असेन्सॉर्ड GLM API: प्रति टोकन सर्वोत्तम मूल्य
Z.ai चा एजंटिक GLM आधार, आमच्या स्वतःच्या GPU क्लस्टरवर कोणत्याही नकार स्तराशिवाय सर्व्ह केलेला — 262K संदर्भ, टूल कॉलिंग, आणि याच वंशावळीच्या पहिल्या-पक्षाच्या किमतीच्या निम्म्याहून कमी मिश्र दर.
थोडक्यात
GLM-5.2-3BIT-REAP हेच Shannon AI गेटवेवरचे आम्ही मूलतः शिफारस करणारे मॉडेल आहे. ते GLM वंशावळीतील 744-अब्ज-पॅरामीटरचा विरळ Mixture-of-Experts आधार चालवते — GLM-4.5 पासून एजंटिक टूल वापरासाठी स्पष्टपणे प्रशिक्षित — आणि तो 3-bit वेट्स व REAP एक्सपर्ट प्रूनिंगने संकुचित केला आहे, जेणेकरून तो बसेल आणि वेगवान राहील. तुम्हाला मिळते 262,144-टोकन संदर्भ, 16,384 टोकनचे आउटपुट, टूल कॉलिंग, समायोज्य reasoning_effort सह रिझनिंग, आणि JSON Schema संरचित आउटपुट — प्रति दशलक्ष टोकन $0.73 / $2.34 या दरात. इथे नकार स्तर नाही आणि आउटपुट फिल्टर नाही. फक्त मजकूर — व्हिजन नाही.
“सर्वात स्वस्त मॉडेल” अशा बहुतेक तुलना अप्रामाणिक असतात, कारण स्वस्त पर्याय म्हणजे सहसा मोठ्या मॉडेलचे मार्केटिंग अंगावर घेतलेले एक छोटे मॉडेल असते. इथे तसे घडत नाही. GLM-5.2 हा आजवर कुणी प्रसिद्ध केलेल्या सर्वात मोठ्या ओपन-वेट आधारांपैकी एक आहे, आणि $0.73 इन / $2.34 आउट या दरात तो आमच्या कॅटलॉगच्या तळापासून फक्त एक पायरी वर बसतो — तरीही तो आधार त्या तळावर सहसा मिळणाऱ्या आधाराच्या कैक पट मोठा आहे. मोठे मॉडेल, तळाजवळची किंमत — हीच तफावत या पानाच्या अस्तित्वाचे कारण आहे.
01GLM कुठून आले: Tsinghua, ब्लँक इनफिलिंग, आणि एजंटकडे तीव्र वळण
GLM हे Llama वरून नाव बदलून घेतलेले व्युत्पन्न मॉडेल नाही. स्वतःचे पूर्व-प्रशिक्षण उद्दिष्ट असलेल्या आणि पाच वर्षे एकाच संशोधन गटाने घासून काढलेल्या मोजक्या मॉडेल-कुटुंबांपैकी ते एक आहे. नावाचा अर्थ General Language Model, आणि पायाभूत शोधनिबंध — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — याने BERT च्या मास्क्ड लँग्वेज मॉडेलिंग आणि GPT च्या कडक डावीकडून-उजवीकडे ऑटोरिग्रेशन यांच्या शेजारी तिसरा पर्याय मांडला. GLM लगतच्या शब्दसमूहांवर फुली मारते आणि त्यांना फेरबदल केलेल्या क्रमाने ऑटोरिग्रेसिव्ह पद्धतीने पुन्हा तयार करते, आणि द्विमितीय स्थान-एन्कोडिंग एका टोकनचे बिघडवलेल्या दस्तऐवजातले स्थान आणि भरल्या जाणाऱ्या समूहातले स्थान — दोन्ही मागोवा घेतात: एकच वास्तुरचना जी आकलन आणि निर्मिती दोन्ही तितक्याच चांगल्या हाताळते.
यामागचा गट म्हणजे Tsinghua विद्यापीठाचा Knowledge Engineering Group, ज्यातून आज Z.ai (पूर्वीचे Zhipu AI) म्हणून ओळखली जाणारी कंपनी बाहेर पडली. तिची पहिली मथळावजा निर्मिती होती ऑक्टोबर 2022 मधले GLM-130B — 130-अब्ज-पॅरामीटरचे इंग्रजी/चिनी द्विभाषिक घन मॉडेल, ज्याचे वेट्स आणि कोड प्रकाशनाच्या वेळीच सार्वजनिकरीत्या प्रसिद्ध केले गेले. तेव्हापासून खुले प्रकाशन हीच त्यांची घरची पद्धत राहिली आहे.
MoE चे युग, आणि एजंटकडचे वळण
कोणत्याही एका रिलीजपेक्षा हा सलग धागा अधिक महत्त्वाचा आहे. GLM-4.5 पासून प्रत्येक आवृत्ती एकाच गोष्टीसाठी अनुकूल केली गेली आहे: डझनभर टूल कॉलमध्ये सुसंगत राहणे. एका फेरीतले बेंचमार्क गुण जास्तीत जास्त करण्यापेक्षा हे वेगळे उद्दिष्ट आहे, आणि ते दिसते कमी बिघडलेल्या टूल आर्ग्युमेंटमध्ये, लांब आराखड्यात कमी भरकटण्यात, आणि “14 व्या फेरीत आत्मविश्वासाने काम पुन्हा सुरू करणे” या एजंट फ्रेमवर्क महाग करणाऱ्या वर्तनाच्या घटण्यात.
02GLM-5.2 काय आहे, आणि तिचे मोजमाप काय झाले
Z.ai GLM-5.2 चे बेंचमार्क आकडे GLM-5 रेपॉझिटरीत प्रकाशित करते. त्यांपैकी दोन आकडे किरकोळ माहिती-स्मरणापेक्षा खऱ्या एजंटिक कामाशी जुळतात:
Terminal-Bench 2.1 — दीर्घ पल्ल्याची कमांड-लाइन एजंट कामे. Z.ai ने नोंदवलेले.
SWE-bench Pro — खऱ्या रेपॉझिटरीतील इश्यू सोडवणे. Z.ai ने नोंदवलेले; याच चाचणीत GLM-5.1 ला 58.4 गुण मिळाले.
हे आकडे प्रयोगशाळेचे आहेत, आमचे नाहीत, आणि ते अकॉम्प्रेस्ड आधाराचे वर्णन करतात. तुम्ही कोणत्या वर्गाच्या मॉडेलशी व्यवहार करत आहात ते ते सांगतात — हमी देत नाहीत.
एक माहिती-बिंदू बेंचमार्कपेक्षा अधिक मोलाचा आहे, कारण तो मॉडेलची भलामण करण्यात कोणताही स्वार्थ नसलेल्या मूल्यमापकाकडून आला आहे. जुलै 2026 मध्ये अमेरिकेच्या National Institute of Standards and Technology च्या Center for AI Standards and Innovation ने GLM-5.2 चे मूल्यमापन केले आणि निष्कर्ष काढला की प्रसिद्धीच्या वेळी उपलब्ध असलेले ते बहुधा सर्वात सक्षम ओपन-वेट AI मॉडेल होते — एकूण क्षमता GPT-5.2 च्या तोडीच्या आणि सायबर क्षमता Claude Opus 4.6 च्या तोडीच्या. त्याच मूल्यमापनात असेही आढळले की GLM-5.2 अमेरिकन संदर्भ मॉडेलपेक्षा कमी संवेदनशील विनंत्या अडवते, आणि ओपन वेट्समध्ये भाजून घातलेली सुरक्षा-साधने ते वेट्स स्वतः होस्ट केल्यावर टाळता येऊ शकतात. विभाग 05 त्याकडे पुन्हा वळतो.
03“3BIT-REAP” म्हणजे काय, आणि त्याची तुम्हाला काय किंमत मोजावी लागते
REAP: एक्सपर्ट विलीन करण्याऐवजी छाटणे
744B-पॅरामीटरच्या MoE मॉडेलमध्ये प्रति स्तर 256 एक्सपर्ट असतात, त्यांपैकी कोणत्याही एका टोकनवर 8 सक्रिय होतात. राउटर काम समानपणे वाटत नाही — काही एक्सपर्ट सतत निवडले जातात, तर एक लांब शेपूट क्वचित निवडली जाते आणि निवडली गेली तरी फारसे योगदान देत नाही. Cerebras Research कडून आलेली आणि ICLR 2026 साठी स्वीकारलेली REAP (Router-weighted Expert Activation Pruning) याचाच फायदा घेते: राउटर त्याला किती जोरात आणि किती वेळा गेट करतो आणि त्याच्या आउटपुट योगदानाचे परिमाण यांना एकत्र करणाऱ्या ठळकतेच्या निकषावर ती प्रत्येक एक्सपर्टला गुण देते, आणि मग कमी गुण मिळालेल्यांना कायमचे काढून टाकते.
REAP जी तुलना जिंकते तोच रंजक भाग आहे. एक्सपर्ट काढून टाकण्याऐवजी त्याला उरलेल्या एका एक्सपर्टमध्ये विलीन करणे हा उघड पर्याय, आणि तो अधिक सुरक्षित वाटतो. 20B ते 1T पॅरामीटरच्या MoE मॉडेलवरून शोधनिबंधाचा निष्कर्ष असा की जनरेटिव्ह कामासाठी विलीनीकरण प्रत्यक्षात अधिक वाईट आहे, आणि छाटणी उल्लेखनीयरीत्या टिकून राहते: Qwen3-Coder-480B आणि Kimi-K2 यांसह विविध आधारांवर निम्मे एक्सपर्ट काढल्यानंतरही कोड जनरेशन आणि टूल-कॉलिंग बेंचमार्कवर जवळजवळ शून्य तोटा. ज्या मॉडेलच्या अस्तित्वाचे कारणच एजंटिक इंजिनिअरिंग आहे, त्यावर कोड आणि टूल कॉलिंग अबाधित टिकणे हेच नेमके तुम्हाला हवे असते.
3-bit वेट्स, आणि प्रामाणिक तडजोड
छाटणीच्या वर, उरलेले वेट्स 3 बिटवर साठवले जातात — आमच्या कॅटलॉगमधल्या इतरत्र वापरल्या जाणाऱ्या W4A16-AUTOROUND-REAP आणि W8A16 स्तरांपेक्षा अधिक आक्रमक, आणि फक्त सर्वात मोठ्या आधारांसाठी राखीव — जिथे पाऊण-ट्रिलियन-पॅरामीटरचे मॉडेल सर्व्हिंग नोडवर आणून टोकन वापरण्याजोग्या वेगाने वाहते ठेवण्याचा दुसरा कोणताही मार्गच नाही.
कॉम्प्रेशन फुकट नाही. योग्य मानसिक चित्र असे: छाटणी आणि क्वांटायझेशन आधी लांब शेपटीला झिजवतात. दाट, वारंवार वापरली जाणारी वर्तने — सूचनापालन, कोडची रचना, टूल-कॉलचे स्वरूप, बहु-टप्पी नियोजन — चांगली टिकतात, आणि REAP चे निकाल नेमके तेच दाखवतात. अकॉम्प्रेस्ड GLM-5.2 च्या तुलनेत फरक जिथे अपेक्षित धरावा तो म्हणजे दुर्मीळ तथ्यांचे स्मरण, दुर्मीळ भाषा आणि विशिष्ट क्षेत्रातली किरकोळ माहिती. तुमचे काम “एखादे असामान्य तथ्य पक्के माहीत असणे” असे असेल, तर अधिक विश्वासार्हतेच्या स्तरासाठी पैसे मोजा. ते “चाळीस टूल कॉलमध्ये आराखडा न भरकटता राबवणे” असे असेल, तर हीच पद्धत ज्या स्तरासाठी रचली गेली आहे तो हा स्तर आहे.
04मूल्याचा युक्तिवाद: स्वस्त असेन्सॉर्ड LLM API चालवायला प्रत्यक्षात किती खर्च येतो
GLM-5.2 साठी Z.ai ची स्वतःची प्रकाशित API यादी-किंमत आहे प्रति दशलक्ष इनपुट टोकन $1.40 आणि प्रति दशलक्ष आउटपुट $4.40. त्याच आधारावरची आमची किंमत आहे $0.73 / $2.34 — म्हणजे इनपुटवर साधारण 48% कमी आणि आउटपुटवर 47% कमी. ती सवलत कॉम्प्रेशन मिळवून देते, आणि तिच्यासोबत आणखी एक गोष्ट येते जी पहिल्या-पक्षाकडून कोणत्याही किमतीला विकत घेता येत नाही: नकार स्तर नाही.
आमच्याच कॅटलॉगमध्ये मिश्र खर्च हाच महत्त्वाचा आकडा आहे. इनपुट-ते-आउटपुट 3:1 प्रमाणावर तो असा दिसतो — प्रत्यक्षात टूल-कॉलिंग एजंट साधारण असाच दिसतो: भरपूर संदर्भ आणि टूल निकाल आत जातात, तुलनेने कमी टोकन बाहेर येतात.
| मॉडेल | इन / 1M | आउट / 1M | मिश्र 3:1 | व्हिजन |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | नाही |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | नाही |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | होय |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | नाही |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | होय |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | होय |
सहा मॉडेल $0.50 / $2.00 या तळावर बसतात — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro आणि Hy3 — म्हणजे $0.875 चा मिश्र दर. GLM-5.2 त्या तळापेक्षा 29% वर आहे आणि त्या बदल्यात एजंटिक वर्तनात सातत्याने केलेली गुंतवणूक पाठीशी असलेला 744B-वर्गाचा आधार देते. तिच्या वर किंमत असलेले सर्व काही मिश्र दरात किमान 23% अधिक महाग आहे, आणि Kimi-K3 तर 6.8× महाग आहे. एका ओळीत हाच मूल्याचा युक्तिवाद: सर्वोच्च दर्जाचा एजंटिक आधार विकत घेण्याची कॅटलॉगमधली सर्वात स्वस्त जागा.
कामात रूपांतरित करून
- एक पूर्ण संदर्भ भरणी — 262,144 इनपुट टोकन: $0.19. संपूर्ण मोठा रेपॉझिटरी वीस सेंटपेक्षा कमी खर्चात विंडोमध्ये वाचला जातो.
- कमाल लांबीचे एक कम्प्लीशन — 16,384 आउटपुट टोकन: $0.038.
- एक एजंट फेरी — 20K आत, 2K बाहेर: $0.019. तीच फेरी Kimi-K3 वर $0.115 आणि DeepSeek-V4-Pro वर $0.047 खर्चते.
- शंभर एजंट फेऱ्या: $1.93, तर कॅटलॉगमधल्या सर्वात महाग मॉडेलवर $11.48.
एजंटिक कामे इनपुट-जड असतात, आणि GLM चा फायदा नेमका तिथेच सर्वात मोठा आहे: तिची इनपुट किंमत Kimi-K3 पेक्षा 5.2× कमी आणि DeepSeek-V4-Pro पेक्षा 2.7× कमी आहे. तुमचा एजंट प्रत्येक फेरीला वाढते संभाषण पुन्हा पाठवत असेल — आणि जवळजवळ प्रत्येक एजंट तसे करतोच — तर तोच गुणक शेवटी तुमच्या बिलावर उमटतो.
05या एंडपॉइंटवर “असेन्सॉर्ड” म्हणजे काय
नेमक्या दोन गोष्टी: नकार स्तर नाही — मॉडेलला कोणत्या विनंत्या पाहू द्यायच्या हे ठरवणारा वर्गीकारक नाही, आणि तुमचा प्रॉम्प्ट पोहोचण्याआधी त्याचे पुनर्लेखन करणारे धोरण-मॉडेल नाही — आणि आउटपुट फिल्टरिंग नाही, म्हणजे मॉडेल जे टोकन तयार करते तेच टोकन तुम्हाला मिळतात, न लपवता आणि न बदलता.
“रिलॅक्स्ड” किंवा “डेव्हलपर” मोडची जाहिरात करणाऱ्या व्यावसायिक API पेक्षा हा वेगळाच प्रस्ताव आहे. ते API अजूनही रहदारी विक्रेत्याच्या धोरण-स्तरातून पाठवतात; तिथे बदलते ती मर्यादा, फाटकाचे अस्तित्व नाही. इथे जुळवण्यासाठी फाटकच नाही — मॉडेल आमच्या स्वतःच्या GPU क्लस्टरवर चालते, आणि त्याचे वर्तन म्हणजे आधाराचेच वर्तन. विभाग 02 मधला NIST CAISI चा निष्कर्ष इशारा म्हणून नव्हे तर तांत्रिक विधान म्हणून वाचा, आणि तो हे उत्पादन उलगडून सांगतो: ज्या मॉडेलचे अलाइनमेंट त्याच्या वेट्समध्येच राहते, ते बाह्य धोरण स्तराशिवाय सर्व्ह केल्यावर त्याच्या वेट्सप्रमाणेच वागते.
हे विशेषतः एजंटसाठी का महत्त्वाचे आहे
नकारांची चर्चा सहसा आशयाचा प्रश्न म्हणून होते. एजंटिक कामात तो मुख्यतः विश्वासार्हतेचा प्रश्न असतो. 40 फेऱ्यांच्या रनमधल्या 31 व्या फेरीत आलेला नकार म्हणजे तुम्ही वाचून पुढे जाल असा सभ्य नकार नव्हे — तो एक बिघडलेला टप्पा असतो, पुढे काय करावे हे न कळणारा ऑर्केस्ट्रेटर असतो, तुटलेला आराखडा असतो, आणि हातात काहीही नसताना खर्ची पडलेल्या 30 फेऱ्या असतात. सुरक्षा संशोधन, मालवेअर विश्लेषण, पेनिट्रेशन टेस्टिंग, रेड-टीमिंग, प्रौढ कथासाहित्य, वैद्यकीय व कायदेशीर मसुदा-लेखन, आणि सुरक्षा प्रशिक्षणासाठीची डेटासेट निर्मिती — या सर्वांना हे सतत भोगावे लागते, आणि हे अपयश महाग ठरते तेच मुळात ते उशिरा येते म्हणून.
याची दुसरी बाजू अशी की धोरण स्तर आता तुमचा आहे. Shannon AI गेटवेचा वापर आमच्या जबाबदार वापर धोरणानुसार नियंत्रित होतो; विक्रेत्याचा निवाडा साखळीतून काढून टाकणे म्हणजे स्वतःचा निवाडा पुरवणे.
06एंडपॉइंट प्रत्यक्षात काय देतो
| क्षमता | GLM-5.2 · 3BIT-REAP |
|---|---|
| मॉडेल आयडी | GLM-5.2-3BIT-REAP |
| संदर्भ विंडो | 262,144 टोकन |
| प्रति विनंती कमाल आउटपुट | 16,384 टोकन |
| स्ट्रीमिंग | होय |
| टूल कॉलिंग | होय |
रिझनिंग / reasoning_effort | होय |
JSON Schema (json_schema) | होय |
response_format | होय |
| व्हिजन / इमेज इनपुट | नाही — फक्त मजकूर |
| नकार स्तर / आउटपुट फिल्टरिंग | काहीही नाही |
बांधकाम सुरू करण्याआधी व्हिजनची ओळ नीट वाचा. आमच्या गेटवेवर GLM-5.2 फक्त मजकुरासाठी आहे. तुम्हाला इमेज इनपुट हवे असेल, तर कॅटलॉगमध्ये पाच व्हिजन-सक्षम पर्याय आहेत — $0.50 / $2.00 तळावर MiniMax-M3 आणि MiMo-V2.5, $0.78 / $3.67 वर Kimi-K2.6, $1.42 / $6.07 वर inkling, आणि $3.83 / $19.12 वर Kimi-K3. एक शहाणपणाची पद्धत म्हणजे इमेज आकलन MiniMax-M3 कडे आणि बाकी सर्व GLM-5.2 कडे वळवणे — त्यासाठी एका मॉडेल स्ट्रिंगपलीकडे काहीही खर्च होत नाही.
तीन बोली, एक मॉडेल
तेच मॉडेल तीन विनंती-स्वरूपांतून उपलब्ध आहे, तिन्हींवर स्ट्रीमिंगसह: /v1/chat/completions (OpenAI बोली), /v1/messages (Anthropic बोली), आणि /v1/responses. त्यांच्यामध्ये मॉडेलचे काहीही बदलत नाही — तुमचा SDK आधीच जी बोली बोलतो ती निवडा, आणि सहसा एका बेस-URL बदलावर तुम्ही चालू व्हाल.
# 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, )
तिन्ही बोलींसाठीचे संपूर्ण विनंती व प्रतिसाद स्कीमा, टूल-कॉलिंगचे स्वरूप, स्ट्रीमिंग इव्हेंटचे आकार, आणि एक संवादी प्लेग्राउंड Shannon AI API दस्तऐवजांमध्ये आहेत.
07GLM-5.2 कधी निवडावी — आणि कधी नाही
हिच्याकडे वळा जेव्हा
- तुम्ही एजंट चालवत आहात. लांब टूल-कॉलिंग लूपसाठीच ही वंशावळ बांधली गेली आणि वारंवार पोस्ट-ट्रेन केली गेली आहे, आणि इनपुट किमतीमुळे वाढते संभाषण प्रत्येक फेरीला पुन्हा पाठवणे परवडते.
- तुम्ही मोठ्या कोडबेसवर काम करत आहात. 262K संदर्भ, भरवशाचे टूल-कॉल स्वरूप, आणि संपूर्ण विंडो वाचायला $0.19.
- प्रमाण हीच तुमची अडचण आहे. वर्गीकरण, माहिती काढणे, कृत्रिम डेटा निर्मिती, मोठ्या प्रमाणावर पुनर्लेखन — जिथे प्रति कॉल खर्च गुणिले मोठी संख्या हेच प्रकल्प व्यवहार्य आहे की नाही ते ठरवते.
- नकारांमुळे तुमची पाइपलाइन तुटत आहे. सुरक्षा संशोधन, प्रतिकूल चाचणी, असेन्सॉर्ड कथासाहित्य, संवेदनशील मसुदा-लेखन — हा अपयशाचा प्रकार इथे अस्तित्वातच नाही.
दुसऱ्या कशाकडे वळा जेव्हा
- तुम्हाला व्हिजन हवे आहे. फक्त मजकूर. वरचे व्हिजन-सक्षम पर्याय पाहा.
- तुम्हाला एका फेरीतले सर्वात खोल रिझनिंग हवे आहे. सर्वात कठीण एक-फेरी विश्लेषणात्मक समस्यांसाठी DeepSeek-V4-Pro-0813 · 3BIT-REAP हे 2.2× मिश्र खर्चाचे जड हत्यार आहे — ज्या कॉलमध्ये कमाल मर्यादाच अडचण असते तिथे तीच योग्य तडजोड आहे.
- तुम्हाला दुर्मीळ ज्ञानावर कमाल विश्वासार्हता हवी आहे.
W8A16स्तर — MiMo-V2.5-Pro आणि Hy3 — कितीतरी कमी आक्रमकपणे संकुचित आहे आणि लहान आधारांवर $0.50 / $2.00 तळावर बसतो.
या पानावरील प्रत्येक आधाराचा आकडा आमच्याखेरीज इतर कुणीतरी प्रकाशित केलेला आहे. किंमत आणि क्षमतेचे आकडे आमच्याच थेट कॅटलॉगमधली मूल्ये आहेत, जी तुमच्या स्वतःच्या कीवर /v1/models वरून पडताळता येतात. प्राथमिक स्रोत स्वतः तपासा.
GLM-5.2 चे बेंचमार्क आकडे (Terminal-Bench 2.1, SWE-bench Pro) अकॉम्प्रेस्ड आधारासाठी Z.ai ने नोंदवलेले आहेत; स्वतंत्र पुनरावृत्ती अद्याप बाकी आहे. Claude Opus 4.8 आणि GPT-5.5 चे आकडे फक्त संदर्भासाठी दाखवले आहेत. GLM-5.2 च्या पहिल्या-पक्षाच्या API यादी-किमती Z.ai ने प्रकाशित केल्याप्रमाणे, सप्टेंबर 2026.
08वारंवार विचारले जाणारे प्रश्न
Shannon AI वरील असेन्सॉर्ड GLM API म्हणजे काय?
Shannon AI गेटवेवरील GLM-5.2-3BIT-REAP हा मॉडेल आयडी: Z.ai च्या GLM-5.2 या एजंटिक आधाराची संकुचित बिल्ड, आमच्या स्वतःच्या GPU क्लस्टरवर नकार स्तराशिवाय आणि आउटपुट फिल्टरिंगशिवाय सर्व्ह केलेली. तिची किंमत प्रति दशलक्ष इनपुट टोकन $0.73 आणि प्रति दशलक्ष आउटपुट टोकन $2.34 आहे, तिची संदर्भ विंडो 262,144 टोकनची आहे, आणि ती /v1/chat/completions, /v1/messages आणि /v1/responses वर उपलब्ध आहे.
कॅटलॉगमधल्या इतर मोठ्या मॉडेलपेक्षा असेन्सॉर्ड GLM 5.2 स्वस्त का आहे?
ती कशी संकुचित केली आहे त्यामुळे. 3BIT-REAP मध्ये 3-bit वेट्स आणि REAP एकत्र येतात; REAP ही Mixture-of-Experts मॉडेलसाठीची एक्सपर्ट-प्रूनिंग पद्धत आहे, जी क्वांटायझेशनआधी क्वचित राउट होणारे एक्सपर्ट काढून टाकते. प्रति टोकन साधारण 40B सक्रिय पॅरामीटर असलेला विरळ MoE आधार अशा प्रकारे छाटला आणि क्वांटाइझ केला, की समान गुणवत्तेच्या घन मॉडेलपेक्षा तो कितीतरी कमी मेमरी आणि प्रति टोकन कितीतरी कमी GPU-सेकंद व्यापतो — आणि किंमत तेच प्रतिबिंबित करते.
नकार न देणारे GLM म्हणजे मॉडेलला कोणतेही सुरक्षा-कठडे नाहीत असा अर्थ होतो का?
याचा अर्थ Shannon स्वतःकडून काहीही जोडत नाही. मॉडेलसमोर नकार-वर्गीकारक नाही आणि त्यातून बाहेर पडणाऱ्या टोकनवर फिल्टर नाही. स्वतःच्या प्रशिक्षणातून आधाराला जे कल मिळाले असतील ते तो टिकवतो, पण बाहेरचे काहीही त्यांना ओलांडत नाही. धोरण स्तर तुमचा आहे, आणि वापर Shannon AI च्या जबाबदार वापर धोरणाच्या अधीन आहे.
GLM-5.2 3BIT-REAP व्हिजन किंवा इमेज इनपुटला पाठिंबा देते का?
नाही. हे मॉडेल फक्त मजकुरासाठी आहे. असेन्सॉर्ड एंडपॉइंटवर तुम्हाला इमेज इनपुट हवे असेल, तर कॅटलॉगमधले एखादे व्हिजन-सक्षम मॉडेल वापरा — उदाहरणार्थ MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 किंवा inkling. GLM-5.2 संरचित आउटपुटला पाठिंबा देते — json_schema आणि response_format दोन्ही — आणि टूल कॉलिंगलाही.
संदर्भ विंडो आणि कमाल आउटपुट लांबी किती आहे?
प्रति विनंती 262,144 टोकनचा संदर्भ आणि 16,384 टोकनचे आउटपुट. प्रति दशलक्ष इनपुट टोकन $0.73 या दराने संपूर्ण संदर्भ विंडो एकदा भरण्याचा खर्च साधारण 19 सेंट येतो, आणि कमाल लांबीच्या एका कम्प्लीशनचा खर्च 4 सेंटपेक्षा कमी येतो.
लांब टूल-कॉलिंग लूपसाठी हे चांगले एजंटिक असेन्सॉर्ड मॉडेल आहे का?
आम्ही सर्वात आधी हेच गाठतो. GLM वंशावळ GLM-4.5 पासून एजंटिक कामासाठी स्पष्टपणे प्रशिक्षित केली गेली आहे, टूल कॉलिंग आणि reasoning_effort या दोन्हींना पाठिंबा आहे, आणि किमतीमुळे वीस-हजार-टोकनच्या शंभर एजंट फेऱ्यांचा खर्च अकरा डॉलरऐवजी साधारण दोन डॉलर येतो. एजंट लूपमध्ये नकार हाही खराखुरा अपयशाचा प्रकार असतो, आणि इथे तो घडवणारा नकार स्तरच नाही.
असेन्सॉर्ड GLM API वापरून पाहा
$0.73 इन · $2.34 आउट · 262K संदर्भ · नकार स्तर नाही.
API दस्तऐवज वाचा सर्व मॉडेल चाळाShannon Lab LLC, न्यू मेक्सिको, अमेरिका · वापर जबाबदार वापर धोरणानुसार नियंत्रित
स्रोत: Z.ai GLM-5 रेपॉझिटरी · 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, जुलै 2026. आधाराचे बेंचमार्क गुण प्रयोगशाळेने नोंदवलेले आणि तात्पुरते आहेत; ते अकॉम्प्रेस्ड GLM-5.2 चे वर्णन करतात, या संकुचित बिल्डचे नाही. किंमत, संदर्भ आणि क्षमतेचे आकडे 5 सप्टेंबर 2026 रोजीची Shannon AI कॅटलॉग मूल्ये आहेत.