സെൻസർ ചെയ്യാത്ത GLM API: ഓരോ ടോക്കണിനും മികച്ച മൂല്യം

"ഏറ്റവും വിലകുറഞ്ഞ മോഡൽ" എന്ന താരതമ്യങ്ങളിൽ മിക്കതും സത്യസന്ധമല്ല, കാരണം വിലകുറഞ്ഞ ആ ഓപ്ഷൻ സാധാരണയായി വലിയൊരു മോഡലിന്റെ പരസ്യവേഷം ധരിച്ച ചെറിയൊരു മോഡലാണ്. ഇവിടെ സംഭവിക്കുന്നത് അതല്ല. ആരെങ്കിലും പുറത്തിറക്കിയ ഏറ്റവും വലിയ ഓപ്പൺ-വെയ്റ്റ് അടിത്തറകളിൽ ഒന്നാണ് GLM-5.2, $0.73 ഇൻ / $2.34 ഔട്ട് എന്ന നിരക്കിൽ അത് ഞങ്ങളുടെ കാറ്റലോഗിന്റെ ഏറ്റവും താഴത്തെ തട്ടിന് ഒരു പടി മുകളിൽ നിൽക്കുന്നു, എന്നാൽ ആ തട്ട് സാധാരണ നൽകുന്നതിനെക്കാൾ പല മടങ്ങ് വലിയ അടിത്തറ വഹിക്കുന്നു. ആ വിടവ് — വലിയ മോഡൽ, തറനിരക്കിനോട് ചേർന്ന വില — ആണ് ഈ പേജ് നിലനിൽക്കാനുള്ള കാരണം.

01GLM എവിടെ നിന്ന് വരുന്നു: സിംഗ്വാ, ബ്ലാങ്ക് ഇൻഫില്ലിംഗ്, ഏജന്റുകളിലേക്കുള്ള കടുത്ത തിരിവ്

GLM ഒരു റീബാഡ്ജ് ചെയ്ത Llama പതിപ്പല്ല. സ്വന്തമായി പ്രീട്രെയിനിംഗ് ലക്ഷ്യമുള്ള, അഞ്ച് വർഷമായി ഒരേ ഗവേഷണ സംഘം തുടർച്ചയായി വികസിപ്പിച്ച ചുരുക്കം ചില മോഡൽ കുടുംബങ്ങളിലൊന്നാണ് അത്. ഈ പേര് General Language Model എന്നതിനെ സൂചിപ്പിക്കുന്നു, സ്ഥാപക പ്രബന്ധം — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — BERT-ന്റെ മാസ്ക്ഡ് ലാംഗ്വേജ് മോഡലിംഗിനും GPT-യുടെ കർശനമായ ഇടത്തുനിന്ന് വലത്തോട്ടുള്ള ഓട്ടോറിഗ്രെസീവ് രീതിക്കും അടുത്ത് ഒരു മൂന്നാം വഴി മുന്നോട്ടുവച്ചു. GLM തുടർച്ചയായ ഭാഗങ്ങൾ ശൂന്യമാക്കി, കശക്കിയ ക്രമത്തിൽ അവയെ ഓട്ടോറിഗ്രെസീവായി പുനർനിർമ്മിക്കുന്നു; ദ്വിമാന സ്ഥാനസൂചകങ്ങൾ ഒരു ടോക്കണിന്റെ കേടായ രേഖയിലെ സ്ഥാനവും നിറയ്ക്കപ്പെടുന്ന ഭാഗത്തിനുള്ളിലെ സ്ഥാനവും ഒരുപോലെ പിന്തുടരുന്നു: ഗ്രഹണവും ജനറേഷനും ഒരുപോലെ നന്നായി കൈകാര്യം ചെയ്യുന്ന ഒരൊറ്റ ആർക്കിടെക്ചർ.

അതിന് പിന്നിലുള്ള സംഘം സിംഗ്വാ സർവകലാശാലയുടെ Knowledge Engineering Group ആയിരുന്നു, അതിൽ നിന്നാണ് ഇപ്പോൾ Z.ai (മുമ്പ് Zhipu AI) എന്നറിയപ്പെടുന്ന കമ്പനി രൂപപ്പെട്ടത്. അതിന്റെ ആദ്യ പ്രധാന ഉൽപ്പന്നം 2022 ഒക്ടോബറിലെ GLM-130B ആയിരുന്നു — 130 ബില്യൺ പാരാമീറ്ററുള്ള ഇംഗ്ലീഷ്/ചൈനീസ് ദ്വിഭാഷാ ഡെൻസ് മോഡൽ, പ്രസിദ്ധീകരണ സമയത്തുതന്നെ വെയ്റ്റുകളും കോഡും പരസ്യമായി പുറത്തിറക്കി. അന്നുമുതൽ ഓപ്പൺ റിലീസ് ആണ് അവരുടെ ശൈലി.

MoE യുഗവും ഏജന്റുകളിലേക്കുള്ള മാറ്റവും

ഏതെങ്കിലും ഒരൊറ്റ റിലീസിനെക്കാൾ പ്രധാനം ഈ തുടർച്ചയാണ്. GLM-4.5 മുതൽ എല്ലാ പതിപ്പും ഒരേ കാര്യത്തിനായി മെച്ചപ്പെടുത്തിയിട്ടുണ്ട്: ഡസൻ കണക്കിന് ടൂൾ കോളുകളിലുടനീളം യോജിപ്പ് നിലനിർത്തുക. ഒറ്റ ടേണിലെ ബെഞ്ച്മാർക്ക് സ്കോറുകൾ പരമാവധിയാക്കുന്നതിൽ നിന്ന് അത് വ്യത്യസ്തമായ ഒരു ലക്ഷ്യമാണ്, കുറഞ്ഞ വികലമായ ടൂൾ ആർഗ്യുമെന്റുകൾ, നീണ്ട പദ്ധതിയിൽ കുറഞ്ഞ വ്യതിയാനം, ഏജന്റ് ചട്ടക്കൂടുകളെ ചെലവേറിയതാക്കുന്ന "31-ാം ടേണിൽ ആത്മവിശ്വാസത്തോടെ ജോലി വീണ്ടും തുടങ്ങുന്ന" പെരുമാറ്റം കുറയുക എന്നിങ്ങനെയാണ് അത് പ്രത്യക്ഷപ്പെടുന്നത്.

02GLM-5.2 എന്താണ്, അത് എവിടെ അളക്കപ്പെട്ടു

GLM-5 റെപ്പോസിറ്ററിയിൽ Z.ai GLM-5.2-യുടെ ബെഞ്ച്മാർക്ക് കണക്കുകൾ പ്രസിദ്ധീകരിക്കുന്നു. അതിൽ രണ്ടെണ്ണം നിസ്സാര വിവരശേഖരണത്തെക്കാൾ യഥാർത്ഥ ഏജന്റിക് ജോലിയോട് ചേർന്നുനിൽക്കുന്നു:

Terminal-Bench 2.1 — ദീർഘകാല കമാൻഡ്-ലൈൻ ഏജന്റ് ജോലികൾ. Z.ai റിപ്പോർട്ട് ചെയ്തത്.

SWE-bench Pro — യഥാർത്ഥ റെപ്പോസിറ്ററി ഇഷ്യൂ പരിഹാരം. Z.ai റിപ്പോർട്ട് ചെയ്തത്; അതേ പരീക്ഷയിൽ GLM-5.1 58.4 നേടി.

അവ ലാബിന്റെ സംഖ്യകളാണ്, ഞങ്ങളുടേതല്ല, അവ കംപ്രസ് ചെയ്യാത്ത അടിത്തറയെയാണ് വിവരിക്കുന്നത്. നിങ്ങൾ കൈകാര്യം ചെയ്യുന്ന മോഡലിന്റെ വിഭാഗം അവ സ്ഥാപിക്കുന്നു, ഒരു ഉറപ്പല്ല.

ഒരു ഡാറ്റാപോയിന്റിന് ഒരു ബെഞ്ച്മാർക്കിനെക്കാൾ വിലയുണ്ട്, കാരണം മോഡലിനെ പുകഴ്ത്താൻ ഒരു താൽപ്പര്യവുമില്ലാത്ത ഒരു മൂല്യനിർണ്ണയകനിൽ നിന്നാണ് അത് വരുന്നത്. 2026 ജൂലൈയിൽ യുഎസ് National Institute of Standards and Technology-യുടെ Center for AI Standards and Innovation GLM-5.2 വിലയിരുത്തി, പുറത്തിറങ്ങിയ സമയത്ത് ലഭ്യമായ ഏറ്റവും ശേഷിയുള്ള ഓപ്പൺ-വെയ്റ്റ് AI മോഡൽ ഒരുപക്ഷേ അതായിരിക്കും എന്ന് നിഗമനത്തിലെത്തി — മൊത്തത്തിലുള്ള ശേഷികൾ GPT-5.2-യോട് താരതമ്യപ്പെടുത്താവുന്നത്, സൈബർ ശേഷികൾ Claude Opus 4.6-നോട് താരതമ്യപ്പെടുത്താവുന്നത്. യുഎസ് റഫറൻസ് മോഡലുകളെക്കാൾ കുറച്ച് സൂക്ഷ്മ അഭ്യർത്ഥനകളേ GLM-5.2 തടയുന്നുള്ളൂ എന്നും, ഓപ്പൺ വെയ്റ്റുകളിൽ ചുട്ടെടുത്ത സുരക്ഷാ സംവിധാനങ്ങൾ ആ വെയ്റ്റുകൾ സ്വയം ഹോസ്റ്റ് ചെയ്താൽ മറികടക്കാമെന്നും അതേ വിലയിരുത്തൽ നിരീക്ഷിച്ചു. അതിലേക്ക് 05-ാം ഭാഗം തിരികെ വരുന്നു.

03"3BIT-REAP" എന്നാൽ എന്ത്, അത് നിങ്ങൾക്ക് എന്ത് ചെലവാക്കുന്നു

REAP: എക്സ്പെർട്ടുകളെ ലയിപ്പിക്കുന്നതിന് പകരം ഒഴിവാക്കൽ

744B പാരാമീറ്ററുള്ള ഒരു MoE മോഡലിന് ഓരോ പാളിയിലും 256 എക്സ്പെർട്ടുകളുണ്ട്, അതിൽ 8 എണ്ണം ഏതൊരു ടോക്കണിലും പ്രവർത്തിക്കുന്നു. റൂട്ടർ ജോലി തുല്യമായി വീതിക്കുന്നില്ല — ചില എക്സ്പെർട്ടുകളെ നിരന്തരം വിളിക്കുന്നു, ഒരു നീണ്ട വാൽഭാഗത്തെ അപൂർവമായേ വിളിക്കുന്നുള്ളൂ, വിളിക്കുമ്പോൾ അവ അധികമൊന്നും സംഭാവന ചെയ്യുന്നുമില്ല. Cerebras Research-ൽ നിന്നുള്ള, ICLR 2026-ൽ സ്വീകരിക്കപ്പെട്ട REAP (Router-weighted Expert Activation Pruning) അത് പ്രയോജനപ്പെടുത്തുന്നു: റൂട്ടർ അതിനെ എത്ര ശക്തമായും എത്ര പതിവായും ഗേറ്റ് ചെയ്യുന്നു എന്നതും അതിന്റെ ഔട്ട്പുട്ട് സംഭാവനയുടെ വ്യാപ്തിയും ചേർത്ത ഒരു സാലിയൻസി മാനദണ്ഡത്തിൽ അത് ഓരോ എക്സ്പെർട്ടിനെയും സ്കോർ ചെയ്യുന്നു, തുടർന്ന് കുറഞ്ഞ സ്കോറുള്ളവയെ സ്ഥിരമായി ഒഴിവാക്കുന്നു.

REAP ജയിക്കുന്ന താരതമ്യമാണ് കൗതുകകരമായ ഭാഗം. ഒരു എക്സ്പെർട്ടിനെ ഒഴിവാക്കുന്നതിനുള്ള വ്യക്തമായ ബദൽ അതിനെ അതിജീവിക്കുന്ന ഒന്നിലേക്ക് ലയിപ്പിക്കുകയാണ്, അത് കൂടുതൽ സുരക്ഷിതമായി തോന്നുന്നു. 20B മുതൽ 1T പാരാമീറ്റർ വരെയുള്ള MoE മോഡലുകളിലുടനീളമുള്ള പ്രബന്ധത്തിന്റെ കണ്ടെത്തൽ, ജനറേറ്റീവ് ജോലിക്ക് ലയിപ്പിക്കൽ യഥാർത്ഥത്തിൽ മോശമാണെന്നും, ഒഴിവാക്കൽ അത്ഭുതകരമാംവിധം നന്നായി നിലനിൽക്കുന്നുവെന്നുമാണ്: Qwen3-Coder-480B, Kimi-K2 ഉൾപ്പെടെയുള്ള അടിത്തറകളിൽ പകുതി എക്സ്പെർട്ടുകളെ നീക്കിയശേഷവും കോഡ് ജനറേഷനിലും ടൂൾ കോളിംഗ് ബെഞ്ച്മാർക്കുകളിലും ഏതാണ്ട് നഷ്ടരഹിതം. കോഡും ടൂൾ കോളിംഗും കേടുകൂടാതെ അതിജീവിക്കുക എന്നത്, ഏജന്റിക് എൻജിനീയറിംഗ് നിലനിൽപ്പിന്റെ കാരണമായ ഒരു മോഡലിൽ നിങ്ങൾ സംരക്ഷിക്കപ്പെടണമെന്ന് ആഗ്രഹിക്കുന്ന കൃത്യമായ കാര്യമാണ്.

3-ബിറ്റ് വെയ്റ്റുകളും സത്യസന്ധമായ വിട്ടുവീഴ്ചയും

പ്രൂണിംഗിന് പുറമേ, അതിജീവിക്കുന്ന വെയ്റ്റുകൾ 3 ബിറ്റിൽ സൂക്ഷിക്കുന്നു — ഞങ്ങളുടെ കാറ്റലോഗിലെ മറ്റിടങ്ങളിലുള്ള W4A16-AUTOROUND-REAP, W8A16 തട്ടുകളെക്കാൾ കടുപ്പമുള്ളത്, ഏറ്റവും വലിയ അടിത്തറകൾക്കായി മാറ്റിവച്ചത്; കാരണം മുക്കാൽ ട്രില്യൺ പാരാമീറ്ററുള്ള ഒരു മോഡലിനെ ഒരു സെർവിംഗ് നോഡിൽ കയറ്റി ടോക്കണുകൾ ഉപയോഗപ്രദമായ വേഗതയിൽ ഒഴുക്കാൻ വേറെ വഴിയില്ല.

കംപ്രഷൻ സൗജന്യമല്ല. ശരിയായ മാനസിക മാതൃക ഇതാണ്: പ്രൂണിംഗും ക്വാണ്ടൈസേഷനും ആദ്യം നീണ്ട വാൽഭാഗത്തെയാണ് ദുർബലപ്പെടുത്തുന്നത്. സാന്ദ്രവും പതിവായി ഉപയോഗിക്കപ്പെടുന്നതുമായ പെരുമാറ്റങ്ങൾ — നിർദ്ദേശം പിന്തുടരൽ, കോഡ് ഘടന, ടൂൾ-കോൾ ഫോർമാറ്റിംഗ്, ബഹുഘട്ട ആസൂത്രണം — നന്നായി അതിജീവിക്കുന്നു, REAP ഫലങ്ങൾ കാണിക്കുന്നത് കൃത്യമായി അതാണ്. അപൂർവമായ വസ്തുതാ ഓർമ്മ, അപൂർവ ഭാഷകൾ, സവിശേഷ മേഖലാ വിവരങ്ങൾ എന്നിവയിലാണ് കംപ്രസ് ചെയ്യാത്ത GLM-5.2-നോട് താരതമ്യം ചെയ്യുമ്പോൾ വ്യത്യാസം പ്രതീക്ഷിക്കേണ്ടത്. നിങ്ങളുടെ ജോലിഭാരം "അസാധാരണമായ ഒരു വസ്തുത കൃത്യമായി അറിയുക" എന്നതാണെങ്കിൽ, ഉയർന്ന വിശ്വസ്തതയുള്ള ഒരു തട്ടിന് പണം നൽകുക. അത് "നാൽപ്പത് ടൂൾ കോളുകളിലുടനീളം വഴിതെറ്റാതെ ഒരു പദ്ധതി നടത്തുക" എന്നതാണെങ്കിൽ, ഈ രീതി രൂപകൽപ്പന ചെയ്ത തട്ട് ഇതാണ്.

04മൂല്യ വാദം: വിലകുറഞ്ഞ ഒരു സെൻസർ ചെയ്യാത്ത LLM API പ്രവർത്തിപ്പിക്കാൻ യഥാർത്ഥത്തിൽ എത്ര ചെലവാകും

GLM-5.2-ന് Z.ai സ്വയം പ്രസിദ്ധീകരിച്ച API ലിസ്റ്റ് വില ദശലക്ഷം ഇൻപുട്ട് ടോക്കണിന് $1.40, ദശലക്ഷം ഔട്ട്പുട്ടിന് $4.40 ആണ്. അതേ അടിത്തറയിൽ ഞങ്ങളുടെ വില $0.73 / $2.34 — ഇൻപുട്ടിൽ ഏകദേശം 48% കുറവ്, ഔട്ട്പുട്ടിൽ 47% കുറവ്. ആ ഇളവാണ് കംപ്രഷൻ നൽകുന്നത്, ഒപ്പം ഒരു വിലയ്ക്കും ഫസ്റ്റ്-പാർട്ടിയായി വാങ്ങാൻ കഴിയാത്ത രണ്ടാമതൊരു കാര്യവും അതിനോടൊപ്പം വരുന്നു: നിരസന പാളിയില്ല.

ഞങ്ങളുടെ സ്വന്തം കാറ്റലോഗിനുള്ളിൽ, ബ്ലെൻഡഡ് ചെലവാണ് പ്രധാനപ്പെട്ട സംഖ്യ. 3:1 ഇൻപുട്ട്-ടു-ഔട്ട്പുട്ട് അനുപാതത്തിൽ അത് ഇതാ — പ്രായോഗികമായി ഒരു ടൂൾ കോളിംഗ് ഏജന്റ് ഏകദേശം ഇങ്ങനെയാണ്: ധാരാളം സന്ദർഭവും ടൂൾ ഫലങ്ങളും അകത്തേക്ക്, താരതമ്യേന കുറച്ച് ടോക്കണുകൾ പുറത്തേക്ക്.

മോഡൽ	ഇൻ / 1M	ഔട്ട് / 1M	ബ്ലെൻഡഡ് 3:1	വിഷൻ
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	ഇല്ല
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	ഇല്ല
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	ഉവ്വ്
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	ഇല്ല
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	ഉവ്വ്
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	ഉവ്വ്

ആറ് മോഡലുകൾ $0.50 / $2.00 എന്ന തറനിരക്കിൽ നിൽക്കുന്നു — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro, Hy3 — $0.875 ബ്ലെൻഡഡ് നിരക്ക്. GLM-5.2 ആ തറയെക്കാൾ 29% മുകളിലാണ്, പിന്നിൽ ഏജന്റിക് പെരുമാറ്റത്തിലുള്ള നിരന്തര നിക്ഷേപമുള്ള 744B-ക്ലാസ് അടിത്തറ അത് നിങ്ങൾക്ക് നൽകുന്നു. അതിന് മുകളിൽ വിലയിടുന്നതെല്ലാം ബ്ലെൻഡഡ് നിരക്കിൽ കുറഞ്ഞത് 23% കൂടുതലാണ്, Kimi-K3-ക്ക് 6.8× കൂടുതലാണ്. ഒരൊറ്റ വരിയിലെ മൂല്യ വാദം അതാണ്: മുൻനിര ഏജന്റിക് അടിത്തറ വാങ്ങാൻ കാറ്റലോഗിലെ ഏറ്റവും വിലകുറഞ്ഞ ഇടം.

ജോലിയായി മാറ്റിയാൽ

• ഒരു മുഴുവൻ സന്ദർഭ നിറയ്ക്കൽ — 262,144 ഇൻപുട്ട് ടോക്കൺ: $0.19. ഒരു വലിയ റെപ്പോസിറ്ററി മുഴുവനും ഇരുപത് സെന്റിൽ താഴെയ്ക്ക് ജാലകത്തിലേക്ക് വായിക്കാം.
• പരമാവധി നീളമുള്ള ഒരു കംപ്ലീഷൻ — 16,384 ഔട്ട്പുട്ട് ടോക്കൺ: $0.038.
• ഒരു ഏജന്റ് ടേൺ — 20K അകത്തേക്ക്, 2K പുറത്തേക്ക്: $0.019. അതേ ടേണിന് Kimi-K3-യിൽ $0.115-ഉം DeepSeek-V4-Pro-യിൽ $0.047-ഉം ചെലവാകും.
• നൂറ് ഏജന്റ് ടേണുകൾ: $1.93, കാറ്റലോഗിലെ ഏറ്റവും ചെലവേറിയ മോഡലിലെ $11.48-നോട് താരതമ്യം ചെയ്യുമ്പോൾ.

ഏജന്റിക് ജോലിഭാരങ്ങൾ ഇൻപുട്ട്-ഭാരമുള്ളവയാണ്, GLM-ന്റെ മുൻതൂക്കം ഏറ്റവും വലുതും കൃത്യമായി അവിടെയാണ്: അതിന്റെ ഇൻപുട്ട് വില Kimi-K3-യുടേതിനെക്കാൾ 5.2× താഴെയും DeepSeek-V4-Pro-യുടേതിനെക്കാൾ 2.7× താഴെയുമാണ്. നിങ്ങളുടെ ഏജന്റ് ഓരോ ടേണിലും വളരുന്ന ഒരു സംഭാഷണം വീണ്ടും അയയ്ക്കുന്നുവെങ്കിൽ — ഏതാണ്ട് എല്ലാ ഏജന്റും അത് ചെയ്യുന്നു — ആ ഗുണിതമാണ് നിങ്ങളുടെ ബില്ലിൽ അവസാനിക്കുന്നത്.

05ഈ എൻഡ്‌പോയിന്റിൽ "സെൻസർ ചെയ്യാത്തത്" എന്നാൽ എന്ത്

കൃത്യമായി രണ്ട് കാര്യങ്ങൾ: നിരസന പാളിയില്ല — ഏതൊക്കെ അഭ്യർത്ഥനകൾ മോഡലിന് കാണാൻ അനുവാദമുണ്ടെന്ന് തീരുമാനിക്കുന്ന ഒരു ക്ലാസിഫയറില്ല, നിങ്ങളുടെ പ്രോംപ്റ്റ് എത്തുന്നതിന് മുമ്പ് അത് മാറ്റിയെഴുതുന്ന ഒരു നയ മോഡലുമില്ല — ഒപ്പം ഔട്ട്പുട്ട് ഫിൽട്ടറിംഗില്ല, അതായത് മോഡൽ ഉണ്ടാക്കുന്ന ടോക്കണുകളാണ് നിങ്ങൾക്ക് കിട്ടുന്നത്, മറയ്ക്കാതെയും മാറ്റിവയ്ക്കാതെയും.

"റിലാക്സ്ഡ്" അല്ലെങ്കിൽ "ഡെവലപ്പർ" മോഡ് പരസ്യപ്പെടുത്തുന്ന ഒരു വാണിജ്യ API-യിൽ നിന്ന് അത് വ്യത്യസ്തമായ ഒരു നിർദ്ദേശമാണ്. അവ ഇപ്പോഴും ട്രാഫിക്കിനെ ഒരു വെണ്ടറുടെ നയ സ്റ്റാക്കിലൂടെ കടത്തിവിടുന്നു; മാറുന്നത് പരിധിയാണ്, ഗേറ്റിന്റെ നിലനിൽപ്പല്ല. ഇവിടെ ക്രമീകരിക്കാൻ ഒരു ഗേറ്റുമില്ല — മോഡൽ ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിൽ പ്രവർത്തിക്കുന്നു, അതിന്റെ പെരുമാറ്റം അടിത്തറയുടെ പെരുമാറ്റമാണ്. 02-ാം ഭാഗത്തിലെ NIST CAISI കണ്ടെത്തൽ ഒരു മുന്നറിയിപ്പായല്ല, ഒരു സാങ്കേതിക പ്രസ്താവനയായി വായിക്കുക, അപ്പോൾ അത് ഉൽപ്പന്നത്തെ വിശദീകരിക്കുന്നു: വെയ്റ്റുകളിൽ അലൈൻമെന്റ് കുടികൊള്ളുന്ന ഒരു മോഡൽ, പുറമേയുള്ള നയ പാളിയില്ലാതെ നൽകുമ്പോൾ, അതിന്റെ വെയ്റ്റുകൾ അനുസരിച്ചാണ് പെരുമാറുന്നത്.

ഇത് ഏജന്റുകൾക്ക് പ്രത്യേകിച്ച് പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

നിരസനങ്ങൾ സാധാരണയായി ഒരു ഉള്ളടക്ക പ്രശ്നമായാണ് ചർച്ച ചെയ്യപ്പെടുന്നത്. ഏജന്റിക് ജോലിയിൽ അവ പ്രധാനമായും ഒരു വിശ്വാസ്യതാ പ്രശ്നമാണ്. 40 ടേൺ ഓട്ടത്തിലെ 31-ാം ടേണിലെ ഒരു നിരസനം നിങ്ങൾ വായിച്ച് കടന്നുപോകുന്ന മാന്യമായ ഒരു നിഷേധമല്ല — അത് ഒരു വികലമായ ഘട്ടമാണ്, എങ്ങനെ മുന്നോട്ട് പോകണമെന്നറിയാത്ത ഒരു ഓർക്കസ്ട്രേറ്ററാണ്, തകർന്ന ഒരു പദ്ധതിയാണ്, കാണിക്കാൻ ഒന്നുമില്ലാതെ ചെലവാക്കിയ 30 ടേണുകളാണ്. സുരക്ഷാ ഗവേഷണം, മാൽവെയർ വിശകലനം, പെനട്രേഷൻ ടെസ്റ്റിംഗ്, റെഡ്-ടീമിംഗ്, മുതിർന്നവർക്കുള്ള ഫിക്ഷൻ, വൈദ്യ, നിയമ കരട് തയ്യാറാക്കൽ, സുരക്ഷാ പരിശീലനത്തിനുള്ള ഡാറ്റാസെറ്റ് നിർമ്മാണം എന്നിവയെല്ലാം നിരന്തരം ഇതിൽ തട്ടുന്നു, വൈകിയാണ് അത് വന്നെത്തുന്നത് എന്നതുകൊണ്ടുതന്നെ ആ പരാജയം ചെലവേറിയതാണ്.

മറുവശം, നയ പാളി ഇനി നിങ്ങളുടേതാണ് എന്നതാണ്. Shannon AI ഗേറ്റ്‌വേയുടെ ഉപയോഗം ഞങ്ങളുടെ ഉത്തരവാദിത്ത ഉപയോഗ നയം അനുസരിച്ചാണ്; ലൂപ്പിൽ നിന്ന് ഒരു വെണ്ടറുടെ വിവേചനം നീക്കുക എന്നാൽ സ്വന്തമായത് നൽകുക എന്നാണ്.

06എൻഡ്‌പോയിന്റ് യഥാർത്ഥത്തിൽ നിങ്ങൾക്ക് എന്ത് നൽകുന്നു

ശേഷി	GLM-5.2 · 3BIT-REAP
മോഡൽ ഐഡി	GLM-5.2-3BIT-REAP
സന്ദർഭ ജാലകം	262,144 ടോക്കൺ
ഒരു അഭ്യർത്ഥനയ്ക്ക് പരമാവധി ഔട്ട്പുട്ട്	16,384 ടോക്കൺ
സ്ട്രീമിംഗ്	ഉവ്വ്
ടൂൾ കോളിംഗ്	ഉവ്വ്
യുക്തിചിന്ത / reasoning_effort	ഉവ്വ്
JSON സ്കീമ (json_schema)	ഉവ്വ്
response_format	ഉവ്വ്
വിഷൻ / ഇമേജ് ഇൻപുട്ട്	ഇല്ല — ടെക്സ്റ്റ് മാത്രം
നിരസന പാളി / ഔട്ട്പുട്ട് ഫിൽട്ടറിംഗ്	ഇല്ല

നിർമ്മാണം തുടങ്ങുന്നതിന് മുമ്പ് വിഷൻ വരി ശ്രദ്ധിച്ച് വായിക്കുക. ഞങ്ങളുടെ ഗേറ്റ്‌വേയിൽ GLM-5.2 ടെക്സ്റ്റ് മാത്രമാണ്. ഇമേജ് ഇൻപുട്ട് വേണമെങ്കിൽ, കാറ്റലോഗിൽ വിഷൻ ശേഷിയുള്ള അഞ്ച് ഓപ്ഷനുകളുണ്ട് — $0.50 / $2.00 തറനിരക്കിൽ MiniMax-M3, MiMo-V2.5, $0.78 / $3.67-ന് Kimi-K2.6, $1.42 / $6.07-ന് inkling, $3.83 / $19.12-ന് Kimi-K3. ഇമേജ് ഗ്രഹണം MiniMax-M3-ലേക്കും ബാക്കിയെല്ലാം GLM-5.2-ലേക്കും റൂട്ട് ചെയ്യുക എന്നത് വിവേകപൂർവമായ ഒരു രീതിയാണ്, ഒരു മോഡൽ സ്ട്രിംഗിനപ്പുറം അതിന് ഒന്നും ചെലവാകുന്നില്ല.

മൂന്ന് ഭാഷാഭേദങ്ങൾ, ഒരു മോഡൽ

അതേ മോഡലിലേക്ക് മൂന്ന് അഭ്യർത്ഥനാ ഫോർമാറ്റുകളിലൂടെ എത്തിച്ചേരാം, എല്ലാം സ്ട്രീമിംഗ്: /v1/chat/completions (OpenAI ഭാഷാഭേദം), /v1/messages (Anthropic ഭാഷാഭേദം), /v1/responses. അവയ്ക്കിടയിൽ മോഡലിനെക്കുറിച്ച് ഒന്നും മാറുന്നില്ല — നിങ്ങളുടെ SDK ഇതിനകം സംസാരിക്കുന്നത് ഏതാണോ അത് തിരഞ്ഞെടുക്കുക, സാധാരണയായി ഒരു ബേസ്-URL മാറ്റത്തിന്റെ അകലത്തിൽ നിങ്ങൾ പ്രവർത്തിച്ചുതുടങ്ങും.

# OpenAI ഭാഷാഭേദം — നിലവിലുള്ള ക്ലയന്റിനെ ഗേറ്റ്‌വേയിലേക്ക് ചൂണ്ടുക
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,                 # ടൂൾ കോളിംഗ് പിന്തുണയ്ക്കുന്നു
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

മൂന്ന് ഭാഷാഭേദങ്ങൾക്കുമുള്ള പൂർണ്ണ അഭ്യർത്ഥനാ, പ്രതികരണ സ്കീമകൾ, ടൂൾ കോളിംഗ് ഫോർമാറ്റ്, സ്ട്രീമിംഗ് ഇവന്റ് രൂപങ്ങൾ, ഒരു ഇന്ററാക്ടീവ് പ്ലേഗ്രൗണ്ട് എന്നിവ Shannon AI API ഡോക്യുമെന്റേഷനിൽ ഉണ്ട്.

07GLM-5.2 എപ്പോൾ തിരഞ്ഞെടുക്കണം — എപ്പോൾ വേണ്ട

ഇത് തിരഞ്ഞെടുക്കുക, എപ്പോൾ

• നിങ്ങൾ ഏജന്റുകൾ പ്രവർത്തിപ്പിക്കുമ്പോൾ. നീണ്ട ടൂൾ കോളിംഗ് ലൂപ്പുകൾക്കായാണ് ഈ പരമ്പര നിർമ്മിക്കപ്പെട്ടതും ആവർത്തിച്ച് പോസ്റ്റ്-ട്രെയിൻ ചെയ്യപ്പെട്ടതും, ഇൻപുട്ട് വില കാരണം വളരുന്ന ഒരു സംഭാഷണം ഓരോ ടേണിലും വീണ്ടും അയയ്ക്കുന്നത് താങ്ങാവുന്നതാണ്.
• നിങ്ങൾ ഒരു വലിയ കോഡ്ബേസിലുടനീളം ജോലി ചെയ്യുമ്പോൾ. 262K സന്ദർഭം, വിശ്വസനീയമായ ടൂൾ-കോൾ ഫോർമാറ്റിംഗ്, ജാലകം മുഴുവൻ വായിക്കാൻ $0.19.
• അളവാണ് നിങ്ങളുടെ പരിമിതി എങ്കിൽ. വർഗ്ഗീകരണം, എക്സ്ട്രാക്ഷൻ, കൃത്രിമ ഡാറ്റാ നിർമ്മാണം, കൂട്ടത്തോടെയുള്ള മാറ്റിയെഴുത്ത് — ഒരു കോളിന്റെ ചെലവ് വലിയൊരു സംഖ്യ കൊണ്ട് ഗുണിക്കുമ്പോൾ പദ്ധതി പ്രായോഗികമാണോ എന്ന് തീരുമാനിക്കപ്പെടുന്ന എന്തും.
• നിരസനങ്ങൾ നിങ്ങളുടെ പൈപ്പ്‌ലൈൻ തകർക്കുമ്പോൾ. സുരക്ഷാ ഗവേഷണം, ശത്രുതാപരമായ പരിശോധന, സെൻസർ ചെയ്യാത്ത ഫിക്ഷൻ, സൂക്ഷ്മമായ കരട് തയ്യാറാക്കൽ — ഇവിടെ ആ പരാജയ രീതി ഇല്ല.

മറ്റൊന്ന് തിരഞ്ഞെടുക്കുക, എപ്പോൾ

• നിങ്ങൾക്ക് വിഷൻ വേണമെങ്കിൽ. ടെക്സ്റ്റ് മാത്രം. മുകളിലുള്ള വിഷൻ ശേഷിയുള്ള ഓപ്ഷനുകൾ കാണുക.
• നിങ്ങൾക്ക് ഏറ്റവും ആഴമുള്ള ഒറ്റ-ടേൺ യുക്തിചിന്ത വേണമെങ്കിൽ. ഏറ്റവും കടുപ്പമുള്ള ഒറ്റ-ഷോട്ട് വിശകലന പ്രശ്നങ്ങൾക്ക്, DeepSeek-V4-Pro-0813 · 3BIT-REAP ആണ് 2.2× ബ്ലെൻഡഡ് ചെലവിലുള്ള കനത്ത ഉപകരണം — പരിധി തന്നെ പരിമിതിയാകുന്ന കോളുകളിൽ, അതാണ് ശരിയായ വിട്ടുവീഴ്ച.
• അപൂർവ വിജ്ഞാനത്തിൽ പരമാവധി വിശ്വസ്തത വേണമെങ്കിൽ. W8A16 തട്ട് — MiMo-V2.5-Pro, Hy3 — വളരെ കുറച്ചേ കംപ്രസ് ചെയ്തിട്ടുള്ളൂ, ചെറിയ അടിത്തറകളിൽ $0.50 / $2.00 തറനിരക്കിലാണ് നിൽക്കുന്നത്.

GLM-5.2 ബെഞ്ച്മാർക്ക് കണക്കുകൾ (Terminal-Bench 2.1, SWE-bench Pro) കംപ്രസ് ചെയ്യാത്ത അടിത്തറയ്ക്കായി Z.ai റിപ്പോർട്ട് ചെയ്തതാണ്; സ്വതന്ത്ര ആവർത്തനം ഇനിയും നടക്കാനിരിക്കുന്നു. Claude Opus 4.8, GPT-5.5 കണക്കുകൾ റഫറൻസിന് മാത്രമാണ് കാണിച്ചിരിക്കുന്നത്. 2026 സെപ്റ്റംബറിൽ Z.ai പ്രസിദ്ധീകരിച്ച പ്രകാരമുള്ള ഫസ്റ്റ്-പാർട്ടി GLM-5.2 API ലിസ്റ്റ് വില.

08പതിവ് ചോദ്യങ്ങൾ

---

സ്രോതസ്സുകൾ: Z.ai GLM-5 റെപ്പോസിറ്ററി · 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, July 2026. അടിത്തറ ബെഞ്ച്മാർക്ക് സ്കോറുകൾ ലാബ് റിപ്പോർട്ട് ചെയ്തതും താൽക്കാലികവുമാണ്; അവ കംപ്രസ് ചെയ്യാത്ത GLM-5.2-യെയാണ് വിവരിക്കുന്നത്, ഈ കംപ്രസ് ചെയ്ത ബിൽഡിനെയല്ല. വില, സന്ദർഭം, ശേഷി കണക്കുകൾ 2026 സെപ്റ്റംബർ 5 വരെയുള്ള Shannon AI കാറ്റലോഗ് മൂല്യങ്ങളാണ്.