API GLM sem censura: o melhor custo por token
A fundação agêntica GLM da Z.ai, servida sem camada de recusa no nosso próprio cluster de GPUs — 262K de contexto, chamada de ferramentas e um preço combinado abaixo da metade do que a mesma linhagem custa na fonte.
Resumo
O GLM-5.2-3BIT-REAP é o modelo do Gateway da Shannon AI que recomendamos por padrão. Ele roda uma fundação Mixture-of-Experts esparsa de 744 bilhões de parâmetros da linhagem GLM — treinada explicitamente para uso agêntico de ferramentas desde o GLM-4.5 — comprimida com pesos de 3 bits e poda de especialistas REAP para caber e continuar rápida. Você tem 262,144 tokens de contexto, 16,384 tokens de saída, chamada de ferramentas, raciocínio com reasoning_effort ajustável e saída estruturada em JSON Schema, por $0.73 / $2.34 por milhão de tokens. Não há camada de recusa nem filtro de saída. Apenas texto — sem visão.
A maioria das comparações de "modelo mais barato" é desonesta, porque a opção barata costuma ser um modelo pequeno vestindo o marketing de um modelo grande. Não é o que acontece aqui. O GLM-5.2 é uma das maiores fundações de pesos abertos já lançadas, e a $0.73 de entrada / $2.34 de saída ele fica um degrau acima do piso do nosso catálogo carregando uma fundação várias vezes maior do que esse piso costuma comprar. Essa distância — modelo grande, preço quase de piso — é a razão desta página existir.
01De onde vem o GLM: Tsinghua, preenchimento de lacunas e uma virada dura rumo aos agentes
O GLM não é um derivado do Llama com outro nome. É uma das poucas famílias de modelos com objetivo de pré-treinamento próprio, iterado por cinco anos pelo mesmo grupo de pesquisa. O nome significa General Language Model, e o artigo fundador — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — propôs uma terceira opção ao lado da modelagem de linguagem mascarada do BERT e da autorregressão estritamente da esquerda para a direita do GPT. O GLM apaga trechos contíguos e os regenera de forma autorregressiva em ordem embaralhada, com codificações posicionais bidimensionais que rastreiam tanto a posição de um token no documento corrompido quanto a posição dele dentro do trecho que está sendo preenchido: uma única arquitetura lidando igualmente bem com compreensão e geração.
O grupo por trás disso era o Knowledge Engineering Group da Universidade Tsinghua, que deu origem à empresa hoje conhecida como Z.ai (antes Zhipu AI). O primeiro artefato de destaque foi o GLM-130B, em outubro de 2022 — um modelo denso bilíngue inglês/chinês de 130 bilhões de parâmetros, com pesos e código publicados na data da publicação. O lançamento aberto é o estilo da casa desde então.
A era MoE e a virada para agentes
O fio condutor importa mais do que qualquer lançamento isolado. Desde o GLM-4.5, cada versão foi otimizada para a mesma coisa: manter-se coerente ao longo de dezenas de chamadas de ferramenta. Esse é um objetivo diferente de maximizar pontuações de benchmark de turno único, e aparece como menos argumentos de ferramenta malformados, menos deriva num plano longo e menos daquele comportamento de "reinicia a tarefa com confiança no turno 14" que torna caros os frameworks de agente.
02O que é o GLM-5.2 e onde ele foi medido
A Z.ai publica números de benchmark do GLM-5.2 no repositório do GLM-5. Dois deles correspondem a trabalho agêntico real, e não a recall de curiosidades:
Terminal-Bench 2.1 — tarefas de agente de linha de comando de longo horizonte. Números relatados pela Z.ai.
SWE-bench Pro — resolução de issues em repositórios reais. Números relatados pela Z.ai; o GLM-5.1 marcou 58.4 no mesmo teste.
Esses são os números do laboratório, não os nossos, e descrevem a fundação não comprimida. Eles estabelecem a classe de modelo com que você está lidando, não uma garantia.
Um dado vale mais do que um benchmark, porque vem de um avaliador sem incentivo para bajular o modelo. Em julho de 2026, o Center for AI Standards and Innovation do National Institute of Standards and Technology dos EUA avaliou o GLM-5.2 e concluiu que ele era provavelmente o modelo de IA de pesos abertos mais capaz disponível quando foi lançado, com capacidades gerais comparáveis às do GPT-5.2 e capacidades de segurança cibernética comparáveis às do Claude Opus 4.6. A mesma avaliação observou que o GLM-5.2 bloqueia menos pedidos sensíveis do que os modelos de referência dos EUA, e que as salvaguardas embutidas em pesos abertos podem ser contornadas assim que esses pesos são auto-hospedados. A seção 05 volta a esse ponto.
03O que significa "3BIT-REAP" e o que isso custa a você
REAP: podar especialistas em vez de fundi-los
Um modelo MoE de 744B de parâmetros tem 256 especialistas por camada, dos quais 8 disparam em cada token. O roteador não distribui o trabalho uniformemente — alguns especialistas são acionados o tempo todo, e uma cauda longa é acionada raramente e contribui pouco quando é. O REAP (Router-weighted Expert Activation Pruning), da Cerebras Research e aceito na ICLR 2026, explora isso: pontua cada especialista por um critério de saliência que combina com que força e frequência o roteador o aciona com a magnitude da contribuição da saída dele, e então descarta permanentemente os de pontuação baixa.
A parte interessante é a comparação que o REAP vence. A alternativa óbvia a descartar um especialista é fundi-lo em um sobrevivente, o que parece mais seguro. A conclusão do artigo, em modelos MoE de 20B a 1T de parâmetros, é que fundir é na verdade pior para trabalho generativo, e que a poda se sustenta notavelmente bem: quase sem perda em benchmarks de geração de código e chamada de ferramentas mesmo depois de remover metade dos especialistas, em fundações como Qwen3-Coder-480B e Kimi-K2. Código e chamada de ferramentas sobrevivendo intactos é exatamente o que você quer preservado num modelo cuja razão de existir é engenharia agêntica.
Pesos de 3 bits e o compromisso honesto
Além da poda, os pesos sobreviventes são armazenados em 3 bits — mais agressivo do que os níveis W4A16-AUTOROUND-REAP e W8A16 em outras partes do nosso catálogo, e reservado às maiores fundações, onde não há outro jeito de colocar um modelo de três quartos de trilhão de parâmetros num nó de serviço e manter os tokens fluindo a uma taxa utilizável.
Compressão não é de graça. O modelo mental correto: poda e quantização degradam primeiro a cauda longa. Comportamentos densos e exercitados com frequência — seguir instruções, estrutura de código, formatação de chamadas de ferramenta, planejamento em várias etapas — sobrevivem bem, que é precisamente o que os resultados do REAP mostram. Recall factual obscuro, línguas raras e curiosidades de domínios de nicho são onde você deve esperar diferença em relação a um GLM-5.2 não comprimido. Se a sua carga de trabalho é "saber um fato incomum de cor", pague por um nível de maior fidelidade. Se é "executar um plano ao longo de quarenta chamadas de ferramenta sem sair dos trilhos", este é o nível para o qual o método foi projetado.
04O caso do custo-benefício: quanto custa de fato rodar uma API de LLM sem censura barata
O preço de tabela da própria API da Z.ai para o GLM-5.2 é $1.40 por milhão de tokens de entrada e $4.40 por milhão de saída. O nosso preço na mesma fundação é $0.73 / $2.34 — cerca de 48% menos na entrada e 47% menos na saída. Esse desconto é o que a compressão compra, e ele vem com uma segunda coisa que você não consegue comprar na fonte por preço nenhum: nenhuma camada de recusa.
Dentro do nosso próprio catálogo, o custo combinado é o número que importa. Aqui está ele numa proporção de 3:1 entre entrada e saída, mais ou menos o que um agente com chamada de ferramentas parece na prática — muito contexto e resultados de ferramenta entrando, comparativamente poucos tokens saindo.
| Modelo | Entrada / 1M | Saída / 1M | Combinado 3:1 | Visão |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Não |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Não |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Sim |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Não |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Sim |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Sim |
Seis modelos ficam no piso de $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro e Hy3 — uma taxa combinada de $0.875. O GLM-5.2 está 29% acima desse piso e compra uma fundação da classe 744B com um investimento sustentado em comportamento agêntico por trás. Tudo que custa mais que ele sai pelo menos 23% mais caro no combinado, e o Kimi-K3 custa 6.8× mais. Esse é o argumento de valor em uma linha: o lugar mais barato do catálogo para comprar uma fundação agêntica de primeira linha.
Convertido em trabalho
- Um preenchimento completo do contexto — 262,144 tokens de entrada: $0.19. Um repositório grande inteiro lido para dentro da janela por menos de vinte centavos.
- Uma conclusão de comprimento máximo — 16,384 tokens de saída: $0.038.
- Um turno de agente — 20K de entrada, 2K de saída: $0.019. O mesmo turno custa $0.115 no Kimi-K3 e $0.047 no DeepSeek-V4-Pro.
- Cem turnos de agente: $1.93, contra $11.48 no modelo mais caro do catálogo.
Cargas agênticas são pesadas na entrada, e a vantagem do GLM é maior exatamente aí: o preço de entrada dele é 5.2× menor que o do Kimi-K3 e 2.7× menor que o do DeepSeek-V4-Pro. Se o seu agente reenvia uma conversa que só cresce a cada turno — e quase todo agente faz isso — é esse multiplicador que acaba na sua fatura.
05O que "sem censura" significa neste endpoint
Duas coisas, precisamente: nenhuma camada de recusa — nenhum classificador decidindo quais pedidos o modelo tem permissão de ver, e nenhum modelo de política reescrevendo o seu prompt antes de ele chegar — e nenhuma filtragem da saída, ou seja, os tokens que o modelo produz são os tokens que você recebe, sem redação e sem substituição.
Isso é uma proposta diferente de uma API comercial anunciando um modo "relaxado" ou "de desenvolvedor". Essas ainda roteiam o tráfego pela pilha de políticas de um fornecedor; o que muda é o limiar, não a existência do portão. Aqui não há portão para ajustar — o modelo roda no nosso próprio cluster de GPUs, e o comportamento dele é o comportamento da fundação. Leia a conclusão do NIST CAISI da seção 02 como uma afirmação técnica, e não como um aviso, e ela explica o produto: um modelo cujo alinhamento mora nos pesos, servido sem camada externa de política, se comporta de acordo com os pesos.
Por que isso importa especificamente para agentes
Recusas costumam ser discutidas como uma questão de conteúdo. Em trabalho agêntico elas são majoritariamente uma questão de confiabilidade. Uma recusa no turno 31 de uma execução de 40 turnos não é uma negativa educada que você lê e segue em frente — é um passo malformado, um orquestrador que não sabe como prosseguir, um plano quebrado e 30 turnos de tokens gastos sem nada a mostrar. Pesquisa de segurança, análise de malware, testes de intrusão, red teaming, ficção adulta, redação médica e jurídica e geração de conjuntos de dados para treinamento de segurança batem nisso constantemente, e a falha é cara justamente porque chega tarde.
O outro lado é que a camada de política agora é sua. O uso do Gateway da Shannon AI é regido pela nossa Política de Uso Responsável; tirar o julgamento de um fornecedor do circuito significa fornecer o seu próprio.
06O que o endpoint de fato oferece
| Capacidade | GLM-5.2 · 3BIT-REAP |
|---|---|
| Id do modelo | GLM-5.2-3BIT-REAP |
| Janela de contexto | 262,144 tokens |
| Saída máxima por requisição | 16,384 tokens |
| Streaming | Sim |
| Chamada de ferramentas | Sim |
Raciocínio / reasoning_effort | Sim |
JSON Schema (json_schema) | Sim |
response_format | Sim |
| Visão / entrada de imagem | Não — apenas texto |
| Camada de recusa / filtragem de saída | Nenhuma |
Leia a linha da visão com atenção antes de construir. O GLM-5.2 é apenas texto no nosso gateway. Se você precisa de entrada de imagem, o catálogo tem cinco opções com visão — MiniMax-M3 e MiMo-V2.5 no piso de $0.50 / $2.00, Kimi-K2.6 a $0.78 / $3.67, inkling a $1.42 / $6.07 e Kimi-K3 a $3.83 / $19.12. Um padrão sensato é rotear a compreensão de imagens para o MiniMax-M3 e todo o resto para o GLM-5.2, o que não custa nada além de trocar uma string de modelo.
Três dialetos, um modelo
O mesmo modelo é acessível por três formatos de requisição, todos com streaming: /v1/chat/completions (dialeto OpenAI), /v1/messages (dialeto Anthropic) e /v1/responses. Nada no modelo muda entre eles — escolha o que o seu SDK já fala e, em geral, você está a uma troca de URL base de estar rodando.
# Dialeto OpenAI — aponte o seu cliente atual para o 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, # chamada de ferramentas suportada reasoning_effort="medium", # low | medium | high stream=True, )
Os esquemas completos de requisição e resposta dos três dialetos, o formato de chamada de ferramentas, os formatos dos eventos de streaming e um playground interativo estão na documentação da API da Shannon AI.
07Quando escolher o GLM-5.2 — e quando não
Vá nele quando
- Você está rodando agentes. Laços longos de chamada de ferramentas são exatamente para o que esta linhagem foi construída e repetidamente pós-treinada, e o preço de entrada torna acessível reenviar uma conversa crescente a cada turno.
- Você trabalha numa base de código grande. 262K de contexto, formatação confiável de chamadas de ferramenta e $0.19 para ler a janela inteira.
- Volume é a sua restrição. Classificação, extração, geração de dados sintéticos, reescrita em massa — qualquer coisa em que o custo por chamada vezes um número grande decide se o projeto é viável.
- Recusas estão quebrando o seu pipeline. Pesquisa de segurança, testes adversariais, ficção sem censura, redação sensível — esse modo de falha não existe aqui.
Vá em outra coisa quando
- Você precisa de visão. Apenas texto. Veja as opções com visão acima.
- Você precisa do raciocínio mais profundo em turno único. Para os problemas analíticos de uma tacada só mais difíceis, o DeepSeek-V4-Pro-0813 · 3BIT-REAP é o instrumento mais pesado, a 2.2× o custo combinado — em chamadas em que o teto é a restrição, essa é a troca certa.
- Você precisa de fidelidade máxima em conhecimento obscuro. O nível
W8A16— MiMo-V2.5-Pro e Hy3 — é comprimido de forma muito menos agressiva e fica no piso de $0.50 / $2.00, sobre fundações menores.
Todo número da fundação nesta página é publicado por alguém que não somos nós. Os números de preço e de capacidade são os valores ao vivo do nosso catálogo, verificáveis em /v1/models com a sua própria chave. Confira as fontes primárias você mesmo.
Os números de benchmark do GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) são relatados pela Z.ai para a fundação não comprimida; a replicação independente está pendente. Os números do Claude Opus 4.8 e do GPT-5.5 aparecem apenas como referência. Preço de tabela da API GLM-5.2 de primeira parte conforme publicado pela Z.ai, setembro de 2026.
08Perguntas frequentes
O que é a API GLM sem censura na Shannon AI?
É o id de modelo GLM-5.2-3BIT-REAP no Gateway da Shannon AI: uma build comprimida da fundação agêntica GLM-5.2 da Z.ai, servida no nosso próprio cluster de GPUs, sem camada de recusa e sem filtragem da saída. Custa $0.73 por milhão de tokens de entrada e $2.34 por milhão de tokens de saída, tem janela de contexto de 262,144 tokens e é acessível em /v1/chat/completions, /v1/messages e /v1/responses.
Por que o GLM 5.2 sem censura é mais barato que os outros modelos grandes do catálogo?
Por causa de como ele é comprimido. O 3BIT-REAP combina pesos de 3 bits com o REAP, um método de poda de especialistas para modelos Mixture-of-Experts que descarta especialistas raramente roteados antes de quantizar. Uma fundação MoE esparsa com cerca de 40B de parâmetros ativos por token, podada e quantizada assim, ocupa muito menos memória e consome muito menos segundos de GPU por token do que um modelo denso de qualidade equivalente, e o preço reflete isso.
GLM sem recusa significa que o modelo não tem nenhuma proteção?
Significa que a Shannon não adiciona nenhuma. Não há classificador de recusa à frente do modelo nem filtro sobre os tokens que saem dele. A fundação mantém as disposições que o próprio treinamento lhe deu, mas nada externo as sobrepõe. A camada de política é sua, e o uso está sujeito à Política de Uso Responsável da Shannon AI.
O GLM-5.2 3BIT-REAP suporta visão ou entrada de imagem?
Não. Este modelo é apenas de texto. Se você precisa de entrada de imagem em um endpoint sem censura, use um dos modelos com visão do catálogo, como MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 ou inkling. O GLM-5.2 suporta, sim, saída estruturada — tanto json_schema quanto response_format — e chamada de ferramentas.
Qual é a janela de contexto e o comprimento máximo de saída?
262,144 tokens de contexto e 16,384 tokens de saída por requisição. Preencher a janela de contexto inteira uma vez custa cerca de 19 centavos a $0.73 por milhão de tokens de entrada, e uma conclusão de comprimento máximo custa menos de 4 centavos.
Este é um bom modelo agêntico sem censura para laços longos de chamada de ferramentas?
É o primeiro para o qual olhamos. A linhagem GLM é treinada explicitamente para trabalho agêntico desde o GLM-4.5, chamada de ferramentas e reasoning_effort são ambos suportados, e o preço faz com que cem turnos de agente de vinte mil tokens custem cerca de dois dólares em vez de onze. Recusas também são um modo de falha real em laços de agente, e aqui não há camada de recusa para disparar uma.
Experimente a API GLM sem censura
$0.73 entrada · $2.34 saída · 262K de contexto · sem camada de recusa.
Ler a documentação da API Ver todos os modelosShannon Lab LLC, Novo México, EUA · uso regido pela Política de Uso Responsável
Fontes: Repositório GLM-5 da Z.ai · 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 · Avaliação do GLM-5.2 da Z.ai pelo NIST CAISI, julho de 2026. As pontuações de benchmark da fundação são relatadas pelo laboratório e provisórias; elas descrevem o GLM-5.2 não comprimido, não esta build comprimida. Os números de preço, contexto e capacidade são valores do catálogo da Shannon AI em 5 de setembro de 2026.