எந்த பயனரின் தரவையும் நாங்கள் வைத்திருக்கவோ அணுகவோ செய்யவில்லை; சட்டபூர்வ அதிகாரம் அமலாக்க நடவடிக்கையை கோராத வரை கணக்குகளை இடைநிறுத்துவதில்லை.

மாதிரி அட்டை · GLM-5.2 · 3BIT-REAP

தணிக்கையற்ற GLM API: ஒரு டோக்கனுக்குச் சிறந்த மதிப்பு

Z.ai இன் முகவர் GLM அடித்தளம், எங்கள் சொந்த GPU கிளஸ்டரில் மறுப்புப் படை இல்லாமல் வழங்கப்படுகிறது — 262K சூழல், கருவி அழைப்பு, மேலும் அதே வம்சாவளி நேரடி வழங்குநரிடம் செலவாகும் தொகையில் பாதிக்கும் குறைவான கலப்பு விலை.

செப்டம்பர் 5, 2026 அன்று புதுப்பிக்கப்பட்டதுமாதிரி அட்டைஅடித்தளம்: GLM-5.2 (Z.ai)

சுருக்கமாக

GLM-5.2-3BIT-REAP என்பது Shannon AI நுழைவாயிலில் நாங்கள் இயல்பாகவே பரிந்துரைக்கும் மாதிரி. இது GLM வம்சாவளியிலிருந்து ஒரு 744 பில்லியன் அளபுரு சிதறிய Mixture-of-Experts அடித்தளத்தை இயக்குகிறது — GLM-4.5 இலிருந்தே முகவர் கருவிப் பயன்பாட்டுக்காக வெளிப்படையாகப் பயிற்றுவிக்கப்பட்டது — 3-பிட் எடைகளாலும் REAP நிபுணர் கத்தரிப்பாலும் சுருக்கப்பட்டு, பொருந்தவும் வேகமாக இருக்கவும் செய்யப்பட்டுள்ளது. உங்களுக்குக் கிடைப்பவை: 262,144 டோக்கன் சூழல், 16,384 டோக்கன் வெளியீடு, கருவி அழைப்பு, சரிசெய்யக்கூடிய reasoning_effort உடன் சிந்தனை, JSON Schema கட்டமைக்கப்பட்ட வெளியீடு — ஒரு மில்லியன் டோக்கனுக்கு $0.73 / $2.34 விலையில். மறுப்புப் படை இல்லை, வெளியீட்டு வடிகட்டி இல்லை. உரை மட்டுமே — பார்வை இல்லை.

“மலிவான மாதிரி” ஒப்பீடுகளில் பெரும்பாலானவை நேர்மையற்றவை, ஏனெனில் மலிவான தேர்வு பொதுவாக ஒரு பெரிய மாதிரியின் விளம்பரத்தை அணிந்திருக்கும் ஒரு சிறு மாதிரியாகவே இருக்கும். இங்கே நடப்பது அதுவல்ல. யாரும் வெளியிட்டிருக்கும் மிகப் பெரிய திறந்த-எடை அடித்தளங்களில் ஒன்றே GLM-5.2; உள்ளே $0.73 / வெளியே $2.34 என்ற விலையில், அது எங்கள் வரிசையின் தரைமட்டத்துக்கு ஒரு படி மேலே நிற்கிறது, ஆனால் அந்தத் தரைமட்டம் வழக்கமாக வாங்கித் தருவதை விடப் பல மடங்கு பெரிய ஓர் அடித்தளத்தைச் சுமக்கிறது. அந்த இடைவெளியே — பெரிய மாதிரி, தரைமட்டத்துக்கு அருகில் விலை — இந்தப் பக்கம் இருப்பதற்கான காரணம்.

01GLM எங்கிருந்து வருகிறது: Tsinghua, வெற்றிட நிரப்பல், முகவர்களை நோக்கிய கூர்மையான திருப்பம்

GLM என்பது பெயர் மாற்றப்பட்ட ஒரு Llama வழிவந்த மாதிரி அல்ல. தனக்கென்று சொந்த முன்பயிற்சி நோக்கம் கொண்ட, ஒரே ஆய்வுக் குழுவால் ஐந்து ஆண்டுகளாகச் செம்மைப்படுத்தப்பட்ட ஒரு சில மாதிரிக் குடும்பங்களில் இதுவும் ஒன்று. பெயர் General Language Model என்பதைக் குறிக்கிறது; அடித்தளக் கட்டுரையான GLM: General Language Model Pretraining with Autoregressive Blank Infilling (ACL 2022), BERT இன் முகமூடியிட்ட மொழி மாதிரியாக்கத்துக்கும் GPT இன் கண்டிப்பான இடமிருந்து வலம் தன்னிகழ்வுக்கும் அடுத்ததாக ஒரு மூன்றாவது வழியை முன்மொழிந்தது. GLM தொடர்ச்சியான பரப்புகளை வெற்றிடமாக்கி, கலைக்கப்பட்ட வரிசையில் அவற்றைத் தன்னிகழ்வாக மீளுருவாக்குகிறது; இரு பரிமாண இட நிலைக் குறியாக்கங்கள், சிதைந்த ஆவணத்தில் ஒரு டோக்கனின் இடத்தையும், நிரப்பப்படும் பரப்புக்குள் அதன் இடத்தையும் ஒருங்கே கண்காணிக்கின்றன: புரிதலையும் உருவாக்கத்தையும் சமமாகக் கையாளும் ஒரே கட்டமைப்பு.

இதன் பின்னால் இருந்த குழு Tsinghua University இன் Knowledge Engineering Group; அதிலிருந்து பிரிந்து உருவான நிறுவனமே இன்று Z.ai (முன்பு Zhipu AI) என்று அறியப்படுகிறது. அதன் முதல் தலைப்புச் செய்திப் படைப்பு அக்டோபர் 2022 இல் வெளிவந்த GLM-130B — 130 பில்லியன் அளபுரு ஆங்கிலம்/சீனம் இருமொழி அடர்த்தி மாதிரி; வெளியீட்டு நேரத்திலேயே எடைகளும் நிரலும் பொதுவில் வழங்கப்பட்டன. அன்றிலிருந்து திறந்த வெளியீடே அந்த இல்லத்தின் பாணி.

MoE சகாப்தமும், முகவர்களை நோக்கிய திருப்பமும்

ஜூலை 28, 2025 — GLM-4.5

வெளிப்படையாக ஒரு முகவர்-சார்பு அடித்தளமாகக் கட்டப்பட்ட முதல் முதன்மை மாதிரி: மொத்தம் 355B அளபுருக்கள், ஒரு டோக்கனுக்கு 32B செயல்பாட்டில், பகிரப்பட்ட நிபுணர்களும் Multi-Token Prediction உம் கொண்ட சிதறிய MoE, 128K சூழல், மேலும் இரு முறைகள் — சிந்தனைக்கும் கருவிப் பயன்பாட்டுக்கும் “thinking”, அத்துடன் ஒரு வேகமான சிந்தனையற்ற முறை. தோராயமாக 15T முன்பயிற்சி டோக்கன்கள், பிறகு நிரல், சிந்தனை, முகவர் பாதைகள் மீது பிந்தைய பயிற்சி, அதன் மேல் RL.

செப்டம்பர் 30, 2025 — GLM-4.6

நீளமான ஒரு சாளரம் (128K இலிருந்து 200K), உண்மையான உலக நிரலாக்கத்தில் முன்னேற்றம், நீண்ட அமர்வுகளில் குறைவான உடைந்த கருவி அழைப்புகள். LiveCodeBench v6 மதிப்பெண் GLM-4.5 இன் 63.3 இலிருந்து 82.8 ஆக உயர்ந்தது — ஒரு புள்ளி வெளியீட்டுக்கு வழக்கத்திற்கு மாறான தாவல், ஆய்வகத்தின் கவனம் எங்கே இருந்தது என்பதற்கான தெளிவான அறிகுறி.

பிப்ரவரி 11, 2026 — GLM-5

அளவு விரிவாக்கம், From Vibe Coding to Agentic Engineering என்ற முழக்கத்தின் கீழ். மொத்தம் 744B அளபுருக்கள், தோராயமாக 40B செயல்பாட்டில், top-8 திசைதிருப்பலுடன் 256 நிபுணர்கள் (சுமார் 5.9% சிதறல்), நீண்ட சூழல் திறனுக்காக DeepSeek Sparse Attention, மேலும் 23T இலிருந்து 28.5T டோக்கன்களாக வளர்ந்த ஒரு தொகுப்பு. பிந்தைய பயிற்சி, நீண்ட கால முகவர் நடத்தையை இலக்காகக் கொண்ட பெரும் அளவிலான ஒத்திசைவற்ற RL க்கு நகர்ந்தது: திட்டமிடல், களஞ்சிய வழிசெலுத்தல், தன் சொந்த வேலையைத் திரும்பத் திரும்பச் சரிசெய்தல்.

ஏப்ரல்–ஜூன் 2026 — GLM-5.1, பிறகு GLM-5.2

GLM-5.1 ஏப்ரலில் திறந்த எடைகளாக வெளிவந்தது. அதே 744B / ~40B-செயல்பாட்டு அமைப்பில், நீளமான பயன்படுத்தத்தக்க சாளரத்துடனும் மேலும் ஒரு சுற்று முகவர் பிந்தைய பயிற்சியுடனும் ஜூன் 2026 இல் GLM-5.2 தொடர்ந்தது — இந்த மாதிரி அட்டை பேசுவது அந்த அடித்தளத்தைப் பற்றியே.

எந்த ஒற்றை வெளியீட்டையும் விட, இந்தத் தொடர்ச்சியான கோடே முக்கியம். GLM-4.5 இலிருந்து ஒவ்வொரு பதிப்பும் ஒரே ஒரு விஷயத்துக்காகவே உகந்ததாக்கப்பட்டுள்ளது: டஜன் கணக்கான கருவி அழைப்புகள் முழுவதும் ஒருங்கிணைவாக இருப்பது. ஒற்றைச் சுற்று வரையறை மதிப்பெண்களை உச்சப்படுத்துவதிலிருந்து இது வேறுபட்ட ஒரு நோக்கம்; அது குறைவான தவறான வடிவ கருவி அளபுருக்களாகவும், ஒரு நீண்ட திட்டத்தில் குறைவான விலகலாகவும், முகவர் கட்டமைப்புகளை விலையுயர்வாக்கும் “14ஆவது சுற்றில் தன்னம்பிக்கையுடன் பணியை மறுதொடக்கம் செய்யும்” நடத்தை குறைவாக இருப்பதாகவும் வெளிப்படுகிறது.

02GLM-5.2 என்றால் என்ன, அது எதில் அளக்கப்பட்டது

744B

மொத்த அளபுருக்கள்

~40B

டோக்கனுக்குச் செயல்பாட்டில்

256

நிபுணர்கள் (top-8)

திறந்த

வெளியிடப்பட்ட எடைகள்

GLM-5 களஞ்சியத்தில் GLM-5.2 க்கான வரையறை எண்களை Z.ai வெளியிடுகிறது. அவற்றில் இரண்டு, தகவல் நினைவுகூரலை விட உண்மையான முகவர் வேலையுடன் பொருந்துகின்றன:

Claude Opus 4.885.0

GLM-5.281.0

Terminal-Bench 2.1 — நீண்ட கால கட்டளை வரி முகவர் பணிகள். Z.ai அறிவித்தது.

GLM-5.262.1

GPT-5.558.6

SWE-bench Pro — உண்மையான களஞ்சியப் பிரச்சினைத் தீர்வு. Z.ai அறிவித்தது; அதே சோதனையில் GLM-5.1 மதிப்பெண் 58.4.

அவை ஆய்வகத்தின் எண்கள், எங்களுடையவை அல்ல; மேலும் அவை சுருக்கப்படாத அடித்தளத்தை விவரிக்கின்றன. நீங்கள் கையாள்வது எந்த வகை மாதிரி என்பதை அவை நிறுவுகின்றன, ஒரு உத்தரவாதத்தை அல்ல.

ஒரு தரவுப் புள்ளி எந்த வரையறையையும் விட மதிப்புமிக்கது, ஏனெனில் அது மாதிரியை முகஸ்துதி செய்ய எந்தத் தூண்டுதலும் இல்லாத ஒரு மதிப்பீட்டாளரிடமிருந்து வருகிறது. ஜூலை 2026 இல் அமெரிக்காவின் National Institute of Standards and Technology இன் Center for AI Standards and Innovation, GLM-5.2 ஐ மதிப்பிட்டு, வெளியான நேரத்தில் கிடைத்த மிகத் திறமையான திறந்த-எடை AI மாதிரி அதுவாகவே இருக்கக்கூடும் என்று முடிவுசெய்தது; ஒட்டுமொத்தத் திறன்கள் GPT-5.2 உடனும், சைபர் திறன்கள் Claude Opus 4.6 உடனும் ஒப்பிடத்தக்கவை. அமெரிக்க மேற்கோள் மாதிரிகளை விட GLM-5.2 குறைவான உணர்திறன் மிக்க கோரிக்கைகளையே தடுக்கிறது என்றும், திறந்த எடைகளுக்குள் சுடப்பட்ட பாதுகாப்புகள், அந்த எடைகள் சுயமாக இயக்கப்பட்டவுடன் தவிர்க்கப்படலாம் என்றும் அதே மதிப்பீடு கவனித்தது. பிரிவு 05 அதற்குத் திரும்புகிறது.

03“3BIT-REAP” எதைக் குறிக்கிறது, அது உங்களுக்கு என்ன விலை

REAP: நிபுணர்களை ஒன்றிணைப்பதற்குப் பதிலாகக் கத்தரிப்பது

ஒரு 744B அளபுரு MoE மாதிரியில் ஒவ்வொரு அடுக்குக்கும் 256 நிபுணர்கள் இருக்கிறார்கள்; ஒரு குறிப்பிட்ட டோக்கனுக்கு அவர்களில் 8 பேர் இயங்குகிறார்கள். ரவுட்டர் வேலையைச் சமமாகப் பரப்புவதில்லை — சில நிபுணர்கள் இடைவிடாமல் தேர்ந்தெடுக்கப்படுகிறார்கள், ஒரு நீண்ட வால் அரிதாகவே தேர்ந்தெடுக்கப்பட்டு, தேர்ந்தெடுக்கப்படும்போதும் குறைவாகவே பங்களிக்கிறது. Cerebras Research இலிருந்து வந்து ICLR 2026 இல் ஏற்கப்பட்ட REAP (Router-weighted Expert Activation Pruning) அதைப் பயன்படுத்திக்கொள்கிறது: ரவுட்டர் எவ்வளவு வலுவாகவும் அடிக்கடியும் ஒரு நிபுணரைத் திறக்கிறது என்பதையும் அதன் வெளியீட்டுப் பங்களிப்பின் அளவையும் இணைக்கும் ஒரு முக்கியத்துவ அளவுகோலால் ஒவ்வொரு நிபுணரையும் மதிப்பிட்டு, குறைந்த மதிப்பெண் பெற்றவர்களை நிரந்தரமாக நீக்குகிறது.

REAP வெல்லும் ஒப்பீடுதான் சுவாரஸ்யமான பகுதி. ஒரு நிபுணரை நீக்குவதற்கான வெளிப்படையான மாற்று, அவரை உயிர்பிழைத்த ஒருவருக்குள் ஒன்றிணைப்பது; அது பாதுகாப்பானதாகத் தோன்றுகிறது. 20B முதல் 1T அளபுருக்கள் வரையிலான MoE மாதிரிகள் முழுவதும் கட்டுரையின் கண்டுபிடிப்பு என்னவென்றால், உருவாக்க வேலைக்கு ஒன்றிணைப்பு உண்மையில் மோசமானது, கத்தரிப்போ குறிப்பிடத்தக்க அளவு நன்றாகத் தாக்குப்பிடிக்கிறது: Qwen3-Coder-480B, Kimi-K2 உள்ளிட்ட அடித்தளங்களில், பாதி நிபுணர்களை நீக்கிய பிறகும் நிரல் உருவாக்கத்திலும் கருவி அழைப்பு வரையறைகளிலும் கிட்டத்தட்ட இழப்பற்ற முடிவுகள். முகவர் பொறியியலே இருப்புக்குக் காரணமான ஒரு மாதிரியில் நிரலும் கருவி அழைப்பும் அப்படியே தப்பிப்பிழைப்பதுதான் நீங்கள் விரும்பும் ஒன்று.

3-பிட் எடைகளும், நேர்மையான சமரசமும்

கத்தரிப்புக்கு மேலாக, எஞ்சிய எடைகள் 3 பிட்டுகளில் சேமிக்கப்படுகின்றன — எங்கள் வரிசையின் மற்ற இடங்களில் உள்ள W4A16-AUTOROUND-REAP, W8A16 அடுக்குகளை விட ஆக்ரோஷமானது, மேலும் மிகப் பெரிய அடித்தளங்களுக்கு மட்டுமே ஒதுக்கப்பட்டது — அங்கே ஒரு முக்கால் டிரில்லியன் அளபுரு மாதிரியை ஒரு சேவை முனையில் ஏற்றி, டோக்கன்களைப் பயன்படுத்தத்தக்க வேகத்தில் ஓடவைக்க வேறு வழியே இல்லை.

சுருக்கம் இலவசமல்ல. சரியான மனப்பட உருவகம்: கத்தரிப்பும் குவாண்டைசேஷனும் முதலில் நீண்ட வாலையே சிதைக்கின்றன. அடர்த்தியான, அடிக்கடி பயிற்றுவிக்கப்பட்ட நடத்தைகள் — அறிவுறுத்தல் பின்பற்றல், நிரல் கட்டமைப்பு, கருவி அழைப்பு வடிவமைப்பு, பல-படித் திட்டமிடல் — நன்றாகவே தப்பிப்பிழைக்கின்றன; REAP முடிவுகள் காட்டுவதும் சரியாக அதையே. அரிதான உண்மைத் தகவல் நினைவுகூரல், அரிய மொழிகள், குறுகிய துறை விவரங்கள் ஆகியவற்றில்தான் சுருக்கப்படாத GLM-5.2 உடன் ஒப்பிடும்போது வேறுபாட்டை நீங்கள் எதிர்பார்க்க வேண்டும். உங்கள் வேலைச்சுமை “ஒரு அசாதாரண உண்மையை அப்படியே அறிந்திருக்க வேண்டும்” என்பதாக இருந்தால், அதிக நம்பகத்தன்மை அடுக்குக்குப் பணம் செலுத்துங்கள். அது “நாற்பது கருவி அழைப்புகள் முழுவதும் தடம் புரளாமல் ஒரு திட்டத்தை இயக்க வேண்டும்” என்பதாக இருந்தால், இந்த முறை வடிவமைக்கப்பட்டதே இந்த அடுக்குக்குத்தான்.

04மதிப்பு வாதம்: ஒரு மலிவான தணிக்கையற்ற LLM API ஐ இயக்க உண்மையில் என்ன செலவாகிறது

$0.73

1M உள்ளீட்டுக்கு

$2.34

1M வெளியீட்டுக்கு

262K

சூழல் சாளரம்

16K

அதிகபட்ச வெளியீடு

GLM-5.2 க்கு Z.ai வெளியிட்டுள்ள சொந்த API பட்டியல் விலை ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு $1.40, ஒரு மில்லியன் வெளியீட்டுக்கு $4.40. அதே அடித்தளத்தின் மீது எங்கள் விலை $0.73 / $2.34 — உள்ளீட்டில் தோராயமாக 48% ம், வெளியீட்டில் 47% ம் குறைவு. அந்தத் தள்ளுபடியே சுருக்கம் வாங்கித் தருவது; அத்துடன் எந்த விலைக்கும் நேரடி வழங்குநரிடம் வாங்க முடியாத இரண்டாவது ஒன்றும் சேர்ந்து வருகிறது: மறுப்புப் படை இல்லாமை.

எங்கள் சொந்த வரிசைக்குள், முக்கியமான எண் கலப்புச் செலவே. 3:1 உள்ளீடு-வெளியீடு விகிதத்தில் அது இதோ — நடைமுறையில் ஒரு கருவி அழைப்பு முகவர் தோராயமாக இப்படித்தான் இருக்கிறது: நிறையச் சூழலும் கருவி முடிவுகளும் உள்ளே, ஒப்பீட்டளவில் குறைவான டோக்கன்களே வெளியே.

மாதிரி	உள்ளே / 1M	வெளியே / 1M	கலப்பு 3:1	பார்வை
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	இல்லை
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	இல்லை
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	ஆம்
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	இல்லை
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	ஆம்
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	ஆம்

ஆறு மாதிரிகள் $0.50 / $2.00 என்ற தரைமட்டத்தில் நிற்கின்றன — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro, Hy3 — அதாவது $0.875 கலப்பு விகிதம். GLM-5.2 அந்தத் தரைமட்டத்தை விட 29% மேலே, மேலும் முகவர் நடத்தையில் ஒரு நீடித்த முதலீட்டைப் பின்னால் கொண்ட ஒரு 744B வகுப்பு அடித்தளத்தை உங்களுக்கு வாங்கித் தருகிறது. அதற்கு மேலே விலையிடப்பட்ட அனைத்தும் கலப்பில் குறைந்தது 23% அதிகம், Kimi-K3 ஓ 6.8× அதிகம். ஒரே வரியில் அதுவே மதிப்பு வாதம்: ஒரு உயர்நிலை முகவர் அடித்தளத்தை வாங்குவதற்கு வரிசையிலேயே மலிவான இடம்.

வேலையாக மாற்றினால்

ஒரு முழு சூழல் நிரப்பல் — 262,144 உள்ளீட்டு டோக்கன்கள்: $0.19. ஒரு முழுப் பெரிய களஞ்சியம் இருபது சென்டுக்கும் குறைவாகச் சாளரத்துக்குள் படிக்கப்படுகிறது.
ஒரு அதிகபட்ச நீள நிறைவு — 16,384 வெளியீட்டு டோக்கன்கள்: $0.038.
ஒரு முகவர் சுற்று — 20K உள்ளே, 2K வெளியே: $0.019. அதே சுற்று Kimi-K3 இல் $0.115 ம், DeepSeek-V4-Pro இல் $0.047 ம் ஆகும்.
நூறு முகவர் சுற்றுகள்: $1.93; வரிசையிலேயே மிக விலையுயர்ந்த மாதிரியில் அது $11.48.

முகவர் வேலைச்சுமைகள் உள்ளீடு அதிகம் கொண்டவை, GLM இன் நன்மை மிகப் பெரிதாக இருப்பதும் சரியாக அங்கேயே: அதன் உள்ளீட்டு விலை Kimi-K3 ஐ விட 5.2× ம், DeepSeek-V4-Pro ஐ விட 2.7× ம் குறைவு. உங்கள் முகவர் ஒவ்வொரு சுற்றிலும் வளர்ந்துகொண்டே செல்லும் ஓர் உரையாடலை மீண்டும் அனுப்பினால் — கிட்டத்தட்ட ஒவ்வொரு முகவரும் அப்படித்தான் செய்கிறது — உங்கள் விலைப்பட்டியலில் இறுதியில் தெரிவது அந்தப் பெருக்கியே.

05இந்த இறுதிப்புள்ளியில் “தணிக்கையற்றது” என்றால் என்ன

துல்லியமாக இரண்டு விஷயங்கள்: மறுப்புப் படை இல்லை — எந்தக் கோரிக்கைகளை மாதிரி பார்க்க அனுமதி என்று முடிவுசெய்யும் வகைப்படுத்தி எதுவும் இல்லை, உங்கள் வினவல் வந்து சேர்வதற்கு முன் அதை மறுஎழுதும் கொள்கை மாதிரி எதுவும் இல்லை — மேலும் வெளியீட்டு வடிகட்டல் இல்லை, அதாவது மாதிரி உருவாக்கும் டோக்கன்களே நீங்கள் பெறும் டோக்கன்கள்; மறைக்கப்படாமல், மாற்றப்படாமல்.

“தளர்த்தப்பட்ட” அல்லது “டெவலப்பர்” முறையை விளம்பரப்படுத்தும் ஒரு வணிக API இலிருந்து இது வேறுபட்ட ஒரு முன்மொழிவு. அவை இன்னும் ஒரு விற்பனையாளரின் கொள்கை அடுக்கு வழியாகவே போக்குவரத்தைச் செலுத்துகின்றன; மாறுவது வாசல் இருப்பதல்ல, அதன் வரம்பு மட்டுமே. இங்கே சரிசெய்வதற்கு வாசலே இல்லை — மாதிரி எங்கள் சொந்த GPU கிளஸ்டரில் இயங்குகிறது, அதன் நடத்தை அடித்தளத்தின் நடத்தையே. பிரிவு 02 இல் உள்ள NIST CAISI கண்டுபிடிப்பை ஓர் எச்சரிக்கையாக அல்லாமல் ஒரு தொழில்நுட்பக் கூற்றாகப் படித்தால், அது இந்த தயாரிப்பையே விளக்குகிறது: சீரமைப்பு தன் எடைகளுக்குள்ளேயே வாழும் ஒரு மாதிரி, வெளிப்புறக் கொள்கை அடுக்கு இல்லாமல் வழங்கப்பட்டால், தன் எடைகளுக்கு ஏற்பவே நடந்துகொள்கிறது.

இது முகவர்களுக்குக் குறிப்பாக ஏன் முக்கியம்

மறுப்புகள் பொதுவாக ஓர் உள்ளடக்கக் கேள்வியாகவே விவாதிக்கப்படுகின்றன. முகவர் வேலையில் அவை பெரும்பாலும் ஒரு நம்பகத்தன்மைக் கேள்வி. 40 சுற்று இயக்கத்தின் 31ஆவது சுற்றில் வரும் ஒரு மறுப்பு, நீங்கள் படித்துவிட்டுக் கடந்துபோகும் ஒரு கண்ணியமான மறுதலிப்பு அல்ல — அது ஒரு தவறான வடிவப் படி, எப்படித் தொடர்வதென்று தெரியாத ஓர் ஒருங்கிணைப்பாளர், உடைந்த ஒரு திட்டம், மேலும் காட்ட எதுவுமின்றிச் செலவழிக்கப்பட்ட 30 சுற்று டோக்கன்கள். பாதுகாப்பு ஆய்வு, தீம்பொருள் பகுப்பாய்வு, ஊடுருவல் சோதனை, ரெட்-டீமிங், வயது வந்தோர் புனைவு, மருத்துவ மற்றும் சட்ட வரைவு, பாதுகாப்புப் பயிற்சிக்கான தரவுத்தொகுப்பு உருவாக்கம் — இவை அனைத்தும் இதைத் தொடர்ந்து சந்திக்கின்றன; தோல்வி விலையுயர்ந்ததாக இருப்பதற்குக் காரணம், அது தாமதமாக வந்து இறங்குவதே.

மறுபக்கம் என்னவென்றால், கொள்கை அடுக்கு இப்போது உங்களுடையது. Shannon AI நுழைவாயிலின் பயன்பாடு எங்கள் பொறுப்பான பயன்பாட்டுக் கொள்கையால் நிர்வகிக்கப்படுகிறது; வளையத்திலிருந்து ஒரு விற்பனையாளரின் தீர்ப்பை நீக்குவது என்றால், உங்கள் சொந்தத் தீர்ப்பை நீங்களே வழங்குவது என்று பொருள்.

06இந்த இறுதிப்புள்ளி உண்மையில் உங்களுக்கு என்ன தருகிறது

திறன்	GLM-5.2 · 3BIT-REAP
மாதிரி அடையாளம்	GLM-5.2-3BIT-REAP
சூழல் சாளரம்	262,144 டோக்கன்கள்
ஒரு கோரிக்கைக்கு அதிகபட்ச வெளியீடு	16,384 டோக்கன்கள்
ஸ்ட்ரீமிங்	ஆம்
கருவி அழைப்பு	ஆம்
சிந்தனை / `reasoning_effort`	ஆம்
JSON Schema (`json_schema`)	ஆம்
`response_format`	ஆம்
பார்வை / பட உள்ளீடு	இல்லை — உரை மட்டுமே
மறுப்புப் படை / வெளியீட்டு வடிகட்டல்	எதுவும் இல்லை

கட்டத் தொடங்கும் முன் பார்வை வரியைக் கவனமாகப் படியுங்கள். எங்கள் நுழைவாயிலில் GLM-5.2 உரை மட்டுமே. உங்களுக்குப் பட உள்ளீடு தேவைப்பட்டால், வரிசையில் பார்வைத் திறன் கொண்ட ஐந்து தேர்வுகள் உள்ளன — $0.50 / $2.00 தரைமட்டத்தில் MiniMax-M3 ம் MiMo-V2.5 ம், $0.78 / $3.67 இல் Kimi-K2.6, $1.42 / $6.07 இல் inkling, $3.83 / $19.12 இல் Kimi-K3. ஒரு நியாயமான வடிவம்: பட புரிதலை MiniMax-M3 க்கும், மற்ற அனைத்தையும் GLM-5.2 க்கும் திசைதிருப்புவது; ஒரு மாதிரிச் சரத்தைத் தாண்டி அதற்கு வேறு எதுவும் செலவாகாது.

மூன்று வகைகள், ஒரு மாதிரி

அதே மாதிரி மூன்று கோரிக்கை வடிவங்கள் வழியாக அணுகக்கூடியது, அனைத்திலும் ஸ்ட்ரீமிங்குடன்: /v1/chat/completions (OpenAI வகை), /v1/messages (Anthropic வகை), /v1/responses. அவற்றுக்கு இடையே மாதிரியில் எதுவும் மாறுவதில்லை — உங்கள் SDK ஏற்கெனவே பேசும் எதுவாக இருந்தாலும் அதைத் தேர்ந்தெடுங்கள், பொதுவாக ஒரு அடிப்படை URL மாற்றத்தில் நீங்கள் இயங்கத் தொடங்கிவிடுவீர்கள்.

# OpenAI வகை — உங்கள் தற்போதைய கிளையண்டை நுழைவாயிலை நோக்கித் திருப்புங்கள்
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,                 # கருவி அழைப்பு ஆதரிக்கப்படுகிறது
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

மூன்று வகைகளுக்குமான முழுக் கோரிக்கை மற்றும் பதில் schema க்கள், கருவி அழைப்பு வடிவம், ஸ்ட்ரீமிங் நிகழ்வு வடிவங்கள், ஒரு ஊடாடும் விளையாட்டுத் திடல் ஆகியவை Shannon AI API ஆவணங்களில் உள்ளன.

07GLM-5.2 ஐ எப்போது தேர்ந்தெடுக்க வேண்டும் — எப்போது வேண்டாம்

இதை நாடுங்கள், எப்போதென்றால்

நீங்கள் முகவர்களை இயக்குகிறீர்கள். நீண்ட கருவி அழைப்பு வளையங்களுக்காகவே இந்த வம்சாவளி கட்டப்பட்டு, திரும்பத் திரும்பப் பிந்தைய பயிற்சி பெற்றது; உள்ளீட்டு விலை, வளர்ந்துகொண்டே செல்லும் ஓர் உரையாடலை ஒவ்வொரு சுற்றிலும் மீண்டும் அனுப்பக்கூடியதாக்குகிறது.
நீங்கள் ஒரு பெரிய நிரல் தளம் முழுவதும் வேலை செய்கிறீர்கள். 262K சூழல், நம்பகமான கருவி அழைப்பு வடிவமைப்பு, முழுச் சாளரத்தையும் படிக்க $0.19.
அளவே உங்கள் தடை. வகைப்படுத்தல், பிரித்தெடுத்தல், செயற்கைத் தரவு உருவாக்கம், மொத்த மறுஎழுதுதல் — ஒரு அழைப்புக்கான செலவை ஒரு பெரிய எண்ணால் பெருக்கும்போது திட்டம் சாத்தியமா இல்லையா என்று முடிவாகும் எதுவும்.
மறுப்புகள் உங்கள் குழாய்வழியை உடைக்கின்றன. பாதுகாப்பு ஆய்வு, எதிர்நிலைச் சோதனை, தணிக்கையற்ற புனைவு, உணர்திறன் மிக்க வரைவு — அந்தத் தோல்வி முறை இங்கே இல்லை.

வேறு எதையாவது நாடுங்கள், எப்போதென்றால்

உங்களுக்குப் பார்வை தேவை. உரை மட்டுமே. மேலே உள்ள பார்வைத் திறன் கொண்ட தேர்வுகளைப் பாருங்கள்.
உங்களுக்கு மிக ஆழமான ஒற்றைச் சுற்று சிந்தனை தேவை. மிகக் கடினமான ஒற்றைத் தாக்குதல் பகுப்பாய்வுப் பிரச்சினைகளுக்கு, கலப்புச் செலவில் 2.2× ஆக இருக்கும் DeepSeek-V4-Pro-0813 · 3BIT-REAP கனமான கருவி — உச்சமே தடையாக இருக்கும் அழைப்புகளில் அதுவே சரியான சமரசம்.
அரிதான அறிவில் உங்களுக்கு அதிகபட்ச நம்பகத்தன்மை தேவை. W8A16 அடுக்கு — MiMo-V2.5-Pro, Hy3 — மிகக் குறைவாகவே சுருக்கப்பட்டுள்ளது, மேலும் சிறிய அடித்தளங்களில் $0.50 / $2.00 தரைமட்டத்தில் நிற்கிறது.

வரிசை முழுவதும் ஒப்பிடுகிறீர்களா? பன்னிரண்டு தணிக்கையற்ற மாதிரிகளும் அதே 262,144 டோக்கன் சூழலையும், 16,384 டோக்கன் வெளியீட்டு வரம்பையும், மூன்று API வகைகளையும் பகிர்ந்துகொள்கின்றன; எனவே மாறுவது ஒரு வரி மாற்றம். ஒவ்வொரு மாதிரி அட்டையையும் Shannon AI Research இல் பாருங்கள், அல்லது கனரக ஒப்பீட்டுப் புள்ளியிலிருந்து தொடங்குங்கள்: தணிக்கையற்ற DeepSeek-V4-Pro மாதிரி அட்டை.

வடிவமைப்பாலேயே வெளிப்படை

இந்தப் பக்கத்தில் உள்ள ஒவ்வொரு அடித்தள எண்ணையும் எங்களைத் தவிர வேறு யாரோ வெளியிட்டுள்ளனர். விலை மற்றும் திறன் எண்கள் எங்கள் சொந்த நேரடி வரிசை மதிப்புகள்; உங்கள் சொந்தச் சாவியில் /v1/models ஐக் கொண்டு அவற்றைச் சரிபார்க்கலாம். முதன்மை மூலங்களை நீங்களே பாருங்கள்.

Z.ai — GLM-5 களஞ்சியம் GLM: Autoregressive Blank Infilling உடன் முன்பயிற்சி (ACL 2022) GLM-130B: ஒரு திறந்த இருமொழி முன்பயிற்சி மாதிரி REAP: ஒற்றைப் பயிற்சி MoE சுருக்கத்தில் கத்தரிப்பே ஏன் வெல்கிறது (ICLR 2026) NIST CAISI — Z.ai இன் GLM-5.2 மதிப்பீடு

GLM-5.2 வரையறை எண்கள் (Terminal-Bench 2.1, SWE-bench Pro) சுருக்கப்படாத அடித்தளத்துக்காக Z.ai அறிவித்தவை; சுயாதீன மறுஉருவாக்கம் நிலுவையில் உள்ளது. Claude Opus 4.8, GPT-5.5 எண்கள் மேற்கோளுக்காக மட்டுமே காட்டப்படுகின்றன. நேரடி GLM-5.2 API பட்டியல் விலை, Z.ai வெளியிட்டபடி, செப்டம்பர் 2026.

08அடிக்கடி கேட்கப்படும் கேள்விகள்

Shannon AI இல் தணிக்கையற்ற GLM API என்றால் என்ன?

இது Shannon AI நுழைவாயிலில் உள்ள GLM-5.2-3BIT-REAP என்ற மாதிரி அடையாளம்: Z.ai இன் GLM-5.2 முகவர் அடித்தளத்தின் சுருக்கப்பட்ட ஒரு கட்டமைப்பு, எங்கள் சொந்த GPU கிளஸ்டரில், மறுப்புப் படை இல்லாமல், வெளியீட்டு வடிகட்டல் இல்லாமல் வழங்கப்படுகிறது. ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு $0.73, ஒரு மில்லியன் வெளியீட்டு டோக்கனுக்கு $2.34; இது 262,144 டோக்கன் சூழல் சாளரத்தைச் சுமக்கிறது, மேலும் /v1/chat/completions, /v1/messages, /v1/responses ஆகியவற்றில் அணுகக்கூடியது.

வரிசையில் உள்ள மற்ற பெரிய மாதிரிகளை விட தணிக்கையற்ற GLM 5.2 ஏன் மலிவானது?

அது எப்படிச் சுருக்கப்படுகிறது என்பதால். 3BIT-REAP என்பது 3-பிட் எடைகளையும் REAP ஐயும் இணைக்கிறது; REAP என்பது Mixture-of-Experts மாதிரிகளுக்கான ஒரு நிபுணர் கத்தரிப்பு முறை, குவாண்டைஸ் செய்வதற்கு முன்பே அரிதாகத் திசைதிருப்பப்படும் நிபுணர்களை நீக்குகிறது. ஒரு டோக்கனுக்குத் தோராயமாக 40B செயல்பாட்டு அளபுருக்கள் கொண்ட ஒரு சிதறிய MoE அடித்தளம், இப்படிக் கத்தரிக்கப்பட்டுக் குவாண்டைஸ் செய்யப்பட்டால், சமமான தரமுள்ள ஒரு அடர்த்தியான மாதிரியை விட மிகக் குறைவான நினைவகத்தையும், ஒரு டோக்கனுக்கு மிகக் குறைவான GPU-வினாடிகளையும் எடுத்துக்கொள்கிறது; விலை அதைப் பிரதிபலிக்கிறது.

மறுப்பு இல்லாத GLM என்றால் மாதிரிக்கு எந்தப் பாதுகாப்பு வேலியுமே இல்லை என்று அர்த்தமா?

Shannon எதையும் சேர்ப்பதில்லை என்று அர்த்தம். மாதிரிக்கு முன்னால் எந்த மறுப்பு வகைப்படுத்தியும் இல்லை, அதிலிருந்து வெளிவரும் டோக்கன்கள் மீது எந்த வடிகட்டியும் இல்லை. அதன் சொந்தப் பயிற்சி அடித்தளத்துக்குக் கொடுத்த மனப்பாங்குகள் எவையாக இருந்தாலும் அவை தக்கவைக்கப்படுகின்றன, ஆனால் வெளியிலிருந்து எதுவும் அவற்றை மீறுவதில்லை. கொள்கை அடுக்கு உங்களுடையது, மேலும் பயன்பாடு Shannon AI இன் பொறுப்பான பயன்பாட்டுக் கொள்கைக்கு உட்பட்டது.

GLM-5.2 3BIT-REAP பார்வையையோ பட உள்ளீட்டையோ ஆதரிக்கிறதா?

இல்லை. இந்த மாதிரி உரை மட்டுமே. ஒரு தணிக்கையற்ற இறுதிப்புள்ளியில் பட உள்ளீடு உங்களுக்குத் தேவைப்பட்டால், வரிசையில் உள்ள பார்வைத் திறன் கொண்ட மாதிரிகளில் ஒன்றைப் பயன்படுத்துங்கள் — MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 அல்லது inkling. GLM-5.2 கட்டமைக்கப்பட்ட வெளியீட்டை ஆதரிக்கிறது — json_schema ம் response_format ம் — கருவி அழைப்பையும் ஆதரிக்கிறது.

சூழல் சாளரமும் அதிகபட்ச வெளியீட்டு நீளமும் எவ்வளவு?

ஒரு கோரிக்கைக்கு 262,144 டோக்கன் சூழல், 16,384 டோக்கன் வெளியீடு. ஒரு மில்லியன் உள்ளீட்டு டோக்கனுக்கு $0.73 என்ற விலையில், முழு சூழல் சாளரத்தையும் ஒருமுறை நிரப்புவதற்குச் சுமார் 19 சென்ட் ஆகும், ஒரு அதிகபட்ச நீள நிறைவுக்கு 4 சென்டுக்கும் குறைவே ஆகும்.

நீண்ட கருவி அழைப்பு வளையங்களுக்கு இது ஒரு நல்ல தணிக்கையற்ற முகவர் மாதிரியா?

நாங்கள் முதலில் நாடுவது இதைத்தான். GLM-4.5 இலிருந்தே GLM வம்சாவளி முகவர் வேலைக்காக வெளிப்படையாகப் பயிற்றுவிக்கப்பட்டுள்ளது, கருவி அழைப்பும் reasoning_effort ம் இரண்டுமே ஆதரிக்கப்படுகின்றன, மேலும் இந்த விலையில் நூறு இருபதாயிரம்-டோக்கன் முகவர் சுற்றுகளுக்குப் பதினொரு டாலருக்குப் பதிலாகத் தோராயமாக இரண்டு டாலரே ஆகும். முகவர் வளையங்களில் மறுப்புகளும் ஒரு உண்மையான தோல்வி முறை, அதைத் தூண்டுவதற்கு இங்கே மறுப்புப் படை எதுவும் இல்லை.

தணிக்கையற்ற GLM API ஐ முயற்சியுங்கள்

உள்ளே $0.73 · வெளியே $2.34 · 262K சூழல் · மறுப்புப் படை இல்லை.

API ஆவணங்களைப் படியுங்கள் அனைத்து மாதிரிகளையும் பாருங்கள்

Shannon Lab LLC, நியூ மெக்சிகோ, அமெரிக்கா · பயன்பாடு பொறுப்பான பயன்பாட்டுக் கொள்கையால் நிர்வகிக்கப்படுகிறது

மூலங்கள்: Z.ai GLM-5 களஞ்சியம் · 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 Assessment of Z.ai's GLM-5.2, ஜூலை 2026. அடித்தள வரையறை மதிப்பெண்கள் ஆய்வகம் அறிவித்தவை, தற்காலிகமானவை; அவை சுருக்கப்படாத GLM-5.2 ஐ விவரிக்கின்றன, இந்தச் சுருக்கப்பட்ட கட்டமைப்பை அல்ல. விலை, சூழல், திறன் எண்கள் செப்டம்பர் 5, 2026 நிலவரப்படி Shannon AI வரிசை மதிப்புகள்.

அனைத்து ஆராய்ச்சி இணைப்புகள்