सेन्सर नगरिएको GLM API: प्रति टोकन उत्तम मूल्य
Z.ai को एजेन्टिक GLM आधार, हाम्रो आफ्नै GPU क्लस्टरमा कुनै अस्वीकृति तहविना सेवामा — 262K सन्दर्भ, टुल कलिङ, र उही वंशलाई आफ्नै सेवामा लाग्ने मूल्यको आधाभन्दा कम मिश्रित मूल्य।
संक्षेपमा
GLM-5.2-3BIT-REAP Shannon AI गेटवेमा हामीले पूर्वनिर्धारित रूपमा सिफारिस गर्ने मोडेल हो। यसले GLM वंशको 744 अर्ब प्यारामिटरको स्पार्स Mixture-of-Experts आधार चलाउँछ — GLM-4.5 देखि नै एजेन्टिक टुल प्रयोगका लागि स्पष्ट रूपमा तालिम दिइएको — जसलाई 3-बिट वेट र REAP विशेषज्ञ प्रुनिङले सङ्कुचित गरिएको छ ताकि यो अटोस् र छिटो रहोस्। तपाईंले 262,144-टोकनको सन्दर्भ, 16,384 टोकनको आउटपुट, टुल कलिङ, समायोज्य reasoning_effort सहितको तर्क, र JSON Schema संरचित आउटपुट पाउनुहुन्छ, प्रति दस लाख टोकन $0.73 / $2.34 मा। यहाँ कुनै अस्वीकृति तह र कुनै आउटपुट फिल्टर छैन। पाठ-मात्र — भिजन छैन।
"सबैभन्दा सस्तो मोडेल" का धेरैजसो तुलना बेइमान हुन्छन्, किनभने सस्तो विकल्प प्रायः ठूलो मोडेलको मार्केटिङ लगाएको सानो मोडेल हुन्छ। यहाँ भइरहेको कुरा त्यो होइन। GLM-5.2 अहिलेसम्म कसैले जारी गरेकामध्ये सबैभन्दा ठूला खुला-वेट आधारमध्ये एउटा हो, र $0.73 इन / $2.34 आउटमा यो हाम्रो क्याटलगको भुइँतलाभन्दा एक खुड्किलो माथि बस्छ, जबकि त्यो भुइँतलाले सामान्यतया किन्ने आधारभन्दा कैयौं गुणा ठूलो आधार बोक्छ। त्यही खाडल — ठूलो मोडेल, भुइँतलाकै हाराहारीको मूल्य — यो पृष्ठ हुनुको कारण हो।
01GLM कहाँबाट आयो: Tsinghua, ब्ल्याङ्क इनफिलिङ, र एजेन्टतर्फको कडा मोड
GLM पुनः नामकरण गरिएको Llama व्युत्पन्न होइन। यो आफ्नै पूर्व-तालिम उद्देश्य भएका थोरै मोडेल परिवारमध्ये एउटा हो, जसलाई उही अनुसन्धान समूहले पाँच वर्षसम्म दोहोर्याइरह्यो। नामको अर्थ हो General Language Model, र संस्थापक लेख — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — ले BERT को मास्क गरिएको भाषा मोडलिङ र GPT को कडा बायाँ-देखि-दायाँ अटोरिग्रेसनको छेउमा तेस्रो विकल्प प्रस्ताव गर्यो। GLM ले लगातारका खण्डहरू खाली गर्छ र तिनलाई फेटिएको क्रममा अटोरिग्रेसिभ रूपमा पुनर्निर्माण गर्छ, र दुई-आयामिक स्थानीय एन्कोडिङले टोकनको बिग्रिएको कागजातभित्रको स्थान र भरिँदै गरेको खण्डभित्रको स्थान दुवै पछ्याउँछ: एउटै वास्तुकलाले बुझाइ र निर्माण दुवै समान रूपमा राम्ररी सम्हाल्छ।
यसपछाडिको समूह Tsinghua University को Knowledge Engineering Group थियो, जसबाट अहिले Z.ai (पहिले Zhipu AI) भनिने कम्पनी निस्कियो। यसको पहिलो चर्चित उत्पादन अक्टोबर 2022 को GLM-130B थियो — 130 अर्ब प्यारामिटरको द्विभाषिक अङ्ग्रेजी/चिनियाँ सघन मोडेल, जसका वेट र कोड प्रकाशनकै बेला सार्वजनिक रूपमा जारी गरिए। त्यसयता खुला रिलिज नै घरेलु शैली रहँदै आएको छ।
MoE युग, र एजेन्टतर्फको मोड
कुनै एउटा रिलिजभन्दा मुख्य धार बढी महत्त्वपूर्ण छ। GLM-4.5 यता हरेक संस्करण उही कुराका लागि अनुकूलित गरिएको छ: दर्जनौं टुल कलभरि सुसंगत रहनु। त्यो एकल-टर्नको बेन्चमार्क अङ्क अधिकतम बनाउनुभन्दा फरक उद्देश्य हो, र यो कम बिग्रिएका टुल आर्गुमेन्ट, लामो योजनामा कम बहाव, र एजेन्ट फ्रेमवर्कलाई महँगो बनाउने "14 औं टर्नमा आत्मविश्वासका साथ काम फेरि सुरु गर्ने" व्यवहार कम हुनुमा देखिन्छ।
02GLM-5.2 के हो, र यसलाई कतिमा नापियो
Z.ai ले GLM-5 रिपोजिटरीमा GLM-5.2 का बेन्चमार्क आँकडा प्रकाशित गर्छ। दुईवटा सामान्य ज्ञानको सम्झनाभन्दा साँचो एजेन्टिक काममा मिल्छन्:
Terminal-Bench 2.1 — लामो-क्षितिजका कमाण्ड-लाइन एजेन्ट कार्य। Z.ai ले प्रतिवेदन गरेको।
SWE-bench Pro — साँचो रिपोजिटरीको इस्यु समाधान। Z.ai ले प्रतिवेदन गरेको; उही परीक्षणमा GLM-5.1 ले 58.4 अङ्क पायो।
ती प्रयोगशालाका आँकडा हुन्, हाम्रा होइनन्, र तिनले असङ्कुचित आधारको वर्णन गर्छन्। तिनले तपाईं कुन श्रेणीको मोडेलसँग काम गर्दै हुनुहुन्छ भन्ने स्थापित गर्छन्, कुनै वारेन्टी होइन।
एउटा तथ्याङ्क बेन्चमार्कभन्दा बढी मूल्यवान् छ, किनभने त्यो मोडेललाई फुर्क्याउने कुनै स्वार्थ नभएको मूल्याङ्कनकर्ताबाट आएको हो। जुलाई 2026 मा अमेरिकी National Institute of Standards and Technology को Center for AI Standards and Innovation ले GLM-5.2 को मूल्याङ्कन गर्यो र यो जारी हुँदाका बखत उपलब्ध सबैभन्दा सक्षम खुला-वेट AI मोडेल हुन सक्ने निष्कर्ष निकाल्यो, जसको समग्र क्षमता GPT-5.2 सँग र साइबर क्षमता Claude Opus 4.6 सँग तुलनायोग्य छ। उही मूल्याङ्कनले GLM-5.2 ले अमेरिकी सन्दर्भ मोडेलहरूभन्दा कम संवेदनशील अनुरोध रोक्छ, र खुला वेटमा पकाइएका सुरक्षा उपाय ती वेट आफैं होस्ट गरिएपछि उछिन्न सकिन्छन् भनी पनि देख्यो। खण्ड 05 त्यहीँ फर्कन्छ।
03"3BIT-REAP" को अर्थ, र यसले तपाईंलाई पार्ने मूल्य
REAP: विशेषज्ञ मिलाउनुको साटो हटाउने
744B प्यारामिटरको MoE मोडेलमा प्रति तह 256 विशेषज्ञ हुन्छन्, जसमध्ये कुनै पनि टोकनमा 8 वटा सक्रिय हुन्छन्। राउटरले काम समान रूपमा बाँड्दैन — केही विशेषज्ञ निरन्तर छानिन्छन्, र एउटा लामो पुच्छर विरलै छानिन्छ र छानिँदा पनि थोरै योगदान गर्छ। Cerebras Research बाट आएको र ICLR 2026 मा स्वीकृत REAP (Router-weighted Expert Activation Pruning) ले त्यसकै फाइदा उठाउँछ: यसले हरेक विशेषज्ञलाई राउटरले त्यसलाई कति बलियोसँग र कति पटक गेट गर्छ भन्ने कुरालाई त्यसको आउटपुट योगदानको परिमाण सँग जोडेको साल्येन्सी मापदण्डबाट अङ्क दिन्छ, अनि कम अङ्क पाउनेलाई सधैंका लागि हटाउँछ।
रोचक भाग REAP ले जित्ने तुलना हो। विशेषज्ञ हटाउनुको स्पष्ट विकल्प भनेको त्यसलाई बाँच्ने विशेषज्ञमा मिलाउनु हो, जुन सुन्दा बढी सुरक्षित लाग्छ। 20B देखि 1T प्यारामिटरसम्मका MoE मोडेलहरूमा लेखको निष्कर्ष यो हो कि जेनेरेटिभ कामका लागि मिलाउनु वास्तवमा खराब छ, र प्रुनिङ उल्लेखनीय रूपमा टिक्छ: Qwen3-Coder-480B र Kimi-K2 सहितका आधारमा आधा विशेषज्ञ हटाइसकेपछि पनि कोड जेनेरेसन र टुल-कलिङ बेन्चमार्कमा लगभग नोक्सानरहित। कोड र टुल कलिङ जस्ताको तस्तै बाँच्नु भनेको ठ्याक्कै त्यही कुरा हो जुन एजेन्टिक इन्जिनियरिङ नै अस्तित्वको कारण भएको मोडेलमा तपाईं जोगिएको चाहनुहुन्छ।
3-बिट वेट, र इमानदार अदलाबदली
प्रुनिङमाथि, बाँच्ने वेटहरू 3 बिटमा भण्डारण गरिन्छन् — हाम्रो क्याटलगका अन्यत्रका W4A16-AUTOROUND-REAP र W8A16 तहभन्दा बढी आक्रामक, र सबैभन्दा ठूला आधारका लागि मात्र सुरक्षित राखिएको, जहाँ पौने-एक-ट्रिलियन प्यारामिटरको मोडेललाई सर्भिङ नोडमा राख्ने र टोकन प्रयोगयोग्य गतिमा बगिरहने बनाउने अरू उपाय नै छैन।
सङ्कुचन निःशुल्क होइन। सही मानसिक ढाँचा: प्रुनिङ र क्वान्टाइजेसनले पहिले लामो पुच्छरलाई बिगार्छ। बाक्लो, बारम्बार प्रयोग हुने व्यवहार — निर्देशन पालना, कोड संरचना, टुल-कल ढाँचा, बहु-चरण योजना — राम्ररी बाँच्छन्, र REAP का नतिजाले ठ्याक्कै त्यही देखाउँछन्। अस्पष्ट तथ्यको सम्झना, विरल भाषा र सानो क्षेत्रका सामान्य ज्ञान चाहिँ असङ्कुचित GLM-5.2 सँगको फरक तपाईंले अपेक्षा गर्नुपर्ने ठाउँ हुन्। तपाईंको कार्यभार "कुनै असामान्य तथ्य पक्कासँग जान्नु" हो भने उच्च-निष्ठाको तहका लागि तिर्नुहोस्। यो "चालीस टुल कलभरि योजना बरालिनविना चलाउनु" हो भने, यो विधि नै त्यही तहका लागि डिजाइन गरिएको हो।
04मूल्यको तर्क: सस्तो सेन्सर नगरिएको LLM API चलाउन साँच्चै कति पर्छ
GLM-5.2 का लागि Z.ai ले आफैं प्रकाशित गरेको API सूची मूल्य प्रति दस लाख इनपुट टोकन $1.40 र प्रति दस लाख आउटपुट $4.40 छ। उही आधारमा हाम्रो मूल्य $0.73 / $2.34 हो — इनपुटमा करिब 48% कम र आउटपुटमा 47% कम। त्यो छुट सङ्कुचनले किन्ने कुरा हो, र यसका साथमा आउने दोस्रो कुरा तपाईंले आफ्नै सेवाबाट कुनै पनि मूल्यमा किन्न सक्नुहुन्न: कुनै अस्वीकृति तह छैन।
हाम्रै क्याटलगभित्र, महत्त्व राख्ने अङ्क मिश्रित लागत हो। यहाँ त्यो 3:1 इनपुट-देखि-आउटपुट अनुपातमा छ, जुन व्यवहारमा टुल-कलिङ एजेन्ट देखिने तरिका हो — धेरै सन्दर्भ र टुल नतिजा भित्र जाने, तुलनात्मक रूपमा थोरै टोकन बाहिर आउने।
| मोडेल | इन / 1M | आउट / 1M | मिश्रित 3:1 | भिजन |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | छैन |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | छैन |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | छ |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | छैन |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | छ |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | छ |
छ वटा मोडेल $0.50 / $2.00 को भुइँतलामा बस्छन् — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro र Hy3 — अर्थात् $0.875 को मिश्रित दर। GLM-5.2 त्यो भुइँतलाभन्दा 29% माथि छ र यसले तपाईंलाई पछाडि एजेन्टिक व्यवहारमा दिगो लगानी भएको 744B-श्रेणीको आधार किनिदिन्छ। यसभन्दा माथि मूल्य पर्ने सबै कुराको मिश्रित लागत कम्तीमा 23% बढी छ, र Kimi-K3 को 6.8× बढी। एउटै पङ्क्तिमा मूल्यको तर्क त्यही हो: क्याटलगमा उच्च-तहको एजेन्टिक आधार किन्न सबैभन्दा सस्तो ठाउँ।
कामका रूपमा रूपान्तरित
- एक पटक पूरै सन्दर्भ भर्दा — 262,144 इनपुट टोकन: $0.19। पूरै ठूलो रिपोजिटरी बीस सेन्टभन्दा कममा विन्डोमा पढिन्छ।
- अधिकतम लम्बाइको एउटा पूर्णता — 16,384 आउटपुट टोकन: $0.038।
- एउटा एजेन्ट टर्न — 20K भित्र, 2K बाहिर: $0.019। उही टर्नको मूल्य Kimi-K3 मा $0.115 र DeepSeek-V4-Pro मा $0.047 पर्छ।
- एक सय एजेन्ट टर्न: $1.93, जबकि क्याटलगको सबैभन्दा महँगो मोडेलमा $11.48।
एजेन्टिक कार्यभार इनपुट-भारी हुन्छन्, र GLM को फाइदा ठ्याक्कै त्यहीँ सबैभन्दा ठूलो छ: यसको इनपुट मूल्य Kimi-K3 भन्दा 5.2× र DeepSeek-V4-Pro भन्दा 2.7× कम छ। तपाईंको एजेन्टले हरेक टर्नमा बढ्दो कुराकानी पुनः पठाउँछ भने — र लगभग हरेक एजेन्टले पठाउँछ — तपाईंको बिलमा पर्ने कुरा त्यही गुणक हो।
05यो एन्डपोइन्टमा "सेन्सर नगरिएको" को अर्थ
ठ्याक्कै दुई कुरा: कुनै अस्वीकृति तह छैन — मोडेलले कुन अनुरोध देख्न पाउने हो भनी निर्णय गर्ने कुनै क्लासिफायर छैन, र तपाईंको प्रम्प्ट आइपुग्नुअघि त्यसलाई पुनर्लेखन गर्ने कुनै नीति मोडेल छैन — र कुनै आउटपुट फिल्टरिङ छैन, अर्थात् मोडेलले उत्पादन गर्ने टोकनहरू नै तपाईंले पाउने टोकन हुन्, नकाटिएका र नसाटिएका।
यो "रिल्याक्स्ड" वा "डेभलपर" मोडको विज्ञापन गर्ने व्यावसायिक API भन्दा फरक प्रस्ताव हो। तिनले अझै पनि ट्राफिक विक्रेताको नीति स्ट्याकबाटै पठाउँछन्; फेरिने कुरा थ्रेसहोल्ड हो, गेटको अस्तित्व होइन। यहाँ मिलाउनुपर्ने गेट नै छैन — मोडेल हाम्रो आफ्नै GPU क्लस्टरमा चल्छ, र यसको व्यवहार आधारकै व्यवहार हो। खण्ड 02 को NIST CAISI निष्कर्षलाई चेतावनी होइन प्राविधिक कथनका रूपमा पढ्नुहोस्, र त्यसले उत्पादन नै व्याख्या गर्छ: जुन मोडेलको अलाइनमेन्ट त्यसकै वेटमा बस्छ, बाह्य नीति तहविना सेवा दिइँदा त्यो आफ्नै वेटअनुसार व्यवहार गर्छ।
यो विशेष गरी एजेन्टका लागि किन महत्त्वपूर्ण छ
अस्वीकृतिबारे प्रायः सामग्रीको प्रश्नका रूपमा छलफल हुन्छ। एजेन्टिक काममा यो प्रायः भरपर्दोपन को प्रश्न हो। 40 टर्नको रनको 31 औं टर्नमा आउने अस्वीकृति भनेको तपाईंले पढेर अघि बढ्ने भद्र इन्कार होइन — त्यो बिग्रिएको चरण हो, कसरी अघि बढ्ने थाहा नभएको अर्केस्ट्रेटर हो, भाँचिएको योजना हो, र देखाउन केही नभई खर्चिएका 30 टर्न हुन्। सुरक्षा अनुसन्धान, म्यालवेयर विश्लेषण, पेनिट्रेसन परीक्षण, रेड-टिमिङ, वयस्क कथासाहित्य, चिकित्सकीय र कानुनी मस्यौदा, र सुरक्षा तालिमका लागि डेटासेट निर्माण — यी सबैले निरन्तर यही ठोक्किन्छन्, र यो असफलता महँगो हुनुको कारण नै यो ढिलो आइपुग्नु हो।
अर्को पक्ष यो हो कि नीति तह अब तपाईंको हो। Shannon AI गेटवेको प्रयोग हाम्रो जिम्मेवार प्रयोग नीति ले निर्देशित गर्छ; लुपबाट विक्रेताको निर्णय हटाउनुको अर्थ आफ्नै निर्णय राख्नु हो।
06एन्डपोइन्टले साँच्चै दिने कुरा
| क्षमता | GLM-5.2 · 3BIT-REAP |
|---|---|
| मोडेल आइडी | GLM-5.2-3BIT-REAP |
| सन्दर्भ विन्डो | 262,144 टोकन |
| प्रति अनुरोध अधिकतम आउटपुट | 16,384 टोकन |
| स्ट्रिमिङ | छ |
| टुल कलिङ | छ |
तर्क / reasoning_effort | छ |
JSON Schema (json_schema) | छ |
response_format | छ |
| भिजन / तस्बिर इनपुट | छैन — पाठ मात्र |
| अस्वीकृति तह / आउटपुट फिल्टरिङ | कुनै छैन |
केही बनाउनुअघि भिजनको पङ्क्ति ध्यानसँग पढ्नुहोस्। हाम्रो गेटवेमा GLM-5.2 पाठ-मात्र हो। तपाईंलाई तस्बिर इनपुट चाहिन्छ भने क्याटलगमा पाँच वटा भिजन-सक्षम विकल्प छन् — $0.50 / $2.00 भुइँतलामा MiniMax-M3 र MiMo-V2.5, $0.78 / $3.67 मा Kimi-K2.6, $1.42 / $6.07 मा inkling, र $3.83 / $19.12 मा Kimi-K3। समझदार ढाँचा भनेको तस्बिर बुझाइ MiniMax-M3 तिर र बाँकी सबै GLM-5.2 तिर पठाउनु हो, जसका लागि मोडेल स्ट्रिङबाहेक अरू केही लाग्दैन।
तीन डायलेक्ट, एउटै मोडेल
उही मोडेलमा तीन अनुरोध ढाँचामार्फत पुग्न सकिन्छ, सबै स्ट्रिमिङसहित: /v1/chat/completions (OpenAI डायलेक्ट), /v1/messages (Anthropic डायलेक्ट), र /v1/responses। तिनका बीच मोडेलको केही पनि फेरिँदैन — तपाईंको SDK ले पहिले नै बोल्ने जुनसुकै छान्नुहोस्, र तपाईं प्रायः एउटा बेस-URL परिवर्तनको दूरीमा चल्न तयार हुनुहुन्छ।
# 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, )
तीनै डायलेक्टका पूरा अनुरोध र प्रतिक्रिया स्किमा, टुल-कलिङ ढाँचा, स्ट्रिमिङ इभेन्टका बनोट, र अन्तरक्रियात्मक प्लेग्राउन्ड Shannon AI API कागजात मा छन्।
07GLM-5.2 कहिले छान्ने — र कहिले नछान्ने
यसतर्फ पुग्नुहोस् जब
- तपाईं एजेन्ट चलाउँदै हुनुहुन्छ। लामा टुल-कलिङ लुपकै लागि यो वंश बनाइएको र पटक-पटक पोस्ट-ट्रेन गरिएको हो, र इनपुट मूल्यले बढ्दो कुराकानी हरेक टर्ममा पुनः पठाउन सस्तो बनाइदिन्छ।
- तपाईं ठूलो कोडबेसभरि काम गर्दै हुनुहुन्छ। 262K सन्दर्भ, भरपर्दो टुल-कल ढाँचा, र पूरै विन्डो पढ्न $0.19।
- परिमाण नै तपाईंको बन्धन हो। वर्गीकरण, निकासी, कृत्रिम डेटा निर्माण, थोक पुनर्लेखन — जहाँ प्रति-कल लागत गुणा ठूलो सङ्ख्याले परियोजना सम्भव छ कि छैन भन्ने निर्णय गर्छ।
- अस्वीकृतिले तपाईंको पाइपलाइन भाँचिरहेको छ। सुरक्षा अनुसन्धान, प्रतिकूल परीक्षण, सेन्सर नगरिएको कथासाहित्य, संवेदनशील मस्यौदा — त्यो असफलता ढाँचा यहाँ छैन।
अरू कुरातर्फ पुग्नुहोस् जब
- तपाईंलाई भिजन चाहिन्छ। पाठ मात्र। माथिका भिजन-सक्षम विकल्प हेर्नुहोस्।
- तपाईंलाई सबैभन्दा गहिरो एकल-टर्न तर्क चाहिन्छ। सबैभन्दा गाह्रा एक-पटके विश्लेषणात्मक समस्याका लागि, DeepSeek-V4-Pro-0813 · 3BIT-REAP मिश्रित लागतको 2.2× मा भारी उपकरण हो — जहाँ उचाइ नै बन्धन हो, त्यस्ता कलमा त्यो नै सही अदलाबदली हो।
- तपाईंलाई अस्पष्ट ज्ञानमा अधिकतम निष्ठा चाहिन्छ।
W8A16तह — MiMo-V2.5-Pro र Hy3 — निकै कम आक्रामक रूपमा सङ्कुचित छ र $0.50 / $2.00 भुइँतलामै बस्छ, साना आधारमा।
यस पृष्ठको हरेक आधारसम्बन्धी आँकडा हामीबाहेक अरू कसैले प्रकाशित गरेको हो। मूल्य र क्षमताका आँकडा हाम्रै प्रत्यक्ष क्याटलग मान हुन्, जुन तपाईंकै कुञ्जीमा /v1/models सँग जाँच्न सकिन्छ। प्राथमिक स्रोत आफैं जाँच्नुहोस्।
GLM-5.2 का बेन्चमार्क आँकडा (Terminal-Bench 2.1, SWE-bench Pro) असङ्कुचित आधारका लागि Z.ai ले प्रतिवेदन गरेका हुन्; स्वतन्त्र पुनरावृत्ति बाँकी छ। Claude Opus 4.8 र GPT-5.5 का आँकडा सन्दर्भका लागि मात्र देखाइएका हुन्। Z.ai ले सेप्टेम्बर 2026 मा प्रकाशित गरेअनुसारको आफ्नै GLM-5.2 API सूची मूल्य।
08बारम्बार सोधिने प्रश्न
Shannon AI मा सेन्सर नगरिएको GLM API भनेको के हो?
यो Shannon AI गेटवेको मोडेल आइडी GLM-5.2-3BIT-REAP हो: Z.ai को GLM-5.2 एजेन्टिक आधारको सङ्कुचित बिल्ड, हाम्रो आफ्नै GPU क्लस्टरमा कुनै अस्वीकृति तह र कुनै आउटपुट फिल्टरिङविना सेवा दिइएको। यसको मूल्य प्रति दस लाख इनपुट टोकन $0.73 र प्रति दस लाख आउटपुट टोकन $2.34 पर्छ, यसले 262,144-टोकनको सन्दर्भ विन्डो बोक्छ, र यो /v1/chat/completions, /v1/messages र /v1/responses मा पुग्न सकिन्छ।
क्याटलगका अन्य ठूला मोडेलभन्दा सेन्सर नगरिएको GLM 5.2 किन सस्तो छ?
यसलाई कसरी सङ्कुचित गरिएको छ त्यसैले। 3BIT-REAP ले 3-बिट वेटलाई REAP सँग जोड्छ — Mixture-of-Experts मोडेलका लागि विशेषज्ञ प्रुनिङ गर्ने विधि, जसले क्वान्टाइज गर्नुअघि विरलै राउट हुने विशेषज्ञ हटाउँछ। प्रति टोकन करिब 40B सक्रिय प्यारामिटर भएको स्पार्स MoE आधारलाई यसरी प्रुन र क्वान्टाइज गर्दा, बराबर गुणस्तरको सघन मोडेलभन्दा यसले धेरै कम मेमोरी र प्रति टोकन धेरै कम GPU-सेकेन्ड ओगट्छ, र मूल्यले त्यही झल्काउँछ।
अस्वीकार नगर्ने GLM भनेको मोडेलमा कुनै पनि सुरक्षा घेरा छैन भन्ने हो?
यसको अर्थ Shannon ले कुनै थप्दैन भन्ने हो। मोडेलको अगाडि कुनै अस्वीकृति क्लासिफायर छैन र त्यसबाट निस्कने टोकनमा कुनै फिल्टर छैन। आधारले आफ्नै तालिमले दिएका जुनसुकै प्रवृत्ति कायम राख्छ, तर बाहिरबाट कुनै कुराले तिनलाई उल्ट्याउँदैन। नीति तह तपाईंको हो, र प्रयोग Shannon AI जिम्मेवार प्रयोग नीति अन्तर्गत पर्छ।
के GLM-5.2 3BIT-REAP ले भिजन वा तस्बिर इनपुट समर्थन गर्छ?
गर्दैन। यो मोडेल पाठ-मात्र हो। सेन्सर नगरिएको एन्डपोइन्टमा तस्बिर इनपुट चाहिन्छ भने क्याटलगका भिजन-सक्षम मोडेलमध्ये एउटा प्रयोग गर्नुहोस्, जस्तै MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 वा inkling। GLM-5.2 ले संरचित आउटपुट — json_schema र response_format दुवै — र टुल कलिङ भने समर्थन गर्छ।
सन्दर्भ विन्डो र अधिकतम आउटपुट लम्बाइ कति हो?
प्रति अनुरोध 262,144 टोकनको सन्दर्भ र 16,384 टोकनको आउटपुट। प्रति दस लाख इनपुट टोकन $0.73 का दरले पूरै सन्दर्भ विन्डो एक पटक भर्दा करिब 19 सेन्ट पर्छ, र अधिकतम लम्बाइको एउटा पूर्णताको मूल्य 4 सेन्टभन्दा कम पर्छ।
लामा टुल-कलिङ लुपका लागि के यो राम्रो एजेन्टिक सेन्सर नगरिएको मोडेल हो?
हामी पहिले पुग्ने मोडेल यही हो। GLM वंशलाई GLM-4.5 देखि नै एजेन्टिक कामका लागि स्पष्ट रूपमा तालिम दिइएको छ, टुल कलिङ र reasoning_effort दुवै समर्थित छन्, र मूल्यका कारण एक सय वटा बीस-हजार-टोकनका एजेन्ट टर्नको लागत एघारको साटो करिब दुई डलर पर्छ। एजेन्ट लुपमा अस्वीकृति पनि साँचो असफलता ढाँचा हो, र यहाँ त्यो सुरु गराउने कुनै अस्वीकृति तह छैन।
सेन्सर नगरिएको GLM API प्रयोग गरी हेर्नुहोस्
$0.73 इन · $2.34 आउट · 262K सन्दर्भ · कुनै अस्वीकृति तह छैन।
API कागजात पढ्नुहोस् सबै मोडेल हेर्नुहोस्Shannon Lab LLC, न्यू मेक्सिको, USA · प्रयोग जिम्मेवार प्रयोग नीतिद्वारा निर्देशित
स्रोतहरू: Z.ai GLM-5 रिपोजिटरी · 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, जुलाई 2026। आधारका बेन्चमार्क अङ्क प्रयोगशालाले प्रतिवेदन गरेका र अस्थायी हुन्; तिनले असङ्कुचित GLM-5.2 को वर्णन गर्छन्, यो सङ्कुचित बिल्डको होइन। मूल्य, सन्दर्भ र क्षमताका आँकडा सेप्टेम्बर 5, 2026 सम्मका Shannon AI क्याटलग मान हुन्।