Ocensurerat GLM-API: bäst värde per token

De flesta jämförelser av typen ”billigaste modellen” är oärliga, eftersom det billiga alternativet vanligen är en liten modell klädd i en stor modells marknadsföring. Det är inte vad som händer här. GLM-5.2 är en av de största öppenviktsgrundmodeller som någon har släppt, och för $0.73 in / $2.34 ut ligger den ett snäpp över vår katalogs golv samtidigt som den bär en grundmodell flera gånger större än vad det golvet brukar köpa. Det gapet — stor modell, pris nära golvet — är skälet till att den här sidan finns.

01Var GLM kommer ifrån: Tsinghua, blank infilling och en skarp vändning mot agenter

GLM är ingen ommärkt Llama-avledning. Det är en av få modellfamiljer med ett eget förträningsmål, itererat i fem år av samma forskargrupp. Namnet står för General Language Model, och grundartikeln — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — föreslog ett tredje alternativ vid sidan av BERT:s maskerade språkmodellering och GPT:s strikt vänster-till-höger-autoregression. GLM tömmer sammanhängande textspann och återskapar dem autoregressivt i blandad ordning, med tvådimensionella positionskodningar som spårar både en tokens position i det korrumperade dokumentet och dess position inuti det spann som fylls i: en arkitektur som hanterar förståelse och generering lika bra.

Gruppen bakom den var Knowledge Engineering Group vid Tsinghua-universitetet, som knoppade av företaget som nu heter Z.ai (tidigare Zhipu AI). Dess första omtalade artefakt var GLM-130B i oktober 2022 — en tvåspråkig tät engelsk/kinesisk modell med 130 miljarder parametrar, med vikter och kod publicerade offentligt redan vid publiceringen. Öppen släppning har varit husets stil sedan dess.

MoE-eran, och svängen mot agenter

Den röda tråden betyder mer än någon enskild utgåva. Sedan GLM-4.5 har varje version optimerats för samma sak: att förbli sammanhängande över dussintals verktygsanrop. Det är ett annat mål än att maximera benchmarkpoäng i en enda tur, och det visar sig som färre felformade verktygsargument, mindre drift i en lång plan och mindre av beteendet ”startar självsäkert om uppgiften i tur 14” som gör agentramverk dyra.

02Vad GLM-5.2 är, och vad den har mätts till

Z.ai publicerar benchmarksiffror för GLM-5.2 i GLM-5-repositoriet. Två av dem avbildar verkligt agentarbete snarare än faktaminne:

Terminal-Bench 2.1 — kommandoradsagentuppgifter över lång horisont. Rapporterat av Z.ai.

SWE-bench Pro — lösning av verkliga repositorieärenden. Rapporterat av Z.ai; GLM-5.1 fick 58,4 på samma test.

Det är labbets siffror, inte våra, och de beskriver den okomprimerade grundmodellen. De fastställer vilken klass av modell du har att göra med, inte en garanti.

En datapunkt är värd mer än en benchmark, eftersom den kommer från en utvärderare utan incitament att smickra modellen. I juli 2026 bedömde Center for AI Standards and Innovation vid det amerikanska National Institute of Standards and Technology GLM-5.2 och drog slutsatsen att den troligen var den mest kapabla öppenviktsmodell som fanns tillgänglig när den släpptes, med samlade förmågor jämförbara med GPT-5.2 och cyberförmågor jämförbara med Claude Opus 4.6. Samma bedömning noterade att GLM-5.2 blockerar färre känsliga förfrågningar än amerikanska referensmodeller, och att skydd inbakade i öppna vikter kan kringgås när vikterna väl körs i egen regi. Avsnitt 05 återkommer till det.

03Vad ”3BIT-REAP” betyder, och vad det kostar dig

REAP: att beskära experter i stället för att slå ihop dem

En MoE-modell med 744 miljarder parametrar har 256 experter per lager, av vilka 8 aktiveras för en given token. Routern fördelar inte arbetet jämnt — vissa experter träffas ständigt, och en lång svans träffas sällan och bidrar lite när de gör det. REAP (Router-weighted Expert Activation Pruning), från Cerebras Research och antagen till ICLR 2026, utnyttjar det: den poängsätter varje expert med ett saliensmått som kombinerar hur starkt och hur ofta routern grindar den med storleken på dess utdatabidrag, och tar sedan permanent bort de lågt rankade.

Det intressanta är jämförelsen REAP vinner. Det uppenbara alternativet till att ta bort en expert är att slå ihop den med en överlevare, vilket låter säkrare. Artikelns fynd över MoE-modeller från 20 miljarder till 1 biljon parametrar är att sammanslagning i själva verket är sämre för generativt arbete, och att beskärning håller anmärkningsvärt bra: nära förlustfritt på benchmarks för kodgenerering och verktygsanrop även efter att hälften av experterna tagits bort, på grundmodeller som Qwen3-Coder-480B och Kimi-K2. Att kod och verktygsanrop överlever intakta är exakt det du vill ha bevarat i en modell vars existensberättigande är agentisk utveckling.

3-bitars vikter, och den ärliga avvägningen

Ovanpå beskärningen lagras de överlevande vikterna med 3 bitar — mer aggressivt än nivåerna W4A16-AUTOROUND-REAP och W8A16 på annat håll i vår katalog, och reserverat för de största grundmodellerna, där det inte finns något annat sätt att få in en modell på tre kvarts biljon parametrar på en servernod och hålla tokenflödet i användbar takt.

Komprimering är inte gratis. Rätt mental modell: beskärning och kvantisering bryter ned den långa svansen först. Täta, ofta använda beteenden — instruktionsföljning, kodstruktur, formatering av verktygsanrop, planering i flera steg — överlever väl, vilket är precis vad REAP-resultaten visar. Det är i obskyr faktakunskap, sällsynta språk och nischade domänfakta du bör vänta dig en skillnad mot en okomprimerad GLM-5.2. Om din arbetsbelastning är ”kunna ett ovanligt faktum utantill”, betala för en nivå med högre trohet. Om den är ”köra en plan genom fyrtio verktygsanrop utan att spåra ur” är det här nivån metoden konstruerades för.

04Värdeargumentet: vad ett billigt ocensurerat LLM-API faktiskt kostar att köra

Z.ai:s eget publicerade API-listpris för GLM-5.2 är $1.40 per miljon indatatokens och $4.40 per miljon utdatatokens. Vårt pris på samma grundmodell är $0.73 / $2.34 — ungefär 48 % lägre på indata och 47 % lägre på utdata. Den rabatten är vad komprimeringen köper, och den kommer med något till som du inte kan köpa hos förstaparten till något pris: inget vägranslager.

Inom vår egen katalog är blandad kostnad den siffra som betyder något. Här är den vid ett förhållande på 3:1 mellan indata och utdata, ungefär hur en verktygsanropande agent ser ut i praktiken — mycket kontext och verktygsresultat in, förhållandevis få tokens ut.

Modell	In / 1M	Ut / 1M	Blandat 3:1	Vision
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Nej
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Nej
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	Nej
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Ja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Ja

Sex modeller ligger på golvet $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro och Hy3 — en blandad taxa på $0.875. GLM-5.2 ligger 29 % över det golvet och ger dig en grundmodell i 744B-klassen med en långsiktig investering i agentiskt beteende bakom sig. Allt som är prissatt över den kostar minst 23 % mer blandat, och Kimi-K3 kostar 6,8× mer. Det är värdeargumentet på en rad: det billigaste stället i katalogen att köpa en agentisk grundmodell i toppskiktet.

Omräknat i arbete

• En full kontextfyllning — 262 144 indatatokens: $0.19. Ett helt stort repositorium inläst i fönstret för under tjugo cent.
• En komplettering av maximal längd — 16 384 utdatatokens: $0.038.
• En agenttur — 20K in, 2K ut: $0.019. Samma tur kostar $0.115 på Kimi-K3 och $0.047 på DeepSeek-V4-Pro.
• Hundra agentturer: $1.93, mot $11.48 på den dyraste modellen i katalogen.

Agentiska arbetsbelastningar är indatatunga, och GLM:s fördel är störst just där: indatapriset är 5,2× lägre än Kimi-K3:s och 2,7× lägre än DeepSeek-V4-Pros. Om din agent skickar om en växande konversation varje tur — och nästan varje agent gör det — är det den multiplikatorn som hamnar på din faktura.

05Vad ”ocensurerad” betyder på den här slutpunkten

Två saker, exakt: inget vägranslager — ingen klassificerare som bestämmer vilka förfrågningar modellen får se, och ingen policymodell som skriver om din prompt innan den kommer fram — och ingen filtrering av utdata, vilket betyder att de tokens modellen producerar är de tokens du får, oredigerade och obytta.

Det är ett annat erbjudande än ett kommersiellt API som marknadsför ett ”avslappnat” eller ”utvecklarläge”. De dirigerar fortfarande trafiken genom en leverantörs policystack; det som ändras är tröskeln, inte att grinden finns. Här finns ingen grind att justera — modellen körs på vårt eget GPU-kluster, och dess beteende är grundmodellens beteende. Läs NIST CAISI-fyndet från avsnitt 02 som ett tekniskt konstaterande snarare än en varning, så förklarar det produkten: en modell vars alignment bor i vikterna, serverad utan ett externt policylager, beter sig enligt sina vikter.

Varför det spelar särskild roll för agenter

Vägranden diskuteras vanligen som en innehållsfråga. I agentarbete är de mest en tillförlitlighetsfråga. En vägran i tur 31 av en körning på 40 turer är inte ett artigt nej du läser och går vidare från — det är ett felformat steg, en orkestrerare som inte vet hur den ska fortsätta, en trasig plan och 30 turer av förbrukade tokens utan något att visa. Säkerhetsforskning, skadekodsanalys, penetrationstestning, red teaming, vuxenfiktion, medicinskt och juridiskt skrivande samt datamängdsgenerering för säkerhetsträning stöter på detta hela tiden, och felet är dyrt just för att det inträffar sent.

Baksidan är att policylagret nu är ditt. Användning av Shannon AI Gateway styrs av vår policy för ansvarsfull användning; att ta bort en leverantörs omdöme ur slingan betyder att du får tillhandahålla ditt eget.

06Vad slutpunkten faktiskt ger dig

Förmåga	GLM-5.2 · 3BIT-REAP
Modell-id	GLM-5.2-3BIT-REAP
Kontextfönster	262 144 tokens
Max utdata per förfrågan	16 384 tokens
Strömning	Ja
Verktygsanrop	Ja
Resonemang / reasoning_effort	Ja
JSON Schema (json_schema)	Ja
response_format	Ja
Vision / bildindata	Nej — endast text
Vägranslager / filtrering av utdata	Inget

Läs visionraden noga innan du bygger. GLM-5.2 hanterar endast text på vår gateway. Behöver du bildindata har katalogen fem visionkapabla alternativ — MiniMax-M3 och MiMo-V2.5 på golvet $0.50 / $2.00, Kimi-K2.6 för $0.78 / $3.67, inkling för $1.42 / $6.07 och Kimi-K3 för $3.83 / $19.12. Ett förnuftigt mönster är att dirigera bildförståelse till MiniMax-M3 och allt annat till GLM-5.2, vilket inte kostar mer än en modellsträng.

Tre dialekter, en modell

Samma modell nås genom tre förfrågningsformat, alla med strömning: /v1/chat/completions (OpenAI-dialekten), /v1/messages (Anthropic-dialekten) och /v1/responses. Ingenting med modellen ändras mellan dem — välj det din SDK redan talar, så är du oftast en bas-URL-ändring från att köra.

# 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,
)

Fullständiga scheman för förfrågan och svar i alla tre dialekterna, formatet för verktygsanrop, strömningshändelsernas form och en interaktiv lekplats finns i Shannon AI:s API-dokumentation.

07När du ska välja GLM-5.2 — och när du inte ska

Ta till den när

• Du kör agenter. Långa verktygsanropsslingor är vad den här härstamningen byggdes och gång på gång efterträndes för, och indatapriset gör det överkomligt att skicka om en växande konversation varje tur.
• Du arbetar över en stor kodbas. 262K kontext, pålitlig formatering av verktygsanrop och $0.19 för att läsa in hela fönstret.
• Volym är din begränsning. Klassificering, extraktion, generering av syntetiska data, massomskrivning — allt där kostnaden per anrop gånger ett stort antal avgör om projektet är genomförbart.
• Vägranden bryter din pipeline. Säkerhetsforskning, adversariell testning, ocensurerad fiktion, känsligt skrivande — det felläget finns inte här.

Ta till något annat när

• Du behöver vision. Endast text. Se de visionkapabla alternativen ovan.
• Du behöver djupaste möjliga resonemang i en enda tur. För de svåraste analytiska engångsproblemen är DeepSeek-V4-Pro-0813 · 3BIT-REAP det tyngre instrumentet till 2,2× den blandade kostnaden — på anrop där taket är begränsningen är det rätt avvägning.
• Du behöver maximal trohet på obskyr kunskap. Nivån W8A16 — MiMo-V2.5-Pro och Hy3 — är långt mindre aggressivt komprimerad och ligger på golvet $0.50 / $2.00, på mindre grundmodeller.

Benchmarksiffrorna för GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) är rapporterade av Z.ai för den okomprimerade grundmodellen; oberoende replikering återstår. Siffrorna för Claude Opus 4.8 och GPT-5.5 visas endast som referens. Förstapartens listpris för GLM-5.2:s API enligt Z.ai:s publicering, september 2026.

08Vanliga frågor

---

Källor: Z.ai:s GLM-5-repositorium · Du m.fl., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng m.fl., GLM-130B: An Open Bilingual Pre-trained Model · Lasby m.fl., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST CAISI:s bedömning av Z.ai:s GLM-5.2, juli 2026. Grundmodellens benchmarkpoäng är labbrapporterade och preliminära; de beskriver den okomprimerade GLM-5.2, inte den här komprimerade builden. Pris-, kontext- och förmågesiffror är Shannon AI:s katalogvärden per den 5 september 2026.