API GLM ไม่เซ็นเซอร์: คุ้มค่าที่สุดต่อโทเค็น
โมเดลฐานเชิงเอเจนต์ GLM ของ Z.ai ให้บริการโดยไม่มีชั้นการปฏิเสธบนคลัสเตอร์ GPU ของเราเอง — คอนเท็กซ์ 262K การเรียกใช้ทูล และราคาผสมที่ต่ำกว่าครึ่งหนึ่งของที่สายพันธุ์เดียวกันคิดจากเจ้าของโมเดลเอง
สรุปสั้น ๆ
GLM-5.2-3BIT-REAP คือโมเดลบนเกตเวย์ Shannon AI ที่เราแนะนำเป็นค่าเริ่มต้น มันรันโมเดลฐาน Mixture-of-Experts แบบเบาบางขนาด 744 พันล้านพารามิเตอร์จากสายพันธุ์ GLM — ถูกฝึกมาเพื่อการใช้ทูลเชิงเอเจนต์อย่างชัดเจนตั้งแต่ GLM-4.5 — บีบอัดด้วยน้ำหนัก 3 บิตและการตัดผู้เชี่ยวชาญด้วย REAP เพื่อให้ใส่ลงได้และยังคงเร็ว คุณจะได้คอนเท็กซ์ 262,144 โทเค็น, เอาต์พุต 16,384 โทเค็น, การเรียกใช้ทูล, การให้เหตุผลพร้อมปรับ reasoning_effort ได้ และเอาต์พุตแบบมีโครงสร้างตาม JSON Schema ในราคา $0.73 / $2.34 ต่อหนึ่งล้านโทเค็น ไม่มีชั้นการปฏิเสธและไม่มีตัวกรองเอาต์พุต ข้อความล้วน — ไม่มีการมองเห็น
การเปรียบเทียบ "โมเดลที่ถูกที่สุด" ส่วนใหญ่ไม่ซื่อตรง เพราะตัวเลือกราคาถูกมักเป็นโมเดลเล็กที่สวมชุดการตลาดของโมเดลใหญ่ นั่นไม่ใช่สิ่งที่เกิดขึ้นตรงนี้ GLM-5.2 คือหนึ่งในโมเดลฐานน้ำหนักเปิดที่ใหญ่ที่สุดที่ใครเคยปล่อยออกมา และที่ $0.73 เข้า / $2.34 ออก มันอยู่สูงกว่าพื้นราคาของแคตตาล็อกเราเพียงขั้นเดียว ขณะที่แบกโมเดลฐานที่ใหญ่กว่าที่พื้นราคานั้นซื้อได้ตามปกติหลายเท่า ช่องว่างนั้น — โมเดลใหญ่ ราคาใกล้พื้น — คือเหตุผลที่หน้านี้มีอยู่
01GLM มาจากไหน: ชิงหวา การเติมช่องว่าง และการหักเลี้ยวแรง ๆ เข้าหาเอเจนต์
GLM ไม่ใช่อนุพันธ์ของ Llama ที่ติดป้ายใหม่ มันเป็นหนึ่งในไม่กี่ตระกูลโมเดลที่มีวัตถุประสงค์การฝึกล่วงหน้าของตัวเอง ซึ่งกลุ่มวิจัยกลุ่มเดียวกันพัฒนาซ้ำมาตลอดห้าปี ชื่อนี้ย่อมาจาก General Language Model และบทความก่อตั้ง — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — เสนอทางเลือกที่สามข้าง ๆ การสร้างแบบจำลองภาษาแบบปิดบังของ BERT และการถดถอยอัตโนมัติจากซ้ายไปขวาอย่างเคร่งครัดของ GPT GLM ปิดช่วงข้อความต่อเนื่องแล้วสร้างมันขึ้นใหม่แบบถดถอยอัตโนมัติในลำดับที่สับเปลี่ยน โดยมีการเข้ารหัสตำแหน่งสองมิติที่ติดตามทั้งตำแหน่งของโทเค็นในเอกสารที่ถูกทำให้เสีย และตำแหน่งของมันภายในช่วงที่กำลังถูกเติม: สถาปัตยกรรมเดียวที่จัดการทั้งความเข้าใจและการสร้างข้อความได้ดีพอ ๆ กัน
กลุ่มที่อยู่เบื้องหลังคือ Knowledge Engineering Group ของมหาวิทยาลัยชิงหวา ซึ่งแตกตัวออกมาเป็นบริษัทที่ปัจจุบันรู้จักกันในชื่อ Z.ai (เดิมคือ Zhipu AI) ผลงานพาดหัวชิ้นแรกของมันคือ GLM-130B ในเดือนตุลาคม 2022 — โมเดลหนาแน่นสองภาษาอังกฤษ/จีนขนาด 130 พันล้านพารามิเตอร์ ปล่อยน้ำหนักและโค้ดสู่สาธารณะพร้อมกับการตีพิมพ์ การปล่อยแบบเปิดเป็นสไตล์ประจำบ้านนับแต่นั้นมา
ยุค MoE และการหันเข้าหาเอเจนต์
เส้นเรื่องหลักสำคัญกว่าการปล่อยรุ่นใดรุ่นหนึ่ง นับตั้งแต่ GLM-4.5 ทุกเวอร์ชันถูกปรับให้เหมาะกับสิ่งเดียวกัน: การรักษาความสอดคล้องข้ามการเรียกใช้ทูลหลายสิบครั้ง นั่นเป็นวัตถุประสงค์คนละอย่างกับการทำคะแนนเกณฑ์มาตรฐานแบบตาเดียวให้สูงสุด และมันปรากฏออกมาเป็นอาร์กิวเมนต์ทูลที่ผิดรูปน้อยลง การเลื่อนไหลในแผนยาว ๆ น้อยลง และพฤติกรรมแบบ "เริ่มงานใหม่อย่างมั่นใจในรอบที่ 14" ที่ทำให้เฟรมเวิร์กเอเจนต์แพงน้อยลง
02GLM-5.2 คืออะไร และมันถูกวัดผลได้เท่าไร
Z.ai เผยแพร่ตัวเลขเกณฑ์มาตรฐานของ GLM-5.2 ไว้ในรีโพ GLM-5 สองรายการที่สะท้อนงานเชิงเอเจนต์จริงมากกว่าการท่องเกร็ดความรู้:
Terminal-Bench 2.1 — งานเอเจนต์บนบรรทัดคำสั่งระยะยาว รายงานโดย Z.ai
SWE-bench Pro — การแก้ปัญหาในรีโพจริง รายงานโดย Z.ai; GLM-5.1 ทำได้ 58.4 ในการทดสอบเดียวกัน
เหล่านั้นคือตัวเลขของห้องแล็บ ไม่ใช่ของเรา และมันอธิบายโมเดลฐานแบบไม่บีบอัด มันบอกให้รู้ว่าคุณกำลังจัดการกับโมเดลชั้นไหน ไม่ใช่การรับประกัน
มีข้อมูลชิ้นหนึ่งที่มีค่ามากกว่าเกณฑ์มาตรฐาน เพราะมันมาจากผู้ประเมินที่ไม่มีแรงจูงใจจะยกยอโมเดล ในเดือนกรกฎาคม 2026 Center for AI Standards and Innovation ของสถาบันมาตรฐานและเทคโนโลยีแห่งชาติสหรัฐฯ ประเมิน GLM-5.2 และสรุปว่ามันน่าจะเป็นโมเดล AI น้ำหนักเปิดที่มีความสามารถสูงที่สุดที่มีอยู่ ณ ตอนที่มันถูกปล่อยออกมา โดยความสามารถโดยรวมเทียบได้กับ GPT-5.2 และความสามารถด้านไซเบอร์เทียบได้กับ Claude Opus 4.6 การประเมินเดียวกันสังเกตว่า GLM-5.2 บล็อกคำขอที่อ่อนไหวน้อยกว่าโมเดลอ้างอิงของสหรัฐฯ และมาตรการป้องกันที่อบอยู่ในน้ำหนักเปิดอาจถูกหลบเลี่ยงได้เมื่อน้ำหนักเหล่านั้นถูกนำไปโฮสต์เอง หัวข้อ 05 จะกลับมาที่เรื่องนี้
03"3BIT-REAP" หมายถึงอะไร และคุณต้องจ่ายอะไรให้มัน
REAP: ตัดผู้เชี่ยวชาญออก แทนที่จะรวมพวกมัน
โมเดล MoE ขนาด 744B พารามิเตอร์มีผู้เชี่ยวชาญ 256 ตัวต่อชั้น ซึ่ง 8 ตัวจะทำงานในโทเค็นใดโทเค็นหนึ่ง เราเตอร์ไม่ได้กระจายงานอย่างเท่าเทียม — ผู้เชี่ยวชาญบางตัวถูกเรียกตลอดเวลา และหางยาวหนึ่งกลุ่มถูกเรียกน้อยและมีส่วนช่วยน้อยเมื่อถูกเรียก REAP (Router-weighted Expert Activation Pruning) จาก Cerebras Research ซึ่งได้รับการตอบรับใน ICLR 2026 ใช้ประโยชน์จากสิ่งนั้น: มันให้คะแนนผู้เชี่ยวชาญแต่ละตัวด้วยเกณฑ์ความเด่นที่รวมความหนักและความถี่ที่เราเตอร์เปิดเกตให้มันเข้ากับขนาดของส่วนที่เอาต์พุตของมันช่วย แล้วตัดตัวที่ได้คะแนนต่ำทิ้งอย่างถาวร
ส่วนที่น่าสนใจคือการเปรียบเทียบที่ REAP ชนะ ทางเลือกที่ชัดเจนแทนการตัดผู้เชี่ยวชาญทิ้งคือการรวมมันเข้ากับตัวที่รอด ซึ่งฟังดูปลอดภัยกว่า ข้อค้นพบของบทความในโมเดล MoE ตั้งแต่ 20B ถึง 1T พารามิเตอร์คือ การรวมนั้นแย่กว่าสำหรับงานสร้างข้อความ ส่วนการตัดทิ้งยืนได้ดีอย่างน่าทึ่ง: แทบไม่สูญเสียในเกณฑ์มาตรฐานการสร้างโค้ดและการเรียกใช้ทูล แม้หลังจากลบผู้เชี่ยวชาญไปครึ่งหนึ่ง บนโมเดลฐานรวมถึง Qwen3-Coder-480B และ Kimi-K2 การที่โค้ดและการเรียกใช้ทูลรอดมาครบถ้วนคือสิ่งที่คุณอยากให้ถูกรักษาไว้พอดี บนโมเดลที่มีเหตุผลของการดำรงอยู่คือวิศวกรรมเชิงเอเจนต์
น้ำหนัก 3 บิต และการแลกเปลี่ยนที่พูดกันตรง ๆ
เหนือจากการตัดทิ้ง น้ำหนักที่รอดมาถูกเก็บที่ 3 บิต — ดุดันกว่าระดับ W4A16-AUTOROUND-REAP และ W8A16 ที่อื่นในแคตตาล็อกของเรา และสงวนไว้สำหรับโมเดลฐานที่ใหญ่ที่สุด ซึ่งไม่มีวิธีอื่นที่จะเอาโมเดลสามในสี่ล้านล้านพารามิเตอร์ขึ้นโหนดให้บริการและรักษาการไหลของโทเค็นให้อยู่ในอัตราที่ใช้งานได้
การบีบอัดไม่ได้ฟรี แบบจำลองความคิดที่ถูกต้องคือ: การตัดทิ้งและการควอนไทซ์บั่นทอนหางยาวก่อน พฤติกรรมที่หนาแน่นและถูกใช้บ่อย — การทำตามคำสั่ง โครงสร้างโค้ด การจัดรูปแบบการเรียกใช้ทูล การวางแผนหลายขั้น — รอดมาได้ดี ซึ่งเป็นสิ่งที่ผล REAP แสดงให้เห็นพอดี การจดจำข้อเท็จจริงที่คลุมเครือ ภาษาที่พบได้ยาก และเกร็ดความรู้เฉพาะทางเฉพาะกลุ่ม คือจุดที่คุณควรคาดหวังความแตกต่างเมื่อเทียบกับ GLM-5.2 แบบไม่บีบอัด ถ้าภาระงานของคุณคือ "รู้ข้อเท็จจริงแปลก ๆ ได้ทันที" ก็จ่ายเพื่อระดับที่รักษาความเที่ยงตรงสูงกว่า ถ้ามันคือ "รันแผนข้ามการเรียกใช้ทูลสี่สิบครั้งโดยไม่หลุดราง" นี่คือระดับที่วิธีการนี้ถูกออกแบบมาเพื่อการนั้น
04เหตุผลเรื่องความคุ้มค่า: API LLM ไม่เซ็นเซอร์ราคาถูกมีต้นทุนการรันเท่าไรจริง ๆ
ราคาตามรายการ API ที่ Z.ai เผยแพร่เองสำหรับ GLM-5.2 คือ $1.40 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $4.40 ต่อเอาต์พุตหนึ่งล้านโทเค็น ราคาของเราบนโมเดลฐานเดียวกันคือ $0.73 / $2.34 — ถูกกว่าราว 48% ในฝั่งอินพุตและ 47% ในฝั่งเอาต์พุต ส่วนลดนั้นคือสิ่งที่การบีบอัดซื้อมาให้ และมันมาพร้อมสิ่งที่สองซึ่งคุณซื้อจากเจ้าของโมเดลเองไม่ได้ไม่ว่าจะราคาใด: การไม่มีชั้นการปฏิเสธ
ภายในแคตตาล็อกของเราเอง ต้นทุนแบบผสมคือตัวเลขที่สำคัญ นี่คือมันที่อัตราส่วนอินพุตต่อเอาต์พุต 3:1 ซึ่งใกล้เคียงกับหน้าตาของเอเจนต์ที่เรียกใช้ทูลในทางปฏิบัติ — คอนเท็กซ์และผลลัพธ์ทูลจำนวนมากเข้าไป และโทเค็นออกมาค่อนข้างน้อย
| โมเดล | เข้า / 1M | ออก / 1M | ผสม 3:1 | การมองเห็น |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | ไม่มี |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | ไม่มี |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | มี |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | ไม่มี |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | มี |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | มี |
มีหกโมเดลอยู่ที่พื้นราคา $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro และ Hy3 — คิดเป็นอัตราผสม $0.875 GLM-5.2 อยู่สูงกว่าพื้นนั้น 29% และซื้อโมเดลฐานระดับ 744B ที่มีการลงทุนต่อเนื่องในพฤติกรรมเชิงเอเจนต์อยู่เบื้องหลัง ทุกอย่างที่ราคาสูงกว่ามันแพงกว่าอย่างน้อย 23% แบบผสม และ Kimi-K3 แพงกว่า 6.8 เท่า นั่นคือข้อโต้แย้งเรื่องความคุ้มค่าในบรรทัดเดียว: ที่ที่ถูกที่สุดในแคตตาล็อกสำหรับการซื้อโมเดลฐานเชิงเอเจนต์ระดับท็อป
แปลงเป็นเนื้องาน
- การเติมคอนเท็กซ์เต็มหนึ่งครั้ง — โทเค็นอินพุต 262,144: $0.19 อ่านทั้งรีโพขนาดใหญ่เข้าหน้าต่างในราคาไม่ถึงยี่สิบเซนต์
- การตอบความยาวสูงสุดหนึ่งครั้ง — โทเค็นเอาต์พุต 16,384: $0.038
- เอเจนต์หนึ่งรอบ — 20K เข้า, 2K ออก: $0.019 รอบเดียวกันมีราคา $0.115 บน Kimi-K3 และ $0.047 บน DeepSeek-V4-Pro
- เอเจนต์หนึ่งร้อยรอบ: $1.93 เทียบกับ $11.48 บนโมเดลที่แพงที่สุดในแคตตาล็อก
ภาระงานเชิงเอเจนต์หนักไปทางอินพุต และข้อได้เปรียบของ GLM ใหญ่ที่สุดตรงนั้นพอดี: ราคาอินพุตของมันต่ำกว่าของ Kimi-K3 5.2 เท่า และต่ำกว่าของ DeepSeek-V4-Pro 2.7 เท่า ถ้าเอเจนต์ของคุณส่งบทสนทนาที่โตขึ้นเรื่อย ๆ ใหม่ทุกรอบ — และเอเจนต์แทบทุกตัวทำแบบนั้น — ตัวคูณนั้นคือสิ่งที่จะไปลงเอยบนใบแจ้งหนี้ของคุณ
05"ไม่เซ็นเซอร์" หมายถึงอะไรบนเอนด์พอยต์นี้
สองอย่างพอดี: ไม่มีชั้นการปฏิเสธ — ไม่มีตัวจำแนกที่ตัดสินว่าคำขอไหนโมเดลได้รับอนุญาตให้เห็น และไม่มีโมเดลนโยบายที่เขียนพรอมป์ของคุณใหม่ก่อนมันจะไปถึง — และไม่มีการกรองเอาต์พุต หมายความว่าโทเค็นที่โมเดลผลิตคือโทเค็นที่คุณได้รับ ไม่มีการปิดทับและไม่มีการสลับ
นั่นเป็นข้อเสนอที่ต่างจาก API เชิงพาณิชย์ที่โฆษณาโหมด "ผ่อนคลาย" หรือ "สำหรับนักพัฒนา" โหมดเหล่านั้นยังคงส่งทราฟฟิกผ่านสแต็กนโยบายของผู้ให้บริการ สิ่งที่เปลี่ยนคือเกณฑ์ ไม่ใช่การมีอยู่ของประตู ที่นี่ไม่มีประตูให้ปรับ — โมเดลรันบนคลัสเตอร์ GPU ของเราเอง และพฤติกรรมของมันคือพฤติกรรมของโมเดลฐาน อ่านข้อค้นพบของ NIST CAISI จากหัวข้อ 02 ในฐานะข้อความเชิงเทคนิคมากกว่าคำเตือน แล้วมันจะอธิบายตัวผลิตภัณฑ์: โมเดลที่การจัดแนวอยู่ในน้ำหนักของมันเอง เมื่อให้บริการโดยไม่มีชั้นนโยบายภายนอก ย่อมทำตัวตามน้ำหนักของมัน
ทำไมเรื่องนี้จึงสำคัญกับเอเจนต์เป็นพิเศษ
การปฏิเสธมักถูกพูดถึงในฐานะคำถามเรื่องเนื้อหา แต่ในงานเชิงเอเจนต์ มันเป็นคำถามเรื่องความน่าเชื่อถือเป็นหลัก การปฏิเสธในรอบที่ 31 ของการรัน 40 รอบไม่ใช่การบอกปัดสุภาพที่คุณอ่านแล้วเดินผ่านไป — มันคือขั้นตอนที่ผิดรูป ตัวประสานงานที่ไม่รู้จะไปต่ออย่างไร แผนที่พัง และโทเค็นที่ใช้ไป 30 รอบโดยไม่ได้อะไรกลับมา งานวิจัยความปลอดภัย การวิเคราะห์มัลแวร์ การทดสอบเจาะระบบ การทำทีมแดง นิยายสำหรับผู้ใหญ่ การร่างเอกสารทางการแพทย์และกฎหมาย และการสร้างชุดข้อมูลสำหรับการฝึกด้านความปลอดภัย ล้วนชนเรื่องนี้ตลอดเวลา และความล้มเหลวนั้นแพงเพราะมันมาถึงตอนสาย
ด้านกลับกันคือชั้นนโยบายเป็นของคุณแล้ว การใช้เกตเวย์ Shannon AI อยู่ภายใต้นโยบายการใช้งานอย่างรับผิดชอบของเรา การถอดวิจารณญาณของผู้ให้บริการออกจากวงจรหมายถึงการต้องจัดหาวิจารณญาณของคุณเองมาแทน
06เอนด์พอยต์ให้อะไรคุณจริง ๆ
| ความสามารถ | GLM-5.2 · 3BIT-REAP |
|---|---|
| รหัสโมเดล | GLM-5.2-3BIT-REAP |
| หน้าต่างคอนเท็กซ์ | 262,144 โทเค็น |
| เอาต์พุตสูงสุดต่อคำขอ | 16,384 โทเค็น |
| การสตรีม | รองรับ |
| การเรียกใช้ทูล | รองรับ |
การให้เหตุผล / reasoning_effort | รองรับ |
JSON Schema (json_schema) | รองรับ |
response_format | รองรับ |
| การมองเห็น / อินพุตเป็นภาพ | ไม่มี — ข้อความล้วน |
| ชั้นการปฏิเสธ / การกรองเอาต์พุต | ไม่มี |
อ่านแถวการมองเห็นให้ดีก่อนลงมือสร้าง GLM-5.2 เป็นข้อความล้วนบนเกตเวย์ของเรา ถ้าคุณต้องการอินพุตเป็นภาพ แคตตาล็อกมีตัวเลือกที่มองเห็นได้ห้าตัว — MiniMax-M3 และ MiMo-V2.5 ที่พื้นราคา $0.50 / $2.00, Kimi-K2.6 ที่ $0.78 / $3.67, inkling ที่ $1.42 / $6.07 และ Kimi-K3 ที่ $3.83 / $19.12 รูปแบบที่สมเหตุสมผลคือส่งงานทำความเข้าใจภาพไปที่ MiniMax-M3 และที่เหลือทั้งหมดไปที่ GLM-5.2 ซึ่งไม่มีต้นทุนอะไรนอกจากสตริงชื่อโมเดล
สาม dialect หนึ่งโมเดล
โมเดลเดียวกันเข้าถึงได้ผ่านรูปแบบคำขอสามแบบ สตรีมได้ทั้งหมด: /v1/chat/completions (dialect ของ OpenAI), /v1/messages (dialect ของ Anthropic) และ /v1/responses ไม่มีอะไรเกี่ยวกับโมเดลที่เปลี่ยนไประหว่างทั้งสาม — เลือกอันที่ SDK ของคุณพูดได้อยู่แล้ว แล้วโดยปกติคุณจะอยู่ห่างจากการรันเพียงการเปลี่ยน base URL หนึ่งครั้ง
# 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, )
สคีมาคำขอและการตอบกลับฉบับเต็มสำหรับทั้งสาม dialect รูปแบบการเรียกใช้ทูล รูปทรงของอีเวนต์ในการสตรีม และ playground แบบโต้ตอบ อยู่ในเอกสาร API ของ Shannon AI
07เมื่อไรควรเลือก GLM-5.2 — และเมื่อไรไม่ควร
เอื้อมไปหยิบมันเมื่อ
- คุณกำลังรันเอเจนต์ ลูปเรียกใช้ทูลยาว ๆ คือสิ่งที่สายพันธุ์นี้ถูกสร้างและถูกฝึกภายหลังซ้ำ ๆ เพื่อการนั้น และราคาอินพุตทำให้บทสนทนาที่โตขึ้นเรื่อย ๆ ส่งใหม่ได้ทุกรอบในราคาที่รับได้
- คุณกำลังทำงานข้ามโค้ดเบสขนาดใหญ่ คอนเท็กซ์ 262K การจัดรูปแบบการเรียกใช้ทูลที่เชื่อถือได้ และ $0.19 สำหรับการอ่านทั้งหน้าต่าง
- ปริมาณคือข้อจำกัดของคุณ การจำแนก การสกัดข้อมูล การสร้างข้อมูลสังเคราะห์ การเขียนใหม่จำนวนมาก — อะไรก็ตามที่ต้นทุนต่อการเรียกคูณด้วยจำนวนมาก ๆ เป็นตัวตัดสินว่าโปรเจกต์ทำได้จริงหรือไม่
- การปฏิเสธกำลังทำให้ไปป์ไลน์ของคุณพัง งานวิจัยความปลอดภัย การทดสอบเชิงปฏิปักษ์ นิยายไม่เซ็นเซอร์ การร่างเอกสารอ่อนไหว — โหมดความล้มเหลวนั้นไม่มีอยู่ที่นี่
เอื้อมไปหยิบอย่างอื่นเมื่อ
- คุณต้องการการมองเห็น ข้อความล้วนเท่านั้น ดูตัวเลือกที่มองเห็นได้ข้างต้น
- คุณต้องการการให้เหตุผลแบบตาเดียวที่ลึกที่สุด สำหรับโจทย์เชิงวิเคราะห์ครั้งเดียวที่ยากที่สุด DeepSeek-V4-Pro-0813 · 3BIT-REAP คือเครื่องมือที่หนักกว่าที่ต้นทุนผสม 2.2 เท่า — ในการเรียกที่เพดานคือข้อจำกัด นั่นคือการแลกที่ถูกต้อง
- คุณต้องการความเที่ยงตรงสูงสุดกับความรู้ที่คลุมเครือ ระดับ
W8A16— MiMo-V2.5-Pro และ Hy3 — ถูกบีบอัดเบามือกว่ามากและอยู่ที่พื้นราคา $0.50 / $2.00 บนโมเดลฐานที่เล็กกว่า
ทุกตัวเลขของโมเดลฐานในหน้านี้เผยแพร่โดยคนอื่นที่ไม่ใช่เรา ตัวเลขราคาและความสามารถเป็นค่าจากแคตตาล็อกสดของเราเอง ตรวจสอบได้กับ /v1/models ด้วยคีย์ของคุณเอง จงตรวจแหล่งปฐมภูมิด้วยตัวคุณเอง
ตัวเลขเกณฑ์มาตรฐานของ GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) รายงานโดย Z.ai สำหรับโมเดลฐานแบบไม่บีบอัด การทำซ้ำโดยอิสระยังรอดำเนินการ ตัวเลขของ Claude Opus 4.8 และ GPT-5.5 แสดงไว้เพื่อการอ้างอิงเท่านั้น ราคาตามรายการ API ของ GLM-5.2 จากเจ้าของโมเดลเองตามที่ Z.ai เผยแพร่ กันยายน 2026
08คำถามที่พบบ่อย
API GLM แบบไม่เซ็นเซอร์บน Shannon AI คืออะไร?
มันคือรหัสโมเดล GLM-5.2-3BIT-REAP บนเกตเวย์ Shannon AI: บิลด์ที่ถูกบีบอัดของโมเดลฐานเชิงเอเจนต์ GLM-5.2 ของ Z.ai ให้บริการบนคลัสเตอร์ GPU ของเราเองโดยไม่มีชั้นการปฏิเสธและไม่มีการกรองเอาต์พุต ราคา $0.73 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $2.34 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น มีหน้าต่างคอนเท็กซ์ 262,144 โทเค็น และเข้าถึงได้ที่ /v1/chat/completions, /v1/messages และ /v1/responses
ทำไม GLM 5.2 แบบไม่เซ็นเซอร์จึงถูกกว่าโมเดลขนาดใหญ่ตัวอื่นในแคตตาล็อก?
เพราะวิธีที่มันถูกบีบอัด 3BIT-REAP รวมน้ำหนัก 3 บิตเข้ากับ REAP วิธีตัดผู้เชี่ยวชาญสำหรับโมเดล Mixture-of-Experts ที่ตัดผู้เชี่ยวชาญซึ่งถูกกำหนดเส้นทางไปถึงน้อยออกก่อนจะควอนไทซ์ โมเดลฐาน MoE แบบเบาบางที่มีพารามิเตอร์ทำงานราว 40B ต่อโทเค็น เมื่อถูกตัดและควอนไทซ์แบบนี้ จะกินหน่วยความจำน้อยกว่ามากและใช้วินาที-GPU ต่อโทเค็นน้อยกว่ามาก เมื่อเทียบกับโมเดลหนาแน่นที่คุณภาพเทียบเท่า และราคาก็สะท้อนสิ่งนั้น
GLM แบบไม่ปฏิเสธคำขอ หมายความว่าโมเดลไม่มีราวกันตกเลยหรือ?
มันหมายความว่า Shannon ไม่ได้เพิ่มอะไรเข้าไป ไม่มีตัวจำแนกการปฏิเสธคั่นอยู่หน้าโมเดล และไม่มีตัวกรองบนโทเค็นที่ออกมาจากมัน โมเดลฐานยังคงนิสัยใดก็ตามที่การฝึกของมันเองให้ไว้ แต่ไม่มีอะไรจากภายนอกมาลบล้างมัน ชั้นนโยบายเป็นของคุณ และการใช้งานอยู่ภายใต้นโยบายการใช้งานอย่างรับผิดชอบของ Shannon AI
GLM-5.2 3BIT-REAP รองรับการมองเห็นหรืออินพุตเป็นภาพหรือไม่?
ไม่รองรับ โมเดลนี้เป็นข้อความล้วน ถ้าคุณต้องการอินพุตเป็นภาพบนเอนด์พอยต์ไม่เซ็นเซอร์ ให้ใช้โมเดลที่มีความสามารถด้านการมองเห็นในแคตตาล็อก เช่น MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 หรือ inkling ส่วน GLM-5.2 รองรับเอาต์พุตแบบมีโครงสร้าง — ทั้ง json_schema และ response_format — และการเรียกใช้ทูล
หน้าต่างคอนเท็กซ์และความยาวเอาต์พุตสูงสุดเท่าไร?
คอนเท็กซ์ 262,144 โทเค็น และเอาต์พุต 16,384 โทเค็นต่อคำขอ การเติมหน้าต่างคอนเท็กซ์ทั้งหมดหนึ่งครั้งมีค่าใช้จ่ายราว 19 เซนต์ ที่ราคา $0.73 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และการตอบแบบความยาวสูงสุดมีค่าใช้จ่ายต่ำกว่า 4 เซนต์
นี่เป็นโมเดลเอเจนต์ไม่เซ็นเซอร์ที่ดีสำหรับลูปเรียกใช้ทูลยาว ๆ หรือไม่?
มันคือตัวที่เราเอื้อมไปหยิบก่อน สายพันธุ์ GLM ถูกฝึกมาเพื่องานเชิงเอเจนต์อย่างชัดเจนตั้งแต่ GLM-4.5 การเรียกใช้ทูลและ reasoning_effort รองรับทั้งคู่ และราคาหมายความว่าเอเจนต์หนึ่งร้อยรอบขนาดสองหมื่นโทเค็นมีค่าใช้จ่ายราวสองดอลลาร์แทนที่จะเป็นสิบเอ็ดดอลลาร์ การปฏิเสธก็เป็นโหมดความล้มเหลวที่เกิดขึ้นจริงในลูปเอเจนต์ และที่นี่ไม่มีชั้นการปฏิเสธที่จะไปกระตุ้นมัน
ลองใช้ API GLM แบบไม่เซ็นเซอร์
$0.73 เข้า · $2.34 ออก · คอนเท็กซ์ 262K · ไม่มีชั้นการปฏิเสธ
อ่านเอกสาร API ดูโมเดลทั้งหมดShannon Lab LLC รัฐนิวเม็กซิโก สหรัฐอเมริกา · การใช้งานอยู่ภายใต้นโยบายการใช้งานอย่างรับผิดชอบ
แหล่งอ้างอิง: รีโพ 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 · การประเมิน GLM-5.2 ของ Z.ai โดย NIST CAISI กรกฎาคม 2026 คะแนนเกณฑ์มาตรฐานของโมเดลฐานเป็นข้อมูลที่ห้องแล็บรายงานและเป็นการชั่วคราว มันอธิบาย GLM-5.2 แบบไม่บีบอัด ไม่ใช่บิลด์ที่บีบอัดแล้วนี้ ตัวเลขราคา คอนเท็กซ์ และความสามารถ เป็นค่าจากแคตตาล็อกของ Shannon AI ณ วันที่ 5 กันยายน 2026