API GLM fără cenzură: cel mai bun raport valoare-token

Majoritatea comparațiilor de tip „cel mai ieftin model” sunt necinstite, pentru că opțiunea ieftină e de regulă un model mic îmbrăcat în marketingul unui model mare. Nu asta se întâmplă aici. GLM-5.2 este una dintre cele mai mari fundații cu greutăți deschise lansate vreodată, iar la 0,73 $ intrare / 2,34 $ ieșire stă la o treaptă peste podeaua catalogului nostru, purtând totuși o fundație de câteva ori mai mare decât cea pe care o cumperi de obicei la acea podea. Diferența aceea — model mare, preț aproape de podea — este motivul pentru care există pagina asta.

01De unde vine GLM: Tsinghua, completarea de spații goale și o cotitură fermă spre agenți

GLM nu este un derivat Llama rebranduit. Este una dintre puținele familii de modele cu obiectiv propriu de preantrenare, iterat cinci ani de același grup de cercetare. Numele vine de la General Language Model, iar lucrarea fondatoare — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — a propus o a treia opțiune lângă modelarea lingvistică mascată a lui BERT și autoregresia strict de la stânga la dreapta a lui GPT. GLM golește secvențe contigue și le regenerează autoregresiv într-o ordine amestecată, cu codificări poziționale bidimensionale care urmăresc atât poziția tokenului în documentul corupt, cât și poziția lui în interiorul secvenței completate: o singură arhitectură care se descurcă la fel de bine la înțelegere și la generare.

Grupul din spate a fost Knowledge Engineering Group de la Universitatea Tsinghua, din care s-a desprins compania cunoscută azi ca Z.ai (anterior Zhipu AI). Primul ei artefact de prim-plan a fost GLM-130B, în octombrie 2022 — un model dens bilingv engleză/chineză de 130 de miliarde de parametri, cu greutăți și cod publicate în momentul apariției lucrării. Lansarea deschisă a rămas de atunci stilul casei.

Era MoE și pivotul spre agenți

Firul roșu contează mai mult decât orice lansare individuală. De la GLM-4.5 încoace, fiecare versiune a fost optimizată pentru același lucru: să rămână coerentă de-a lungul a zeci de apeluri de unelte. Acesta este alt obiectiv decât maximizarea scorurilor de benchmark într-o singură tură și se vede prin mai puține argumente de unelte malformate, mai puțină derivă într-un plan lung și mai puțin din comportamentul „repornește sarcina cu încredere la tura 14”, care face scumpe framework-urile de agenți.

02Ce este GLM-5.2 și cât a fost măsurat

Z.ai publică cifre de benchmark pentru GLM-5.2 în repozitoriul GLM-5. Două corespund unei munci agentice reale, nu recitării de curiozități:

Terminal-Bench 2.1 — sarcini de agent în linia de comandă, pe orizont lung. Raportat de Z.ai.

SWE-bench Pro — rezolvarea unor probleme din repozitorii reale. Raportat de Z.ai; GLM-5.1 a obținut 58,4 la același test.

Acestea sunt cifrele laboratorului, nu ale noastre, și descriu fundația necomprimată. Ele stabilesc clasa de model cu care ai de-a face, nu o garanție.

Un singur punct de date valorează mai mult decât un benchmark, pentru că vine de la un evaluator fără niciun interes să flateze modelul. În iulie 2026, Center for AI Standards and Innovation din cadrul National Institute of Standards and Technology din SUA a evaluat GLM-5.2 și a concluzionat că era probabil cel mai capabil model AI cu greutăți deschise disponibil la momentul lansării, cu capabilități generale comparabile cu GPT-5.2 și capabilități cibernetice comparabile cu Claude Opus 4.6. Aceeași evaluare a observat că GLM-5.2 blochează mai puține cereri sensibile decât modelele de referință din SUA și că protecțiile coapte în greutăți deschise pot fi ocolite odată ce acele greutăți sunt găzduite pe cont propriu. Secțiunea 05 revine la asta.

03Ce înseamnă „3BIT-REAP” și cât te costă

REAP: tăierea experților în loc de contopirea lor

Un model MoE de 744 B de parametri are 256 de experți pe strat, dintre care 8 se activează pe un token dat. Routerul nu împarte munca uniform — unii experți sunt loviți constant, iar o coadă lungă sunt loviți rar și contribuie puțin atunci când se întâmplă. REAP (Router-weighted Expert Activation Pruning), de la Cerebras Research și acceptat la ICLR 2026, exploatează asta: punctează fiecare expert după un criteriu de relevanță care combină cât de puternic și de des îl deschide routerul cu magnitudinea contribuției lui la ieșire, apoi îi elimină definitiv pe cei cu punctaj mic.

Partea interesantă este comparația pe care REAP o câștigă. Alternativa evidentă la ștergerea unui expert este contopirea lui într-unul care supraviețuiește, ceea ce sună mai sigur. Concluzia lucrării, pe modele MoE de la 20 B la 1 T de parametri, este că, de fapt, contopirea este mai rea pentru munca generativă, iar tăierea se ține remarcabil de bine: aproape fără pierderi la benchmarkurile de generare de cod și de apeluri de unelte, chiar și după eliminarea a jumătate dintre experți, pe fundații precum Qwen3-Coder-480B și Kimi-K2. Faptul că programarea și apelurile de unelte supraviețuiesc intacte este exact ce vrei păstrat pe un model al cărui rost este ingineria agentică.

Greutăți pe 3 biți și compromisul onest

Peste tăiere, greutățile rămase sunt stocate pe 3 biți — mai agresiv decât treptele W4A16-AUTOROUND-REAP și W8A16 din alte părți ale catalogului nostru, și rezervat celor mai mari fundații, unde nu există alt mod de a pune un model de trei sferturi de trilion de parametri pe un nod de servire și de a menține tokenurile curgând la o viteză utilizabilă.

Compresia nu e gratis. Modelul mental corect: tăierea și cuantizarea degradează mai întâi coada lungă. Comportamentele dense, exersate frecvent — urmarea instrucțiunilor, structura codului, formatarea apelurilor de unelte, planificarea în mai mulți pași — supraviețuiesc bine, exact ce arată rezultatele REAP. Recitarea de fapte obscure, limbile rare și curiozitățile de nișă sunt zonele unde ar trebui să te aștepți la o diferență față de un GLM-5.2 necomprimat. Dacă sarcina ta este „să știe pe de rost un fapt neobișnuit”, plătește pentru o treaptă cu fidelitate mai mare. Dacă este „să ruleze un plan pe patruzeci de apeluri de unelte fără să o ia razna”, aceasta este treapta pentru care a fost proiectată metoda.

04Argumentul valorii: cât costă de fapt un API LLM ieftin și fără cenzură

Prețul de listă publicat de Z.ai pentru API-ul propriu GLM-5.2 este de 1,40 $ per milion de tokenuri de intrare și 4,40 $ per milion de ieșire. Prețul nostru pe aceeași fundație este 0,73 $ / 2,34 $ — cu aproximativ 48% mai puțin la intrare și 47% mai puțin la ieșire. Acea reducere este ce cumpără compresia și vine la pachet cu un al doilea lucru pe care nu îl poți cumpăra de la producător la niciun preț: lipsa unui strat de refuz.

În propriul nostru catalog, costul mixt este cifra care contează. Iat-o la un raport intrare-ieșire de 3:1, cam cum arată în practică un agent care apelează unelte — mult context și multe rezultate de unelte la intrare, comparativ puține tokenuri la ieșire.

Model	Intrare / 1M	Ieșire / 1M	Mixt 3:1	Viziune
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Nu
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Nu
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Da
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Nu
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Da
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Da

Șase modele stau la podeaua de 0,50 $ / 2,00 $ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro și Hy3 — adică un tarif mixt de 0,875 $. GLM-5.2 este cu 29% peste acea podea și îți cumpără o fundație de clasă 744 B, cu o investiție susținută în comportament agentic în spate. Tot ce e prețuit peste el costă cu cel puțin 23% mai mult la mixt, iar Kimi-K3 costă de 6,8× mai mult. Acesta este argumentul valorii într-un singur rând: cel mai ieftin loc din catalog de unde poți cumpăra o fundație agentică de top.

Transformat în muncă

• O umplere completă a contextului — 262.144 de tokenuri de intrare: 0,19 $. Un repozitoriu mare întreg, citit în fereastră, sub douăzeci de cenți.
• O completare de lungime maximă — 16.384 de tokenuri de ieșire: 0,038 $.
• O tură de agent — 20K intrare, 2K ieșire: 0,019 $. Aceeași tură costă 0,115 $ pe Kimi-K3 și 0,047 $ pe DeepSeek-V4-Pro.
• O sută de ture de agent: 1,93 $, față de 11,48 $ pe cel mai scump model din catalog.

Sarcinile agentice sunt grele la intrare, iar avantajul GLM este cel mai mare exact acolo: prețul lui de intrare este de 5,2× sub cel al lui Kimi-K3 și de 2,7× sub cel al lui DeepSeek-V4-Pro. Dacă agentul tău retrimite o conversație care crește la fiecare tură — și aproape orice agent o face — acel multiplicator este ce ajunge pe factură.

05Ce înseamnă „fără cenzură” pe acest endpoint

Două lucruri, exact: niciun strat de refuz — niciun clasificator care decide ce cereri are voie modelul să vadă și niciun model de politici care îți rescrie promptul înainte să ajungă — și nicio filtrare a ieșirii, adică tokenurile produse de model sunt tokenurile pe care le primești, neredactate și neînlocuite.

Aceasta este o propunere diferită de un API comercial care își face reclamă cu un mod „relaxat” sau „pentru dezvoltatori”. Acelea tot rutează traficul prin stiva de politici a furnizorului; ce se schimbă este pragul, nu existența porții. Aici nu există poartă de reglat — modelul rulează pe propriul nostru cluster GPU, iar comportamentul lui este comportamentul fundației. Citește constatarea NIST CAISI din secțiunea 02 ca pe o afirmație tehnică, nu ca pe un avertisment, și îți explică produsul: un model a cărui aliniere stă în greutățile lui, servit fără un strat extern de politici, se comportă conform greutăților lui.

De ce contează asta în mod special pentru agenți

Refuzurile sunt de obicei discutate ca o chestiune de conținut. În munca agentică sunt în principal o chestiune de fiabilitate. Un refuz la tura 31 dintr-o rulare de 40 de ture nu este un „nu, mulțumesc” politicos pe care îl citești și mergi mai departe — este un pas malformat, un orchestrator care nu știe cum să continue, un plan rupt și 30 de ture de tokenuri cheltuite degeaba. Cercetarea de securitate, analiza de malware, testele de penetrare, red-teamingul, ficțiunea pentru adulți, redactarea medicală și juridică și generarea de seturi de date pentru antrenarea de siguranță lovesc constant în asta, iar eșecul este costisitor tocmai pentru că vine târziu.

Reversul este că stratul de politici e acum al tău. Utilizarea Shannon AI Gateway este guvernată de Politica noastră de utilizare responsabilă; scoaterea judecății unui furnizor din buclă înseamnă să o furnizezi pe a ta.

06Ce îți oferă efectiv endpointul

Capabilitate	GLM-5.2 · 3BIT-REAP
Identificator de model	GLM-5.2-3BIT-REAP
Fereastră de context	262.144 de tokenuri
Ieșire maximă per cerere	16.384 de tokenuri
Streaming	Da
Apeluri de unelte	Da
Raționament / reasoning_effort	Da
JSON Schema (json_schema)	Da
response_format	Da
Viziune / intrare de tip imagine	Nu — doar text
Strat de refuz / filtrare a ieșirii	Niciunul

Citește cu atenție rândul despre viziune înainte să construiești. GLM-5.2 este doar text pe gateway-ul nostru. Dacă ai nevoie de intrare de tip imagine, catalogul are cinci opțiuni cu viziune — MiniMax-M3 și MiMo-V2.5 la podeaua de 0,50 $ / 2,00 $, Kimi-K2.6 la 0,78 $ / 3,67 $, inkling la 1,42 $ / 6,07 $ și Kimi-K3 la 3,83 $ / 19,12 $. Un tipar rezonabil este să rutezi înțelegerea imaginilor spre MiniMax-M3 și tot restul spre GLM-5.2, ceea ce nu costă nimic în plus față de un șir de caractere cu numele modelului.

Trei dialecte, un singur model

Același model este accesibil prin trei formate de cerere, toate cu streaming: /v1/chat/completions (dialectul OpenAI), /v1/messages (dialectul Anthropic) și /v1/responses. Nimic din model nu se schimbă între ele — alege-l pe cel pe care SDK-ul tău îl vorbește deja și, de obicei, ești la o singură modificare de adresă de bază distanță de a rula.

# 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,
)

Schemele complete de cerere și răspuns pentru toate cele trei dialecte, formatul apelurilor de unelte, formele evenimentelor de streaming și un playground interactiv se află în documentația API Shannon AI.

07Când să alegi GLM-5.2 — și când nu

Apelează la el când

• Rulezi agenți. Buclele lungi de apeluri de unelte sunt exact pentru ce a fost construită și repetat post-antrenată această descendență, iar prețul de intrare face accesibilă retrimiterea unei conversații care crește la fiecare tură.
• Lucrezi peste o bază de cod mare. 262K de context, formatare fiabilă a apelurilor de unelte și 0,19 $ ca să citești toată fereastra.
• Volumul este constrângerea ta. Clasificare, extragere, generare de date sintetice, rescriere în masă — orice unde costul per apel înmulțit cu un număr mare decide dacă proiectul este viabil.
• Refuzurile îți rup fluxul. Cercetare de securitate, testare adversarială, ficțiune fără cenzură, redactare pe subiecte sensibile — acest mod de eșec nu există aici.

Apelează la altceva când

• Ai nevoie de viziune. Doar text. Vezi opțiunile cu viziune de mai sus.
• Ai nevoie de cel mai profund raționament într-o singură tură. Pentru cele mai grele probleme analitice dintr-o singură lovitură, DeepSeek-V4-Pro-0813 · 3BIT-REAP este instrumentul mai greu, la un cost mixt de 2,2× — pe apelurile unde plafonul este constrângerea, acesta este compromisul potrivit.
• Ai nevoie de fidelitate maximă pe cunoștințe obscure. Treapta W8A16 — MiMo-V2.5-Pro și Hy3 — este comprimată mult mai puțin agresiv și stă la podeaua de 0,50 $ / 2,00 $, pe fundații mai mici.

Cifrele de benchmark pentru GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) sunt raportate de Z.ai pentru fundația necomprimată; replicarea independentă este în așteptare. Cifrele pentru Claude Opus 4.8 și GPT-5.5 sunt afișate doar ca referință. Prețul de listă al API-ului propriu GLM-5.2, așa cum a fost publicat de Z.ai, septembrie 2026.

08Întrebări frecvente

---

Surse: Repozitoriul Z.ai GLM-5 · 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 · Evaluarea NIST CAISI a GLM-5.2 de la Z.ai, iulie 2026. Scorurile de benchmark ale fundației sunt raportate de laborator și sunt provizorii; descriu GLM-5.2 necomprimat, nu acest build comprimat. Cifrele de preț, context și capabilități sunt valori din catalogul Shannon AI valabile la 5 septembrie 2026.