API e pacensuruar GLM: vlera më e mirë për token

Shumica e krahasimeve për "modelin më të lirë" janë të pandershme, sepse opsioni i lirë zakonisht është një model i vogël i veshur me marketingun e një modeli të madh. Nuk është kjo që po ndodh këtu. GLM-5.2 është një nga themelet më të mëdha me pesha të hapura që ka publikuar dikush, dhe me 0.73 $ hyrje / 2.34 $ dalje ndodhet një shkallë mbi dyshemenë e katalogut tonë ndërkohë që mbart një themel disa herë më të madh se ç'blen zakonisht ajo dysheme. Ajo hendek — model i madh, çmim afër dyshemesë — është arsyeja pse ekziston kjo faqe.

01Nga vjen GLM: Tsinghua, mbushja e boshllëqeve dhe një kthesë e fortë drejt agjentëve

GLM nuk është një derivat i riemërtuar i Llama-s. Është një nga të paktat familje modelesh me objektiv të vetin para-stërvitjeje, i përsëritur për pesë vjet nga i njëjti grup kërkimor. Emri qëndron për General Language Model, dhe punimi themelues — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — propozoi një mundësi të tretë përkrah modelimit të maskuar të gjuhës te BERT dhe autoregresionit strikt majtas-djathtas te GPT. GLM i zbraz hapësirat e njëpasnjëshme dhe i rigjeneron ato autoregresivisht në rend të përzier, me kodime pozicionale dydimensionale që ndjekin njëkohësisht pozicionin e një tokeni në dokumentin e prishur dhe pozicionin e tij brenda hapësirës që po mbushet: një arkitekturë e vetme që trajton njësoj mirë kuptimin dhe gjenerimin.

Grupi pas tij ishte Knowledge Engineering Group i Universitetit Tsinghua, i cili nxori kompaninë e njohur sot si Z.ai (më parë Zhipu AI). Artefakti i saj i parë kryesor ishte GLM-130B në tetor 2022 — një model i dendur dygjuhësh anglisht/kinezisht me 130 miliardë parametra, me pesha dhe kod të publikuara hapur në kohën e botimit. Publikimi i hapur ka qenë stili i shtëpisë që atëherë.

Epoka MoE dhe kthesa drejt agjentëve

Fija përshkuese ka më shumë rëndësi se çdo publikim i vetëm. Që nga GLM-4.5, çdo version është optimizuar për të njëjtën gjë: të mbetet koherent nëpër dhjetëra thirrje mjetesh. Ky është objektiv i ndryshëm nga maksimizimi i rezultateve të benchmark-eve me një raund të vetëm, dhe shfaqet si më pak argumente mjetesh të keqformuara, më pak devijim në një plan të gjatë dhe më pak nga sjellja "e rinis me vetëbesim detyrën në raundin e 14-të" që i bën të shtrenjta kornizat e agjentëve.

02Çfarë është GLM-5.2 dhe me sa u mat

Z.ai publikon shifra benchmark-esh për GLM-5.2 në depon GLM-5. Dy prej tyre përkojnë me punë agjentike të vërtetë e jo me rikujtim kuriozitetesh:

Terminal-Bench 2.1 — detyra agjenti me horizont të gjatë në rreshtin e komandës. Raportuar nga Z.ai.

SWE-bench Pro — zgjidhje çështjesh në depo të vërteta. Raportuar nga Z.ai; GLM-5.1 nxori 58.4 në të njëjtin test.

Këto janë shifrat e laboratorit, jo tonat, dhe përshkruajnë themelin e pangjeshur. Ato përcaktojnë klasën e modelit me të cilin keni të bëni, jo një garanci.

Një e dhënë e vetme vlen më shumë se një benchmark, sepse vjen nga një vlerësues që nuk ka asnjë interes ta lajkatojë modelin. Në korrik 2026 Qendra për Standarde dhe Inovacion në IA e Institutit Kombëtar të Standardeve dhe Teknologjisë të SHBA-së vlerësoi GLM-5.2 dhe doli në përfundimin se ai ishte ndoshta modeli më i aftë me pesha të hapura i disponueshëm kur u publikua, me aftësi të përgjithshme të krahasueshme me GPT-5.2 dhe aftësi kibernetike të krahasueshme me Claude Opus 4.6. I njëjti vlerësim vuri re se GLM-5.2 bllokon më pak kërkesa të ndjeshme se modelet referencë amerikane, dhe se mbrojtjet e pjekura brenda peshave të hapura mund të anashkalohen sapo ato pesha të strehohen vetë. Seksioni 05 kthehet tek kjo.

03Çfarë do të thotë "3BIT-REAP" dhe sa ju kushton

REAP: krasitja e ekspertëve në vend të bashkimit të tyre

Një model MoE me 744B parametra ka 256 ekspertë për shtresë, prej të cilëve 8 ndizen për çdo token të dhënë. Drejtuesi nuk e shpërndan punën në mënyrë të barabartë — disa ekspertë preken vazhdimisht, ndërsa një bisht i gjatë preket rrallë dhe kontribuon pak kur preket. REAP (Router-weighted Expert Activation Pruning), nga Cerebras Research dhe i pranuar në ICLR 2026, e shfrytëzon këtë: e vlerëson secilin ekspert me një kriter dukshmërie që ndërthur sa fort dhe sa shpesh e hap portën drejtuesi me madhësinë e kontributit të daljes së tij, pastaj i heq përgjithmonë ata me rezultat të ulët.

Pjesa interesante është krahasimi që fiton REAP. Alternativa e dukshme ndaj heqjes së një eksperti është bashkimi i tij me një mbijetues, gjë që tingëllon më e sigurt. Gjetja e punimit nëpër modele MoE nga 20B deri në 1T parametra është se bashkimi është në fakt më i keq për punën gjeneruese, ndërsa krasitja qëndron jashtëzakonisht mirë: pothuajse pa humbje në benchmark-e për gjenerim kodi dhe thirrje mjetesh edhe pas heqjes së gjysmës së ekspertëve, mbi themele si Qwen3-Coder-480B dhe Kimi-K2. Mbijetesa e paprekur e kodit dhe e thirrjes së mjeteve është pikërisht ajo që doni të ruhet te një model arsyeja e ekzistencës së të cilit është inxhinieria agjentike.

Pesha 3-bitëshe dhe kompromisi i ndershëm

Mbi krasitjen, peshat mbijetuese ruhen me 3 bita — më agresivisht se nivelet W4A16-AUTOROUND-REAP dhe W8A16 gjetiu në katalogun tonë, dhe të rezervuara për themelet më të mëdha, ku nuk ka mënyrë tjetër të vendoset një model me tre të katërtat e trilionit parametra në një nyje shërbimi dhe tokenat të vazhdojnë të rrjedhin me ritëm të përdorshëm.

Ngjeshja nuk është falas. Modeli i duhur mendor: krasitja dhe kuantizimi e degradojnë të parin bishtin e gjatë. Sjelljet e dendura e të ushtruara shpesh — ndjekja e udhëzimeve, struktura e kodit, formatimi i thirrjeve të mjeteve, planifikimi shumëhapësh — mbijetojnë mirë, që është pikërisht ajo që tregojnë rezultatet e REAP. Rikujtimi i fakteve të errëta, gjuhët e rralla dhe kuriozitetet e fushave të ngushta janë aty ku duhet të prisni ndryshim kundrejt një GLM-5.2 të pangjeshur. Nëse ngarkesa juaj e punës është "të dish përmendsh një fakt të pazakontë", paguani për një nivel me besnikëri më të lartë. Nëse është "të ekzekutosh një plan nëpër dyzet thirrje mjetesh pa dalë nga binarët", ky është niveli për të cilin u projektua metoda.

04Rasti i vlerës: sa kushton vërtet të ekzekutosh një API të lirë e të pacensuruar LLM

Çmimi i listës i vetë API-t të Z.ai për GLM-5.2 është 1.40 $ për milion tokena hyrjeje dhe 4.40 $ për milion dalje. Çmimi ynë mbi të njëjtin themel është 0.73 $ / 2.34 $ — rreth 48% më pak në hyrje dhe 47% më pak në dalje. Ajo ulje është ajo që blen ngjeshja, dhe vjen bashkë me një gjë të dytë që nuk e blini dot te prodhuesi me asnjë çmim: pa shtresë refuzimi.

Brenda katalogut tonë, kostoja e përzier është shifra që ka rëndësi. Ja ku qëndron me një raport 3:1 hyrje-dalje, afërsisht si duket në praktikë një agjent që thërret mjete — shumë kontekst dhe rezultate mjetesh që hyjnë, relativisht pak tokena që dalin.

Modeli	Hyrje / 1M	Dalje / 1M	E përzier 3:1	Pamje
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Jo
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Jo
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Po
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Jo
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Po
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Po

Gjashtë modele qëndrojnë te dyshemeja 0.50 $ / 2.00 $ — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro dhe Hy3 — një normë e përzier prej 0.875 $. GLM-5.2 është 29% mbi atë dysheme dhe ju blen një themel të klasit 744B me një investim të qëndrueshëm në sjellje agjentike prapa tij. Gjithçka me çmim mbi të kushton të paktën 23% më shumë e përzier, dhe Kimi-K3 kushton 6.8× më shumë. Ky është argumenti i vlerës në një rresht të vetëm: vendi më i lirë në katalog për të blerë një themel agjentik të nivelit të lartë.

E kthyer në punë

• Një mbushje e plotë e kontekstit — 262.144 tokena hyrjeje: 0.19 $. Një depo e tërë e madhe e lexuar brenda dritares për nën njëzet cent.
• Një plotësim me gjatësi maksimale — 16.384 tokena dalje: 0.038 $.
• Një raund agjenti — 20K hyrje, 2K dalje: 0.019 $. I njëjti raund kushton 0.115 $ te Kimi-K3 dhe 0.047 $ te DeepSeek-V4-Pro.
• Njëqind raunde agjenti: 1.93 $, kundrejt 11.48 $ te modeli më i shtrenjtë në katalog.

Ngarkesat agjentike janë të rënda nga hyrja, dhe përparësia e GLM-së është më e madhe pikërisht aty: çmimi i hyrjes së tij është 5.2× nën atë të Kimi-K3 dhe 2.7× nën atë të DeepSeek-V4-Pro. Nëse agjenti juaj ridërgon një bisedë që rritet në çdo raund — dhe pothuajse çdo agjent e bën — ai shumëzues është ai që përfundon në faturën tuaj.

05Çfarë do të thotë "i pacensuruar" te ky endpoint

Dy gjëra, saktësisht: pa shtresë refuzimi — asnjë klasifikues që vendos cilat kërkesa lejohet t'i shohë modeli, dhe asnjë model politike që e rishkruan promptin tuaj përpara se të mbërrijë — dhe pa filtrim të daljes, që do të thotë se tokenat që prodhon modeli janë tokenat që merrni, të paredaktuara dhe të pandërruara.

Kjo është një propozim i ndryshëm nga një API tregtare që reklamon një mënyrë "të relaksuar" ose "për zhvillues". Ato prapë e kalojnë trafikun përmes stivës së politikave të një shitësi; ajo që ndryshon është pragu, jo ekzistenca e portës. Këtu nuk ka portë për t'u rregulluar — modeli punon në grupin tonë të GPU-ve, dhe sjellja e tij është sjellja e themelit. Lexojeni gjetjen e NIST CAISI nga seksioni 02 si pohim teknik e jo si paralajmërim dhe ajo e shpjegon produktin: një model përputhshmëria e të cilit jeton në peshat e veta, i shërbyer pa shtresë të jashtme politike, sillet sipas peshave të veta.

Pse ka rëndësi kjo posaçërisht për agjentët

Refuzimet zakonisht diskutohen si çështje përmbajtjeje. Në punën agjentike ato janë kryesisht çështje besueshmërie. Një refuzim në raundin e 31-të të një ekzekutimi me 40 raunde nuk është një refuzim i sjellshëm që e lexoni dhe vazhdoni — është një hap i keqformuar, një orkestrues që nuk di si të vazhdojë, një plan i thyer dhe 30 raunde tokenash të shpenzuar pa asgjë për të treguar. Kërkimi i sigurisë, analiza e malware-it, testimi i depërtimit, red-teaming-u, trillimi për të rritur, hartimi i teksteve mjekësore e juridike dhe gjenerimi i grupeve të të dhënave për stërvitje sigurie e hasin këtë vazhdimisht, dhe dështimi është i shtrenjtë pikërisht sepse mbërrin vonë.

Ana tjetër është se shtresa e politikave tani është juaja. Përdorimi i portës së Shannon AI rregullohet nga Politika jonë e Përdorimit të Përgjegjshëm; heqja e gjykimit të një shitësi nga qarku do të thotë të vini tuajin.

06Çfarë ju jep vërtet endpoint-i

Aftësia	GLM-5.2 · 3BIT-REAP
Id-ja e modelit	GLM-5.2-3BIT-REAP
Dritarja e kontekstit	262.144 tokena
Dalja maksimale për kërkesë	16.384 tokena
Transmetim	Po
Thirrje mjetesh	Po
Arsyetim / reasoning_effort	Po
JSON Schema (json_schema)	Po
response_format	Po
Pamje / hyrje me imazh	Jo — vetëm tekst
Shtresë refuzimi / filtrim dalje	Asnjë

Lexojeni me kujdes rreshtin e pamjes përpara se të ndërtoni. GLM-5.2 është vetëm me tekst në portën tonë. Nëse ju duhet hyrje me imazh, katalogu ka pesë mundësi me pamje — MiniMax-M3 dhe MiMo-V2.5 te dyshemeja 0.50 $ / 2.00 $, Kimi-K2.6 me 0.78 $ / 3.67 $, inkling me 1.42 $ / 6.07 $, dhe Kimi-K3 me 3.83 $ / 19.12 $. Një model i arsyeshëm pune është ta drejtoni kuptimin e imazheve te MiniMax-M3 dhe gjithçka tjetër te GLM-5.2, gjë që nuk kushton asgjë përtej një vargu modeli.

Tre dialekte, një model

I njëjti model arrihet përmes tri formateve kërkese, të gjitha me transmetim: /v1/chat/completions (dialekti OpenAI), /v1/messages (dialekti Anthropic) dhe /v1/responses. Asgjë te modeli nuk ndryshon mes tyre — zgjidhni atë që flet tashmë SDK-ja juaj, dhe zakonisht jeni një ndryshim URL-je baze larg nga puna.

# 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,
)

Skemat e plota të kërkesave dhe përgjigjeve për të tri dialektet, formati i thirrjes së mjeteve, format e ngjarjeve të transmetimit dhe një terren prove ndërveprues gjenden te dokumentacioni i API-t të Shannon AI.

07Kur ta zgjidhni GLM-5.2 — dhe kur jo

Kërkojeni atë kur

• Po ekzekutoni agjentë. Laqet e gjata të thirrjes së mjeteve janë ajo për të cilën u ndërtua dhe u pas-stërvit vazhdimisht kjo linjë, dhe çmimi i hyrjes e bën të përballueshme ridërgimin e një bisede që rritet në çdo raund.
• Po punoni nëpër një bazë kodi të madhe. 262K kontekst, formatim i besueshëm i thirrjeve të mjeteve dhe 0.19 $ për të lexuar gjithë dritaren.
• Volumi është kufizimi juaj. Klasifikim, nxjerrje, gjenerim të dhënash sintetike, rishkrim në masë — çdo gjë ku kostoja për thirrje shumëzuar me një numër të madh vendos nëse projekti është i realizueshëm.
• Refuzimet po ju prishin tubacionin. Kërkim sigurie, testim kundërshtar, trillim i pacensuruar, hartim tekstesh të ndjeshme — kjo mënyrë dështimi nuk është e pranishme këtu.

Kërkoni diçka tjetër kur

• Ju duhet pamja. Vetëm tekst. Shihni mundësitë me pamje më sipër.
• Ju duhet arsyetimi më i thellë me një raund të vetëm. Për problemet analitike më të vështira me një hedhje të vetme, DeepSeek-V4-Pro-0813 · 3BIT-REAP është instrumenti më i rëndë me 2.2× koston e përzier — te thirrjet ku tavani është kufizimi, ky është kompromisi i drejtë.
• Ju duhet besnikëria maksimale mbi njohuri të errëta. Niveli W8A16 — MiMo-V2.5-Pro dhe Hy3 — është ngjeshur shumë më pak agresivisht dhe qëndron te dyshemeja 0.50 $ / 2.00 $, mbi themele më të vogla.

Shifrat e benchmark-eve për GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) raportohen nga Z.ai për themelin e pangjeshur; përsëritja e pavarur është në pritje. Shifrat për Claude Opus 4.8 dhe GPT-5.5 tregohen vetëm si referencë. Çmimi i listës i API-t GLM-5.2 te vetë prodhuesi sipas botimit të Z.ai, shtator 2026.

08Pyetje të bëra shpesh

---

Burimet: Depoja GLM-5 e 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 · Vlerësimi i NIST CAISI për GLM-5.2 të Z.ai, korrik 2026. Rezultatet e benchmark-eve për themelin janë të raportuara nga laboratori dhe të përkohshme; ato përshkruajnë GLM-5.2 e pangjeshur, jo këtë ndërtim të ngjeshur. Shifrat e çmimeve, kontekstit dhe aftësive janë vlera të katalogut të Shannon AI më 5 shtator 2026.