Usensurert GLM-API: beste pris per token

De fleste sammenligninger av «billigste modell» er uærlige, fordi det billige alternativet som regel er en liten modell kledd i en stor modells markedsføring. Det er ikke det som skjer her. GLM-5.2 er en av de største grunnmodellene med åpne vekter noen har gitt ut, og til $0.73 inn / $2.34 ut ligger den ett hakk over gulvet i katalogen vår, samtidig som den bærer en grunnmodell flere ganger større enn det gulvet vanligvis kjøper. Det gapet — stor modell, pris nær gulvet — er grunnen til at denne siden finnes.

01Hvor GLM kommer fra: Tsinghua, blank infilling, og en hard vending mot agenter

GLM er ikke en ommerket Llama-avlegger. Det er en av de få modellfamiliene med sitt eget førtreningsmål, videreutviklet i fem år av den samme forskningsgruppen. Navnet står for General Language Model, og grunnleggingsartikkelen — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — foreslo et tredje alternativ ved siden av BERTs maskerte språkmodellering og GPTs strengt venstre-til-høyre-autoregresjon. GLM blanker ut sammenhengende spenn og regenererer dem autoregressivt i stokket rekkefølge, med todimensjonale posisjonskodinger som sporer både et tokens plass i det ødelagte dokumentet og plassen inne i spennet som fylles: én arkitektur som håndterer både forståelse og generering like godt.

Gruppen bak var Knowledge Engineering Group ved Tsinghua-universitetet, som skilte ut selskapet som nå heter Z.ai (tidligere Zhipu AI). Det første virkelig oppsiktsvekkende resultatet var GLM-130B i oktober 2022 — en tospråklig, tett engelsk/kinesisk modell på 130 milliarder parametere, med vekter og kode gjort offentlig samtidig med publiseringen. Åpen utgivelse har vært husstilen siden.

MoE-æraen, og dreiningen mot agenter

Den røde tråden betyr mer enn noen enkeltutgivelse. Siden GLM-4.5 har hver versjon vært optimalisert for det samme: å holde seg sammenhengende gjennom dusinvis av verktøykall. Det er et annet mål enn å maksimere benchmark-skårer i én runde, og det viser seg som færre feilformede verktøyargumenter, mindre drift i en lang plan, og mindre av den «starter oppgaven selvsikkert på nytt i runde 14»-atferden som gjør agentrammeverk dyre.

02Hva GLM-5.2 er, og hva den er målt til

Z.ai publiserer benchmark-tall for GLM-5.2 i GLM-5-repoet. To av dem treffer faktisk agentarbeid snarere enn faktahukommelse:

Terminal-Bench 2.1 — agentoppgaver på kommandolinjen over lang horisont. Rapportert av Z.ai.

SWE-bench Pro — løsning av faktiske issues i ekte kodebaser. Rapportert av Z.ai; GLM-5.1 skåret 58,4 på samme test.

Dette er labbens tall, ikke våre, og de beskriver den ukomprimerte grunnmodellen. De fastslår hvilken klasse modell du har med å gjøre, ikke en garanti.

Ett datapunkt er verdt mer enn en benchmark, fordi det kommer fra en evaluator uten insentiv til å smigre modellen. I juli 2026 vurderte Center for AI Standards and Innovation ved det amerikanske National Institute of Standards and Technology GLM-5.2 og konkluderte med at den trolig var den mest kapable AI-modellen med åpne vekter som var tilgjengelig da den ble utgitt, med samlede evner på nivå med GPT-5.2 og cyberevner på nivå med Claude Opus 4.6. Den samme vurderingen bemerket at GLM-5.2 blokkerer færre sensitive forespørsler enn amerikanske referansemodeller, og at sperrer bakt inn i åpne vekter kan omgås når vektene først kjøres i egen regi. Avsnitt 05 kommer tilbake til det.

03Hva «3BIT-REAP» betyr, og hva det koster deg

REAP: å beskjære eksperter i stedet for å slå dem sammen

En MoE-modell på 744 mrd. parametere har 256 eksperter per lag, hvorav 8 fyrer av på et gitt token. Ruteren fordeler ikke arbeidet jevnt — noen eksperter treffes hele tiden, mens en lang hale treffes sjelden og bidrar lite når de gjør det. REAP (Router-weighted Expert Activation Pruning), fra Cerebras Research og antatt til ICLR 2026, utnytter dette: den scorer hver ekspert etter et fremtredelseskriterium som kombinerer hvor sterkt og hvor ofte ruteren slipper den til med størrelsen på bidraget dens, og fjerner så de lavest scorende permanent.

Det interessante er sammenligningen REAP vinner. Det åpenbare alternativet til å fjerne en ekspert er å slå den sammen med en overlevende, noe som høres tryggere ut. Artikkelens funn på tvers av MoE-modeller fra 20 mrd. til 1 bill. parametere er at sammenslåing faktisk er verre for generativt arbeid, og at beskjæring holder seg bemerkelsesverdig godt: nesten tapsfritt på benchmarks for kodegenerering og verktøykall selv etter at halvparten av ekspertene er fjernet, på grunnmodeller som Qwen3-Coder-480B og Kimi-K2. At kode og verktøykall overlever intakt er nøyaktig det du vil ha bevart på en modell hvis eksistensberettigelse er agentisk utvikling.

3-bits vekter, og den ærlige avveiingen

Oppå beskjæringen lagres de overlevende vektene med 3 bit — mer aggressivt enn nivåene W4A16-AUTOROUND-REAP og W8A16 ellers i katalogen vår, og forbeholdt de største grunnmodellene, der det ikke finnes noen annen måte å få en modell på tre kvart billion parametere inn på en servernode og samtidig holde tokenstrømmen på en brukbar hastighet.

Komprimering er ikke gratis. Riktig mental modell: beskjæring og kvantisering forringer den lange halen først. Tette, ofte brukte atferder — instruksjonsfølging, kodestruktur, formatering av verktøykall, flerstegsplanlegging — overlever godt, som er nøyaktig det REAP-resultatene viser. Obskur faktahukommelse, sjeldne språk og smale fagdetaljer er der du bør forvente en forskjell mot en ukomprimert GLM-5.2. Er arbeidsmengden din «kunne et uvanlig faktum på rams», så betal for et nivå med høyere troskap. Er den «kjøre en plan gjennom førti verktøykall uten å spore av», er dette nivået metoden ble laget for.

04Verdiregnestykket: hva et billig usensurert LLM-API faktisk koster å drifte

Z.ais egen publiserte listepris for GLM-5.2 er $1.40 per million inn-tokens og $4.40 per million ut. Prisen vår på den samme grunnmodellen er $0.73 / $2.34 — omtrent 48 % lavere på inndata og 47 % lavere på utdata. Den rabatten er det komprimeringen kjøper, og den kommer med noe til som du ikke kan kjøpe hos førsteparten til noen pris: ingen avvisningslag.

Innenfor vår egen katalog er blandet kostnad tallet som betyr noe. Her er den med et forhold på 3:1 mellom inn og ut, omtrent slik en verktøykallende agent ser ut i praksis — mye kontekst og verktøyresultater inn, forholdsvis få tokens ut.

Modell	Inn / 1M	Ut / 1M	Blandet 3:1	Syn
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Nei
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Nei
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Ja
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Nei
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Ja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Ja

Seks modeller ligger på gulvet $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro og Hy3 — en blandet sats på $0.875. GLM-5.2 ligger 29 % over det gulvet og kjøper deg en grunnmodell i 744B-klassen med en vedvarende investering i agentatferd bak seg. Alt som er priset over den koster minst 23 % mer blandet, og Kimi-K3 koster 6,8× mer. Det er verdiargumentet i én rad: det billigste stedet i katalogen å kjøpe en agentisk grunnmodell i toppsjiktet.

Omregnet til arbeid

• Én full kontekstfylling — 262,144 inn-tokens: $0.19. Et helt stort kodelager lest inn i vinduet for under tjue cent.
• Én fullføring på maksimal lengde — 16,384 ut-tokens: $0.038.
• Én agentrunde — 20K inn, 2K ut: $0.019. Den samme runden koster $0.115 på Kimi-K3 og $0.047 på DeepSeek-V4-Pro.
• Hundre agentrunder: $1.93, mot $11.48 på den dyreste modellen i katalogen.

Agentiske arbeidsmengder er inndatatunge, og GLMs fortrinn er størst nettopp der: inn-prisen er 5,2× lavere enn Kimi-K3s og 2,7× lavere enn DeepSeek-V4-Pros. Hvis agenten din sender en voksende samtale på nytt hver runde — og det gjør nesten alle agenter — er det den multiplikatoren som havner på fakturaen din.

05Hva «usensurert» betyr på dette endepunktet

To ting, presist: ingen avvisningslag — ingen klassifiserer som avgjør hvilke forespørsler modellen får se, og ingen policymodell som skriver om prompten din før den kommer frem — og ingen filtrering av utdata, som vil si at tokenene modellen produserer er tokenene du mottar, usladdet og ubyttet.

Det er noe annet enn et kommersielt API som reklamerer med en «avslappet» eller «utvikler»-modus. De ruter fortsatt trafikken gjennom en leverandørs policystabel; det som endrer seg er terskelen, ikke at porten finnes. Her finnes det ingen port å justere — modellen kjører på vår egen GPU-klynge, og atferden dens er grunnmodellens atferd. Les NIST CAISI-funnet fra avsnitt 02 som en teknisk konstatering snarere enn en advarsel, så forklarer det produktet: en modell hvis justering bor i vektene, servert uten et eksternt policylag, oppfører seg i tråd med vektene sine.

Hvorfor dette betyr noe spesielt for agenter

Avvisninger diskuteres vanligvis som et innholdsspørsmål. I agentarbeid er de først og fremst et driftssikkerhetsspørsmål. En avvisning i runde 31 av en kjøring på 40 runder er ikke et høflig nei du leser og går videre fra — det er et feilformet steg, en orkestrator som ikke vet hvordan den skal gå videre, en ødelagt plan, og 30 runder med brukte tokens uten noe å vise til. Sikkerhetsforskning, skadevareanalyse, penetrasjonstesting, red teaming, voksenfiksjon, medisinsk og juridisk skrivearbeid, og datasettgenerering til sikkerhetstrening treffer dette hele tiden, og feilen er dyr nettopp fordi den kommer sent.

Baksiden er at policylaget nå er ditt. Bruk av Shannon AI Gateway reguleres av vår policy for ansvarlig bruk; å fjerne en leverandørs skjønn fra sløyfen betyr å levere ditt eget.

06Hva endepunktet faktisk gir deg

Egenskap	GLM-5.2 · 3BIT-REAP
Modell-ID	GLM-5.2-3BIT-REAP
Kontekstvindu	262,144 tokens
Maks utdata per forespørsel	16,384 tokens
Strømming	Ja
Verktøykall	Ja
Resonnering / reasoning_effort	Ja
JSON Schema (json_schema)	Ja
response_format	Ja
Syn / bilder som inndata	Nei — kun tekst
Avvisningslag / utdatafiltrering	Ingen

Les syn-raden nøye før du bygger. GLM-5.2 er kun tekst på gatewayen vår. Trenger du bilder som inndata, har katalogen fem alternativer som håndterer syn — MiniMax-M3 og MiMo-V2.5 på gulvet $0.50 / $2.00, Kimi-K2.6 til $0.78 / $3.67, inkling til $1.42 / $6.07, og Kimi-K3 til $3.83 / $19.12. Et fornuftig mønster er å rute bildeforståelse til MiniMax-M3 og alt annet til GLM-5.2, noe som ikke koster mer enn en modellstreng.

Tre dialekter, én modell

Den samme modellen nås gjennom tre forespørselsformater, alle med strømming: /v1/chat/completions (OpenAI-dialekten), /v1/messages (Anthropic-dialekten) og /v1/responses. Ingenting ved modellen endrer seg mellom dem — velg det SDK-et ditt allerede snakker, så er du som regel én base-URL-endring unna å kjøre.

# OpenAI-dialekten — pek den eksisterende klienten din mot gatewayen
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,                 # verktøykall støttes
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

Fullstendige forespørsels- og svarskjemaer for alle tre dialektene, formatet for verktøykall, formen på strømmehendelser og en interaktiv lekegrind finner du i API-dokumentasjonen til Shannon AI.

07Når du bør velge GLM-5.2 — og når ikke

Grip til den når

• Du kjører agenter. Lange verktøykall-løkker er nettopp det denne slekten er bygget og gjentatte ganger ettertrent for, og inn-prisen gjør det overkommelig å sende en voksende samtale på nytt hver runde.
• Du jobber på tvers av en stor kodebase. 262K kontekst, pålitelig formatering av verktøykall, og $0.19 for å lese hele vinduet.
• Volum er skranken din. Klassifisering, uttrekk, generering av syntetiske data, masseomskriving — alt der kostnad per kall ganget med et stort tall avgjør om prosjektet er liv laga.
• Avvisninger ødelegger pipelinen din. Sikkerhetsforskning, adversarisk testing, usensurert fiksjon, sensitivt skrivearbeid — den feilmodusen finnes ikke her.

Grip til noe annet når

• Du trenger syn. Kun tekst. Se alternativene med syn ovenfor.
• Du trenger den dypeste resonneringen i én runde. For de vanskeligste analytiske engangsproblemene er DeepSeek-V4-Pro-0813 · 3BIT-REAP det tyngre instrumentet til 2,2× den blandede kostnaden — på kall der taket er skranken, er det den riktige byttehandelen.
• Du trenger maksimal troskap på obskur kunnskap. W8A16-nivået — MiMo-V2.5-Pro og Hy3 — er komprimert langt mindre aggressivt og ligger på gulvet $0.50 / $2.00, på mindre grunnmodeller.

Benchmark-tallene for GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) er rapportert av Z.ai for den ukomprimerte grunnmodellen; uavhengig replikasjon gjenstår. Tallene for Claude Opus 4.8 og GPT-5.5 vises kun til sammenligning. Førsteparts listepris for GLM-5.2-API-et slik den er publisert av Z.ai, september 2026.

08Ofte stilte spørsmål

---

Kilder: Z.ais GLM-5-repo · 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-vurdering av Z.ais GLM-5.2, juli 2026. Benchmark-skårene for grunnmodellen er rapportert av labben og er foreløpige; de beskriver den ukomprimerte GLM-5.2, ikke denne komprimerte byggingen. Pris-, kontekst- og egenskapstall er Shannon AIs katalogverdier per 5. september 2026.