada jūlijs. Pamatmodeļa etalonu rezultāti ir laboratorijas ziņoti un provizoriski; tie apraksta nesaspiesto GLM-5.2, nevis šo saspiesto būvi. Cenu, konteksta un iespēju skaitļi ir Shannon AI kataloga vērtības uz 2026. gada 5. septembri.