Нецензурирано GLM API: најдобрата вредност по токен

Повеќето споредби на тема „најевтин модел“ се нечесни, затоа што евтината опција обично е мал модел облечен во маркетингот на голем модел. Тоа не е она што се случува овде. GLM-5.2 е еден од најголемите фундаменти со отворени тежини што некој ги објавил, а по 0,73 навнатре / 2,34 нанадвор седи едно скалило над подот на нашиот каталог, носејќи притоа фундамент неколку пати поголем од тоа што тој под обично го купува. Тој јаз — голем модел, цена близу до подот — е причината поради која постои оваа страница.

01Од каде доаѓа GLM: Цингхуа, пополнување празнини и остар свртеж кон агентите

GLM не е преименувана изведенка на Llama. Тоа е едно од ретките семејства модели со сопствена цел за претходно тренирање, разработувана пет години од истата истражувачка група. Името значи General Language Model, а основачкиот труд — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — предложи трета опција покрај маскираното јазично моделирање на BERT и строгата авторегресија од лево кон десно на GPT. GLM испразнува непрекинати распони и ги регенерира авторегресивно во измешан редослед, со дводимензионални позициски кодирања што ја следат и позицијата на токенот во оштетениот документ и неговата позиција во распонот што се пополнува: една архитектура што подеднакво добро се справува и со разбирањето и со генерирањето.

Групата зад тоа беше Knowledge Engineering Group на Универзитетот Цингхуа, од која се одвои компанијата денес позната како Z.ai (претходно Zhipu AI). Нејзиниот прв главен производ беше GLM-130B во октомври 2022 година — двојазичен англиско-кинески густ модел со 130 милијарди параметри, со тежини и код јавно објавени во моментот на публикацијата. Отвореното објавување е куќен стил оттогаш.

Ерата на MoE и свртувањето кон агентите

Нишката низ изданијата е поважна од кое било поединечно издание. Од GLM-4.5 наваму, секоја верзија е оптимизирана за истото: да остане кохерентна низ десетици повици на алатки. Тоа е поинаква цел од максимизирање резултати на бенчмарк во еден круг, и се покажува како помалку неправилно оформени аргументи на алатките, помалку лизгање во долг план и помалку од однесувањето „самоуверено ја почнува задачата одново во 14-от круг“ што ги прави агентските рамки скапи.

02Што е GLM-5.2 и на што е измерен

Z.ai објавува бројки од бенчмарци за GLM-5.2 во складиштето на GLM-5. Две од нив се пресликуваат на вистинска агентска работа, а не на потсетување тривијалности:

Terminal-Bench 2.1 — агентски задачи од командна линија на долга патека. Објавено од Z.ai.

SWE-bench Pro — решавање проблеми во вистински складишта. Објавено од Z.ai; GLM-5.1 постигна 58,4 на истиот тест.

Тоа се бројките на лабораторијата, не наши, и го опишуваат некомпресираниот фундамент. Тие ја утврдуваат класата модел со која си работи, не се гаранција.

Еден податок вреди повеќе од бенчмарк, затоа што доаѓа од оценувач без интерес да го ласка моделот. Во јули 2026 година Центарот за стандарди и иновации во вештачката интелигенција при Националниот институт за стандарди и технологија на САД го оцени GLM-5.2 и заклучи дека тоа веројатно бил најспособниот достапен AI модел со отворени тежини во моментот на неговото објавување, со вкупни способности споредливи со GPT-5.2 и сајбер способности споредливи со Claude Opus 4.6. Истата оцена забележа дека GLM-5.2 блокира помалку чувствителни барања од референтните американски модели, и дека заштитите вградени во отворени тежини можат да се заобиколат штом тие тежини се послужуваат самостојно. Делот 05 се враќа на тоа.

03Што значи „3BIT-REAP“ и што те чини

REAP: поткастрување експерти наместо нивно спојување

MoE модел со 744 милијарди параметри има 256 експерти по слој, од кои 8 се палат на кој било даден токен. Рутерот не ја распределува работата рамномерно — некои експерти се погодуваат постојано, а долга опашка се погодува ретко и придонесува малку кога ќе биде погодена. REAP (Router-weighted Expert Activation Pruning), од Cerebras Research и прифатен на ICLR 2026, го искористува тоа: го оценува секој експерт по критериум на истакнатост што го комбинира колку силно и колку често рутерот му отвора порта со големината на придонесот на неговиот излез, а потоа трајно ги отфрла оние со ниска оценка.

Интересниот дел е споредбата што REAP ја добива. Очигледната алтернатива на отфрлањето експерт е неговото спојување со преживеан експерт, што звучи побезбедно. Наодот на трудот кај MoE модели од 20 милијарди до 1 трилион параметри е дека спојувањето всушност е полошо за генеративна работа, а поткаструвањето се држи неверојатно добро: речиси безгубитно на бенчмарци за генерирање код и повикување алатки дури и по отстранување на половината експерти, врз фундаменти како Qwen3-Coder-480B и Kimi-K2. Тоа што кодот и повикувањето алатки остануваат недопрени е токму она што сакаш да се зачува кај модел чијашто причина за постоење е агентското инженерство.

3-битни тежини и искрениот компромис

Врз поткаструвањето, преживеаните тежини се чуваат на 3 бита — поагресивно од нивоата W4A16-AUTOROUND-REAP и W8A16 на друго место во нашиот каталог, и резервирано за најголемите фундаменти, каде што нема друг начин модел од три четвртини трилион параметри да се качи на јазол за послужување и токените да продолжат да течат со употреблива брзина.

Компресијата не е бесплатна. Точната претстава: поткаструвањето и квантизацијата прво ја разградуваат долгата опашка. Густите, често вежбани однесувања — следењето инструкции, структурата на кодот, оформувањето на повиците на алатки, повеќечекорното планирање — преживуваат добро, а токму тоа го покажуваат резултатите на REAP. Ретките фактички податоци, ретките јазици и тривијалностите од тесни домени се местото каде треба да очекуваш разлика во однос на некомпресиран GLM-5.2. Ако твојата работа е „да знае необичен факт напамет“, плати за ниво со повисока верност. Ако е „да води план низ четириесет повици на алатки без да излета од шините“, ова е нивото за кое методот е дизајниран.

04Случајот за вредноста: што навистина чини едно евтино нецензурирано LLM API

Сопствената објавена ценовна листа на Z.ai за GLM-5.2 е 1,40 долари на милион влезни токени и 4,40 долари на милион излезни. Нашата цена на истиот фундамент е 0,73 / 2,34 — приближно 48% помалку на влез и 47% помалку на излез. Тој попуст е она што го купува компресијата, и доаѓа со уште нешто што кај изворниот добавувач не можеш да го купиш по ниедна цена: без слој за одбивање.

Во нашиот сопствен каталог, мешаната цена е бројката што е важна. Еве ја при однос влез-излез 3:1, приближно онака како што изгледа агент со повикување алатки во пракса — многу контекст и резултати од алатки навнатре, споредбено малку токени нанадвор.

Модел	Навнатре / 1M	Нанадвор / 1M	Мешано 3:1	Вид
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Не
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Не
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Да
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Не
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Да
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Да

Шест модели седат на подот од 0,50 / 2,00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro и Hy3 — мешана стапка од 0,875. GLM-5.2 е 29% над тој под и ти купува фундамент од класата 744 милијарди со трајна вложба во агентско однесување зад себе. Сè што е ценето над него чини барем 23% повеќе мешано, а Kimi-K3 чини 6,8× повеќе. Тоа е аргументот за вредноста во еден ред: најевтиното место во каталогот каде можеш да купиш врвен агентски фундамент.

Претворено во работа

• Едно полнење на целиот контекст — 262.144 влезни токени: 0,19 долари. Цело големо складиште прочитано во прозорецот за под дваесет центи.
• Едно довршување со максимална должина — 16.384 излезни токени: 0,038 долари.
• Еден агентски круг — 20K навнатре, 2K нанадвор: 0,019 долари. Истиот круг чини 0,115 на Kimi-K3 и 0,047 на DeepSeek-V4-Pro.
• Сто агентски круга: 1,93 долари, наспроти 11,48 на најскапиот модел во каталогот.

Агентските работи се тешки на влез, а предноста на GLM е најголема токму таму: неговата влезна цена е 5,2× под онаа на Kimi-K3 и 2,7× под онаа на DeepSeek-V4-Pro. Ако твојот агент праќа растечки разговор одново во секој круг — а речиси секој агент го прави тоа — тој множител е она што завршува на твојата фактура.

05Што значи „нецензурирано“ на оваа крајна точка

Точно две работи: без слој за одбивање — нема класификатор што одлучува кои барања смее да ги види моделот, и нема модел на политика што ти го препишува промптот пред да пристигне — и без филтрирање на излезот, што значи дека токените што ги произведува моделот се токените што ги примаш, нередактирани и незаменети.

Тоа е поинаква понуда од комерцијално API што рекламира „опуштен“ или „развоен“ режим. Тие сепак го водат сообраќајот низ стекот на политики на добавувачот; она што се менува е прагот, а не постоењето на портата. Овде нема порта за нагодување — моделот работи на сопствен GPU кластер, а неговото однесување е однесување на фундаментот. Прочитај го наодот на NIST CAISI од делот 02 како техничка изјава наместо како предупредување и тој го објаснува производот: модел чиешто усогласување живее во неговите тежини, послужен без надворешен слој на политика, се однесува според своите тежини.

Зошто ова е важно токму за агентите

За одбивањата обично се зборува како за прашање на содржина. Во агентската работа тие се главно прашање на доверливост. Одбивање во 31-от круг од извршување со 40 круга не е учтиво откажување што го прочитуваш и продолжуваш — тоа е неправилно оформен чекор, оркестратор што не знае како да продолжи, скршен план и 30 круга потрошени токени без ништо да покажеш. Безбедносното истражување, анализата на злонамерен софтвер, тестирањето со пробив, црвените тимови, фикцијата за возрасни, медицинското и правното составување документи и генерирањето податочни сетови за безбедносно тренирање постојано удираат во ова, а откажувањето е скапо токму затоа што доаѓа доцна.

Другата страна е дека слојот на политиката сега е твој. Користењето на портата Shannon AI е уредено со нашата Политика за одговорна употреба; отстранувањето на пресудата на добавувачот од јамката значи дека сам ја обезбедуваш својата.

06Што всушност ти дава крајната точка

Можност	GLM-5.2 · 3BIT-REAP
Идентификатор на моделот	GLM-5.2-3BIT-REAP
Контекстен прозорец	262,144 токени
Максимален излез по барање	16,384 токени
Стриминг	Да
Повикување алатки	Да
Размислување / reasoning_effort	Да
JSON шема (json_schema)	Да
response_format	Да
Вид / влез со слика	Не — само текст
Слој за одбивање / филтрирање на излезот	Нема

Прочитај го редот за вид внимателно пред да градиш. GLM-5.2 е само за текст на нашата порта. Ако ти треба влез со слика, каталогот има пет опции што гледаат — MiniMax-M3 и MiMo-V2.5 на подот од 0,50 / 2,00, Kimi-K2.6 по 0,78 / 3,67, inkling по 1,42 / 6,07 и Kimi-K3 по 3,83 / 19,12. Разумен образец е разбирањето слики да се насочи кон MiniMax-M3, а сè друго кон GLM-5.2, што не чини ништо повеќе од една низа со име на модел.

Три дијалекти, еден модел

Истиот модел е достапен преку три формати на барање, сите со стриминг: /v1/chat/completions (дијалект на OpenAI), /v1/messages (дијалект на Anthropic) и /v1/responses. Ништо кај моделот не се менува меѓу нив — избери го оној што твојот SDK веќе го зборува, и обично си на една промена на основниот URL од работење.

# 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,
)

Целосните шеми на барањето и одговорот за сите три дијалекти, форматот за повикување алатки, обликот на настаните при стриминг и интерактивно игралиште има во документацијата на Shannon AI API.

07Кога да го избереш GLM-5.2 — а кога не

Посегни по него кога

• Водиш агенти. Долгите јамки со повикување алатки се токму она за што оваа лоза е градена и постојано пост-тренирана, а влезната цена прави растечкиот разговор да биде достапен за препраќање во секој круг.
• Работиш низ голем код. 262K контекст, доверливо оформување на повиците на алатки и 0,19 долари за да се прочита целиот прозорец.
• Обемот ти е ограничувањето. Класификација, извлекување, генерирање синтетички податоци, масовно препишување — сè каде што цената по повик помножена со голем број одлучува дали проектот е одржлив.
• Одбивањата ти го кршат конвејерот. Безбедносно истражување, спротивставено тестирање, нецензурирана фикција, чувствително составување документи — тој режим на откажување тука не постои.

Посегни по нешто друго кога

• Ти треба вид. Само текст. Види ги опциите што гледаат погоре.
• Ти треба најдлабокото размислување во еден круг. За најтешките аналитички проблеми од еден потег, DeepSeek-V4-Pro-0813 · 3BIT-REAP е потешкиот инструмент по 2,2× мешана цена — на повици каде што таванот е ограничувањето, тоа е вистинската размена.
• Ти треба максимална верност на нејасно знаење. Нивото W8A16 — MiMo-V2.5-Pro и Hy3 — е компресирано далеку помалку агресивно и седи на подот од 0,50 / 2,00, врз помали фундаменти.

Бројките од бенчмарците за GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) се објавени од Z.ai за некомпресираниот фундамент; независно повторување е во тек. Бројките за Claude Opus 4.8 и GPT-5.5 се прикажани само за споредба. Ценовната листа за GLM-5.2 API кај изворниот добавувач е онаа објавена од Z.ai, септември 2026 година.

08Често поставувани прашања

---

Извори: складиште на Z.ai GLM-5 · Du и др., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng и др., GLM-130B: An Open Bilingual Pre-trained Model · Lasby и др., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · Оцена на NIST CAISI за GLM-5.2 на Z.ai, јули 2026. Резултатите од бенчмарците за фундаментот се објавени од лабораторијата и се привремени; тие го опишуваат некомпресираниот GLM-5.2, а не оваа компресирана верзија. Бројките за цените, контекстот и можностите се каталошки вредности на Shannon AI заклучно со 5 септември 2026 година.