Uncensored na GLM API: ang pinakasulit kada token
Ang agentikong pundasyong GLM ng Z.ai, inihahain nang walang refusal layer sa sarili naming GPU cluster — 262K na context, tool calling, at halong presyong wala pang kalahati ng halaga ng parehong angkan sa first-party.
TL;DR
Ang GLM-5.2-3BIT-REAP ang modelong inirerekomenda namin bilang default sa Shannon AI Gateway. Pinapatakbo nito ang isang 744-bilyong-parameter na sparse na pundasyong Mixture-of-Experts mula sa angkan ng GLM — tahasang sinanay para sa agentikong paggamit ng kasangkapan mula pa sa GLM-4.5 — na sinisiksik sa 3-bit na weights at REAP expert pruning kaya kumakasya ito at nananatiling mabilis. Nakukuha mo ang 262,144-token na context, 16,384 token ng output, tool calling, pangangatwiran na may naiaayos na reasoning_effort, at JSON Schema na structured output, sa halagang $0.73 / $2.34 kada milyong token. Walang refusal layer at walang filter sa output. Teksto lamang — walang vision.
Karamihan sa mga paghahambing ng "pinakamurang model" ay hindi tapat, dahil ang murang opsiyon ay kadalasang maliit na modelong nakasuot ng marketing ng malaking model. Hindi iyon ang nangyayari rito. Ang GLM-5.2 ay isa sa pinakamalalaking open-weight na pundasyong inilabas ninuman, at sa $0.73 in / $2.34 out, nakaupo ito isang baitang lang sa itaas ng sahig ng aming katalogo habang may dalang pundasyong ilang beses na mas malaki kaysa sa karaniwang nabibili sa sahig na iyon. Ang agwat na iyon — malaking model, presyong halos sahig — ang dahilan ng pahinang ito.
01Saan nanggaling ang GLM: Tsinghua, blank infilling, at matinding liko patungo sa mga agent
Ang GLM ay hindi rebadged na derivative ng Llama. Isa ito sa iilang pamilya ng model na may sariling layunin sa pretraining, na inulit-ulit sa loob ng limang taon ng parehong pangkat sa pananaliksik. Ang pangalan ay para sa General Language Model, at ang papel na nagpasimula nito — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — ay nagmungkahi ng ikatlong opsiyon sa tabi ng masked language modeling ng BERT at ng mahigpit na kaliwa-pakanang autoregression ng GPT. Binubura ng GLM ang magkakadikit na span at muling ginagawa ang mga ito nang autoregressive sa haluang pagkakasunod, na may dalawang-dimensiyong positional encoding na sumusubaybay sa posisyon ng token sa sirang dokumento at sa posisyon nito sa loob ng span na pinupunan: isang arkitekturang pantay ang husay sa pag-unawa at sa paggawa.
Ang pangkat sa likod nito ay ang Knowledge Engineering Group ng Tsinghua University, na nagbunga ng kompanyang kilala ngayon bilang Z.ai (dating Zhipu AI). Ang unang malaking artefakto nito ay ang GLM-130B noong Oktubre 2022 — isang 130-bilyong-parameter na bilinggwal na siksik na model sa Ingles at Tsino, na ang weights at code ay inilabas nang pampubliko sa oras ng paglalathala. Ang bukas na paglalabas ang naging estilo ng bahay mula noon.
Ang panahon ng MoE, at ang paglipat sa mga agent
Mas mahalaga ang tuloy-tuloy na hibla kaysa sa alinmang isang paglabas. Mula pa sa GLM-4.5, bawat bersyon ay inoptimisa para sa parehong bagay: pananatiling magkaugnay sa dose-dosenang tool call. Iba iyong layunin sa pagpapataas ng iskor sa benchmark na isang-turn, at lumilitaw ito bilang mas kaunting sirang argumento sa tool call, mas kaunting pag-anod sa mahabang plano, at mas kaunti sa gawing "tiwalang sinisimulan muli ang gawain sa ika-14 na turn" na nagpapamahal sa mga agent framework.
02Ano ang GLM-5.2, at saan ito nasukat
Naglalathala ang Z.ai ng mga numero ng benchmark para sa GLM-5.2 sa repository ng GLM-5. Dalawa ang tumutugma sa tunay na agentikong trabaho sa halip na sa paggunita ng trivia:
Terminal-Bench 2.1 — mahabang-abot na gawaing agent sa command line. Iniulat ng Z.ai.
SWE-bench Pro — paglutas ng isyu sa tunay na repository. Iniulat ng Z.ai; nag-iskor ang GLM-5.1 ng 58.4 sa parehong pagsusulit.
Mga numero iyon ng lab, hindi sa amin, at inilalarawan nila ang hindi sinisiksik na pundasyon. Itinatatag nila ang uri ng modelong hinaharap mo, hindi isang warantiya.
Isang datapoint ang mas mahalaga kaysa sa isang benchmark, dahil galing ito sa tagatasa na walang insentibong bolahin ang model. Noong Hulyo 2026, tinasa ng Center for AI Standards and Innovation ng National Institute of Standards and Technology ng US ang GLM-5.2 at napagpasyahang ito ang malamang na pinakamahusay na open-weight na modelong AI na makukuha noong inilabas ito, na may kabuuang kakayahang maihahambing sa GPT-5.2 at kakayahang pang-cyber na maihahambing sa Claude Opus 4.6. Napansin ng parehong pagtatasa na mas kaunting sensitibong kahilingan ang hinaharangan ng GLM-5.2 kaysa sa mga sanggunian na modelo ng US, at na ang mga pananggalang na nakaluto sa open weights ay maiikutan kapag ang mga weights na iyon ay sariling naka-host. Babalikan iyon ng Seksiyon 05.
03Ano ang ibig sabihin ng "3BIT-REAP," at ano ang halaga nito sa iyo
REAP: pagpupungos ng expert sa halip na paghahalo
Ang 744B-parameter na modelong MoE ay may 256 na expert kada layer, na 8 lang ang pumuputok sa alinmang token. Hindi pantay ang pamamahagi ng trabaho ng router — may mga expert na palaging tinatamaan, at may mahabang buntot na bihirang tinatamaan at kaunti ang naiaambag kapag natamaan. Sinasamantala iyon ng REAP (Router-weighted Expert Activation Pruning), mula sa Cerebras Research at tinanggap sa ICLR 2026: inuuri nito ang bawat expert ayon sa pamantayan ng kahalagahan na pinagsasama ang kung gaano kalakas at kadalas ito pinapasukan ng router sa laki ng ambag ng output nito, tapos permanenteng tinatanggal ang mababa ang iskor.
Ang kawili-wiling bahagi ay ang paghahambing na napapanalunan ng REAP. Ang halatang alternatibo sa pagtanggal ng expert ay ang paghahalo nito sa isang nakaligtas, na parang mas ligtas. Ang natuklasan ng papel sa mga modelong MoE mula 20B hanggang 1T na parameter ay ang paghahalo ay mas masahol pala para sa generative na trabaho, at kapansin-pansing humahawak ang pagpupungos: halos walang lugi sa mga benchmark ng paggawa ng code at tool calling kahit matapos alisin ang kalahati ng mga expert, sa mga pundasyong kabilang ang Qwen3-Coder-480B at Kimi-K2. Ang pananatiling buo ng code at tool calling ang mismong gusto mong mapanatili sa modelong ang dahilan ng pag-iral ay agentic engineering.
3-bit na weights, at ang tapat na pinagpalit
Bukod sa pagpupungos, ang natitirang weights ay iniimbak sa 3 bit — mas matindi kaysa sa mga antas na W4A16-AUTOROUND-REAP at W8A16 sa ibang bahagi ng aming katalogo, at nakalaan sa pinakamalalaking pundasyon, kung saan walang ibang paraan para mailagay ang tatlong-kapat-trilyong-parameter na model sa isang serving node at panatilihing umaagos ang mga token sa magagamit na bilis.
Hindi libre ang pagsisiksik. Ang tamang modelo sa isip: ang pagpupungos at kuwantisasyon ay sinisira muna ang mahabang buntot. Ang siksik at madalas gamitin na mga gawi — pagsunod sa tagubilin, istruktura ng code, pagpormat ng tool call, maramihang-hakbang na pagpaplano — ay maayos na nakakaligtas, at iyon mismo ang ipinapakita ng resulta ng REAP. Ang malalabong paggunita ng datos, bihirang wika at makipot na trivia sa larangan ang dapat mong asahang magkakaiba laban sa hindi sinisiksik na GLM-5.2. Kung ang trabaho mo ay "alamin ang di-pangkaraniwang bagay nang tiyak," magbayad para sa antas na mas mataas ang katapatan. Kung ito ay "magpatakbo ng plano sa apatnapung tool call nang hindi nalilihis," ito ang antas na dinisenyuhan ng pamamaraan.
04Ang usapin sa halaga: magkano talaga ang pagpapatakbo ng murang uncensored na LLM API
Ang sariling nailathalang listahan ng presyo ng API ng Z.ai para sa GLM-5.2 ay $1.40 kada milyong input token at $4.40 kada milyong output. Ang presyo namin sa parehong pundasyon ay $0.73 / $2.34 — humigit-kumulang 48% na mas mababa sa input at 47% na mas mababa sa output. Ang diskuwentong iyon ang binibili ng pagsisiksik, at kasama nito ang pangalawang bagay na hindi mo mabibili sa first-party sa anumang halaga: walang refusal layer.
Sa loob ng sarili naming katalogo, ang halong halaga ang numerong mahalaga. Narito ito sa 3:1 na ratio ng input sa output, na halos ganoon ang hitsura ng tool-calling na agent sa praktika — maraming context at resulta ng kasangkapan ang pumapasok, medyo kaunting token ang lumalabas.
| Model | In / 1M | Out / 1M | Halo 3:1 | Vision |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Wala |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Wala |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Meron |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Wala |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Meron |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Meron |
Anim na model ang nakaupo sa sahig na $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro at Hy3 — isang $0.875 na halong halaga. Ang GLM-5.2 ay 29% sa itaas ng sahig na iyon at binibili ka nito ng pundasyong 744B ang uri, na may matagalang pamumuhunan sa agentikong gawi sa likod nito. Lahat ng nakapresyo sa itaas nito ay hindi bababa sa 23% na mas mahal sa halo, at ang Kimi-K3 ay 6.8× na mas mahal. Iyon ang argumento sa halaga sa isang hanay: ang pinakamurang lugar sa katalogo para bumili ng pinakamataas na uri ng agentikong pundasyon.
Isinalin sa trabaho
- Isang buong pagpuno ng context — 262,144 na input token: $0.19. Isang buong malaking repository na binasa sa window sa wala pang bente sentimo.
- Isang pinakamahabang completion — 16,384 na output token: $0.038.
- Isang agent turn — 20K papasok, 2K palabas: $0.019. Ang parehong turn ay $0.115 sa Kimi-K3 at $0.047 sa DeepSeek-V4-Pro.
- Isang daang agent turn: $1.93, laban sa $11.48 sa pinakamahal na model sa katalogo.
Mabigat sa input ang mga agentikong trabaho, at pinakamalaki ang bentahe ng GLM doon mismo: ang presyo nito sa input ay 5.2× na mas mababa kaysa sa Kimi-K3 at 2.7× na mas mababa kaysa sa DeepSeek-V4-Pro. Kung ipinapadala muli ng agent mo ang lumalaking usapan sa bawat turn — at halos lahat ng agent ay ganito — ang multiplikador na iyon ang napupunta sa singil mo.
05Ano ang ibig sabihin ng "uncensored" sa endpoint na ito
Dalawang bagay, nang tumpak: walang refusal layer — walang classifier na nagpapasya kung aling kahilingan ang pinapayagang makita ng model, at walang policy model na muling sumusulat sa prompt mo bago ito dumating — at walang pagsala sa output, ibig sabihin ang mga token na ginagawa ng model ay ang mga token na natatanggap mo, walang tinabingan at walang pinalitan.
Ibang panukala iyon sa komersiyal na API na nag-aanunsyo ng "relaxed" o "developer" na mode. Nagruruta pa rin ang mga iyon ng trapiko sa policy stack ng vendor; ang nagbabago ay ang antas, hindi ang pag-iral ng tarangkahan. Dito walang tarangkahang iaayos — tumatakbo ang model sa sarili naming GPU cluster, at ang gawi nito ay ang gawi ng pundasyon. Basahin ang natuklasan ng NIST CAISI mula sa seksiyon 02 bilang teknikal na pahayag sa halip na babala at ipinapaliwanag nito ang produkto: ang modelong ang alignment ay nakatira sa weights nito, na inihahain nang walang panlabas na layer ng patakaran, ay kumikilos ayon sa weights nito.
Bakit mahalaga ito partikular para sa mga agent
Karaniwang tinatalakay ang mga pagtanggi bilang usaping nilalaman. Sa agentikong trabaho, karamihan sa mga ito ay usaping pagiging maaasahan. Ang pagtanggi sa ika-31 na turn ng 40-turn na takbo ay hindi magalang na pagtanggi na babasahin mo at lalampasan — sirang hakbang ito, isang orchestrator na hindi alam kung paano magpapatuloy, isang basag na plano, at 30 turn ng nagastos na token na walang maipakita. Palaging tinatamaan ito ng security research, pagsusuri ng malware, penetration testing, red-teaming, pang-adultong kathang-isip, medikal at legal na pagbabalangkas, at paggawa ng dataset para sa pagsasanay sa kaligtasan, at mahal ang pagbagsak dahil mismo sa huli itong dumarating.
Ang kabilang mukha ay sa iyo na ngayon ang layer ng patakaran. Ang paggamit ng Shannon AI Gateway ay pinamamahalaan ng aming Patakaran sa Responsableng Paggamit; ang pag-alis sa paghatol ng vendor sa loop ay nangangahulugang ikaw ang magbibigay ng sarili mo.
06Ano talaga ang ibinibigay sa iyo ng endpoint
| Kakayahan | GLM-5.2 · 3BIT-REAP |
|---|---|
| Model id | GLM-5.2-3BIT-REAP |
| Context window | 262,144 na token |
| Pinakamataas na output kada kahilingan | 16,384 na token |
| Streaming | Oo |
| Tool calling | Oo |
Pangangatwiran / reasoning_effort | Oo |
JSON Schema (json_schema) | Oo |
response_format | Oo |
| Vision / input na larawan | Wala — teksto lamang |
| Refusal layer / pagsala sa output | Wala |
Basahing mabuti ang hanay ng vision bago ka magtayo. Teksto lamang ang GLM-5.2 sa aming gateway. Kung kailangan mo ng input na larawan, may limang opsiyong may kakayahang vision ang katalogo — MiniMax-M3 at MiMo-V2.5 sa sahig na $0.50 / $2.00, Kimi-K2.6 sa $0.78 / $3.67, inkling sa $1.42 / $6.07, at Kimi-K3 sa $3.83 / $19.12. Isang matalinong pattern ang pagruruta ng pag-unawa sa larawan sa MiniMax-M3 at ng lahat ng iba pa sa GLM-5.2, na walang gastos maliban sa isang string ng model.
Tatlong dayalekto, isang model
Naaabot ang parehong model sa tatlong pormat ng kahilingan, lahat streaming: /v1/chat/completions (dayalektong OpenAI), /v1/messages (dayalektong Anthropic), at /v1/responses. Walang nagbabago sa model sa pagitan nila — piliin kung alin ang sinasalita na ng SDK mo, at karaniwang isang pagbabago lang ng base URL ang layo mo sa pagtakbo.
# 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, )
Nasa dokumentasyon ng API ng Shannon AI ang buong schema ng kahilingan at tugon para sa tatlong dayalekto, ang pormat ng tool calling, ang hugis ng streaming event, at ang interaktibong playground.
07Kailan piliin ang GLM-5.2 — at kailan hindi
Abutin ito kapag
- Nagpapatakbo ka ng mga agent. Ang mahahabang tool-calling loop ang mismong pinagtayuan at paulit-ulit na pinag-post-train ng angkang ito, at pinapamura ng presyo sa input ang muling pagpapadala ng lumalaking usapan sa bawat turn.
- Nagtatrabaho ka sa malaking codebase. 262K na context, maaasahang pormat ng tool call, at $0.19 para basahin ang buong window.
- Dami ang hadlang mo. Pag-uuri, paghango, paggawa ng sintetikong datos, pangmaramihang muling pagsulat — anumang halaga kada tawag na pinararami ng malaking bilang ang nagpapasya kung mabubuhay ang proyekto.
- Sinisira ng mga pagtanggi ang pipeline mo. Security research, adbersaryal na pagsubok, uncensored na kathang-isip, sensitibong pagbabalangkas — wala rito ang paraan ng pagbagsak na iyon.
Umabot sa iba kapag
- Kailangan mo ng vision. Teksto lamang. Tingnan ang mga opsiyong may kakayahang vision sa itaas.
- Kailangan mo ng pinakamalalim na isang-turn na pangangatwiran. Para sa pinakamahihirap na isang-tirang analitikong problema, ang DeepSeek-V4-Pro-0813 · 3BIT-REAP ang mas mabigat na kasangkapan sa 2.2× ng halong halaga — sa mga tawag kung saan ang kisame ang hadlang, tamang palitan iyon.
- Kailangan mo ng pinakamataas na katapatan sa malabong kaalaman. Ang antas na
W8A16— MiMo-V2.5-Pro at Hy3 — ay malayong hindi kasingtindi ang pagkakasiksik at nakaupo sa sahig na $0.50 / $2.00, sa mas maliliit na pundasyon.
Bawat numero ng pundasyon sa pahinang ito ay inilathala ng iba, hindi namin. Ang mga numero sa presyo at kakayahan ay sarili naming buhay na halaga sa katalogo, na mapapatunayan laban sa /v1/models gamit ang sarili mong susi. Tingnan mismo ang mga pangunahing sanggunian.
Ang mga numero ng benchmark ng GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) ay iniulat ng Z.ai para sa hindi sinisiksik na pundasyon; nakabinbin pa ang malayang pag-uulit. Ang mga numero ng Claude Opus 4.8 at GPT-5.5 ay ipinapakita para lamang sa sanggunian. Ang first-party na listahan ng presyo ng API ng GLM-5.2 ay ayon sa inilathala ng Z.ai, Setyembre 2026.
08Mga madalas itanong
Ano ang uncensored na GLM API sa Shannon AI?
Ito ang model id na GLM-5.2-3BIT-REAP sa Shannon AI Gateway: isang sinisiksik na build ng agentikong pundasyong GLM-5.2 ng Z.ai, inihahain sa sarili naming GPU cluster nang walang refusal layer at walang pagsala sa output. Nagkakahalaga ito ng $0.73 kada milyong input token at $2.34 kada milyong output token, may dalang 262,144-token na context window, at naaabot sa /v1/chat/completions, /v1/messages at /v1/responses.
Bakit mas mura ang uncensored na GLM 5.2 kaysa sa ibang malalaking model sa katalogo?
Dahil sa paraan ng pagsisiksik dito. Pinagsasama ng 3BIT-REAP ang 3-bit na weights sa REAP, isang paraan ng pagpupungos ng expert para sa mga modelong Mixture-of-Experts na nagtatanggal sa mga bihirang niruruta na expert bago kuwantisahin. Ang sparse na pundasyong MoE na may humigit-kumulang 40B na aktibong parameter kada token, na pinungusan at kinuwantisa sa ganitong paraan, ay sumasakop ng mas kaunting memorya at mas kaunting GPU-segundo kada token kaysa sa siksik na modelong katumbas ang kalidad, at sinasalamin iyon ng presyo.
Ibig bang sabihin ng GLM na walang pagtanggi ay wala talaga itong anumang gabay-hangganan?
Ibig sabihin ay walang idinadagdag ang Shannon. Walang refusal classifier sa harap ng model at walang filter sa mga token na lumalabas dito. Pinananatili ng pundasyon ang anumang hilig na ibinigay ng sarili nitong pagsasanay, pero walang panlabas na tumatabing dito. Sa iyo ang layer ng patakaran, at ang paggamit ay saklaw ng Patakaran sa Responsableng Paggamit ng Shannon AI.
Sinusuportahan ba ng GLM-5.2 3BIT-REAP ang vision o input na larawan?
Hindi. Teksto lamang ang modelong ito. Kung kailangan mo ng input na larawan sa isang uncensored na endpoint, gumamit ng isa sa mga modelong may kakayahang vision sa katalogo tulad ng MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 o inkling. Sinusuportahan naman ng GLM-5.2 ang structured output — parehong json_schema at response_format — at ang tool calling.
Ano ang context window at ang pinakamahabang output?
262,144 token ng context at 16,384 token ng output kada kahilingan. Ang pagpuno sa buong context window nang isang beses ay nagkakahalaga ng mga 19 sentimo sa $0.73 kada milyong input token, at ang pinakamahabang completion ay wala pang 4 sentimo.
Magandang agentikong uncensored na model ba ito para sa mahahabang tool-calling loop?
Ito ang unang inaabot namin. Tahasang sinanay ang angkan ng GLM para sa agentikong trabaho mula pa sa GLM-4.5, parehong suportado ang tool calling at ang reasoning_effort, at ang presyo ay nangangahulugang ang isang daang bente-mil-token na agent turn ay nagkakahalaga ng humigit-kumulang dalawang dolyar sa halip na labing-isa. Tunay ding paraan ng pagbagsak ang mga pagtanggi sa agent loop, at walang refusal layer dito na magpapasimula ng isa.
Subukan ang uncensored na GLM API
$0.73 in · $2.34 out · 262K na context · walang refusal layer.
Basahin ang API Docs Tingnan ang Lahat ng ModelShannon Lab LLC, New Mexico, USA · ang paggamit ay pinamamahalaan ng Patakaran sa Responsableng Paggamit
Mga sanggunian: Repository ng 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 · Pagtatasa ng NIST CAISI sa GLM-5.2 ng Z.ai, Hulyo 2026. Ang mga iskor sa benchmark ng pundasyon ay iniulat ng lab at pansamantala; inilalarawan nila ang hindi sinisiksik na GLM-5.2, hindi ang sinisiksik na build na ito. Ang mga numero sa presyo, context at kakayahan ay mga halaga sa katalogo ng Shannon AI noong Setyembre 5, 2026.