Sansürsüz GLM API'si: token başına en iyi değer

"En ucuz model" karşılaştırmalarının çoğu dürüst değildir, çünkü ucuz seçenek genellikle büyük bir modelin pazarlamasını giymiş küçük bir modeldir. Burada olan bu değil. GLM-5.2, herhangi birinin yayımladığı en büyük açık ağırlıklı temellerden biridir ve 0,73 $ giriş / 2,34 $ çıkış fiyatıyla kataloğumuzun tabanının bir basamak üstünde otururken, o tabanın genellikle satın aldığının birkaç katı büyüklükte bir temel taşır. Bu açık — büyük model, tabana yakın fiyat — bu sayfanın var olma nedenidir.

01GLM nereden geliyor: Tsinghua, boşluk doldurma ve ajanlara doğru sert bir dönüş

GLM, yeniden markalanmış bir Llama türevi değildir. Kendi ön eğitim hedefine sahip, aynı araştırma grubu tarafından beş yıl boyunca yinelenen sayılı model ailelerinden biridir. Adı General Language Model ifadesinden gelir ve kurucu makale — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — BERT'in maskeli dil modellemesi ile GPT'nin katı soldan sağa özbağlanımlılığının yanına üçüncü bir seçenek önerdi. GLM, bitişik aralıkları boşaltır ve karıştırılmış bir sırayla özbağlanımlı olarak yeniden üretir; iki boyutlu konum kodlamaları hem tokenin bozulmuş belgedeki konumunu hem de doldurulan aralık içindeki konumunu izler: anlama ve üretimi eşit derecede iyi yürüten tek bir mimari.

Arkasındaki grup, Tsinghua Üniversitesi'nin Knowledge Engineering Group'uydu; bu grup bugün Z.ai (eski adıyla Zhipu AI) olarak bilinen şirketi çıkardı. İlk manşetlik ürünü Ekim 2022'de GLM-130B oldu — 130 milyar parametreli, İngilizce/Çince iki dilli yoğun bir model; ağırlıkları ve kodu yayın anında kamuya açıldı. Açık yayın o günden beri evin tarzı.

MoE çağı ve ajanlara dönüş

Ana çizgi, tek tek sürümlerden daha önemli. GLM-4.5'ten bu yana her sürüm aynı şey için eniyilendi: onlarca araç çağrısı boyunca tutarlı kalmak. Bu, tek turluk kıyaslama puanlarını en üst düzeye çıkarmaktan farklı bir hedeftir ve kendini daha az bozuk araç argümanı, uzun bir planda daha az kayma ve ajan çerçevelerini pahalı kılan "14. turda görevi kendinden emin biçimde baştan başlatma" davranışının azlığı olarak gösterir.

02GLM-5.2 nedir ve neyle ölçüldü?

Z.ai, GLM-5.2 için kıyaslama sayılarını GLM-5 deposunda yayımlıyor. Bunlardan ikisi bilgi yarışması hatırlamasına değil, gerçek ajan işine karşılık geliyor:

Terminal-Bench 2.1 — uzun ufuklu komut satırı ajan görevleri. Z.ai tarafından bildirildi.

SWE-bench Pro — gerçek depo sorunlarının çözümü. Z.ai tarafından bildirildi; GLM-5.1 aynı testte 58,4 aldı.

Bunlar bizim değil laboratuvarın sayıları ve sıkıştırılmamış temeli tarif ediyorlar. Karşınızdaki model sınıfını belirlerler, bir garanti sunmazlar.

Tek bir veri noktası bir kıyaslamadan daha değerli, çünkü modeli pohpohlamak için hiçbir teşviki olmayan bir değerlendiriciden geliyor. Temmuz 2026'da ABD Ulusal Standartlar ve Teknoloji Enstitüsü'nün Yapay Zekâ Standartları ve İnovasyon Merkezi GLM-5.2'yi değerlendirdi ve yayımlandığı sırada muhtemelen mevcut en yetenekli açık ağırlıklı yapay zekâ modeli olduğu sonucuna vardı; genel yetenekleri GPT-5.2 ile, siber yetenekleri Claude Opus 4.6 ile karşılaştırılabilir bulundu. Aynı değerlendirme, GLM-5.2'nin ABD referans modellerinden daha az hassas isteği engellediğini ve açık ağırlıklara işlenen korumaların, o ağırlıklar kendi kendine barındırıldığında aşılabileceğini gözlemledi. 05. bölüm buna geri dönüyor.

03"3BIT-REAP" ne demek ve size neye mal oluyor?

REAP: uzmanları birleştirmek yerine budamak

744B parametreli bir MoE modelinde katman başına 256 uzman bulunur ve herhangi bir tokende bunların 8'i ateşlenir. Yönlendirici işi eşit dağıtmaz — bazı uzmanlar sürekli seçilirken, uzun bir kuyruk ender seçilir ve seçildiğinde de az katkı verir. Cerebras Research'ten çıkan ve ICLR 2026'ya kabul edilen REAP (Router-weighted Expert Activation Pruning) bunu değerlendirir: her uzmanı, yönlendiricinin onu ne kadar güçlü ve ne sıklıkta kapıladığını çıktısının katkı büyüklüğüyle birleştiren bir belirginlik ölçütüyle puanlar, sonra düşük puanlıları kalıcı olarak atar.

İlginç kısım, REAP'in kazandığı karşılaştırma. Bir uzmanı atmanın bariz alternatifi, onu hayatta kalan bir uzmana birleştirmektir; kulağa daha güvenli gelir. Makalenin 20B'den 1T'ye kadar MoE modellerinde bulduğu şey, birleştirmenin üretken iş için aslında daha kötü olduğu ve budamanın dikkate değer biçimde ayakta kaldığıdır: Qwen3-Coder-480B ve Kimi-K2 dahil temellerde, uzmanların yarısı kaldırıldıktan sonra bile kod üretimi ve araç çağırma kıyaslamalarında kayıpsıza yakın. Kod ve araç çağırmanın sağlam kalması, var olma nedeni ajanik mühendislik olan bir modelde korunmasını isteyeceğiniz tam olarak budur.

3 bitlik ağırlıklar ve dürüst ödünleşim

Budamanın üstüne, hayatta kalan ağırlıklar 3 bitte saklanıyor — kataloğumuzun başka yerlerindeki W4A16-AUTOROUND-REAP ve W8A16 katmanlarından daha agresif ve en büyük temellere ayrılmış; çünkü çeyrek trilyona üç çeyrek trilyon parametreli bir modeli bir sunum düğümüne sığdırıp tokenleri kullanılabilir bir hızda akıtmanın başka yolu yok.

Sıkıştırma bedava değil. Doğru zihinsel model şu: budama ve niceleme önce uzun kuyruğu bozar. Yoğun, sık çalıştırılan davranışlar — talimat takibi, kod yapısı, araç çağrısı biçimlendirmesi, çok adımlı planlama — iyi hayatta kalır ki REAP sonuçlarının gösterdiği tam olarak budur. Sıkıştırılmamış bir GLM-5.2'ye karşı fark beklemeniz gereken yerler ise gözden uzak olgusal hatırlama, ender diller ve niş alan bilgisidir. İş yükünüz "alışılmadık bir olguyu ezbere bilmek" ise daha yüksek sadakatli bir katmana para verin. "Kırk araç çağrısı boyunca raydan çıkmadan bir planı yürütmek" ise, yöntemin tasarlandığı katman budur.

04Değer savı: ucuz bir sansürsüz LLM API'sini çalıştırmak gerçekte neye mal olur?

Z.ai'ın GLM-5.2 için yayımladığı kendi API liste fiyatı milyon giriş tokeni başına 1,40 $ ve milyon çıkış başına 4,40 $. Aynı temel üzerindeki bizim fiyatımız 0,73 $ / 2,34 $ — yani kabaca girişte %48, çıkışta %47 daha az. Bu indirim, sıkıştırmanın satın aldığı şeydir ve yanında birinci taraftan hiçbir fiyata alamayacağınız ikinci bir şey gelir: reddetme katmanının olmaması.

Kendi kataloğumuz içinde önemli olan sayı harmanlanmış maliyettir. Aşağıda 3:1 giriş-çıkış oranıyla veriliyor; bu, uygulamada araç çağıran bir ajanın kabaca görünümüdür — içeri bol bağlam ve araç sonucu girer, dışarı görece az token çıkar.

Model	Giriş / 1M	Çıkış / 1M	Harmanlanmış 3:1	Görü
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Hayır
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Hayır
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Evet
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Hayır
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Evet
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Evet

Altı model 0,50 $ / 2,00 $ tabanında oturuyor — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro ve Hy3 — yani 0,875 $ harmanlanmış ücret. GLM-5.2 bu tabanın %29 üstünde ve size arkasında ajan davranışına sürdürülmüş bir yatırım bulunan 744B sınıfı bir temel kazandırıyor. Onun üstünde fiyatlanan her şey harmanlanmış olarak en az %23 daha pahalı, Kimi-K3 ise 6,8× daha pahalı. Değer savı tek satırda bu: katalogda üst düzey bir ajan odaklı temeli satın alabileceğiniz en ucuz yer.

İşe çevrildiğinde

• Bağlamın bir kez tam doldurulması — 262.144 giriş tokeni: 0,19 $. Yirmi sentin altına, pencereye okunmuş koca bir depo.
• Azami uzunlukta bir tamamlama — 16.384 çıkış tokeni: 0,038 $.
• Bir ajan turu — 20K giriş, 2K çıkış: 0,019 $. Aynı tur Kimi-K3'te 0,115 $, DeepSeek-V4-Pro'da 0,047 $ tutar.
• Yüz ajan turu: 1,93 $; katalogdaki en pahalı modelde 11,48 $.

Ajan iş yükleri giriş ağırlıklıdır ve GLM'in üstünlüğü tam da orada en büyüktür: giriş fiyatı Kimi-K3'ünkinin 5,2× ve DeepSeek-V4-Pro'nunkinin 2,7× altında. Ajanınız her turda büyüyen bir konuşmayı yeniden gönderiyorsa — ki hemen her ajan bunu yapar — faturanıza yazılan şey işte bu çarpandır.

05Bu uç noktada "sansürsüz" ne anlama geliyor?

Tam olarak iki şey: reddetme katmanı yok — modelin hangi istekleri görmesine izin verileceğine karar veren bir sınıflandırıcı ve isteminizi varmadan önce yeniden yazan bir politika modeli yok — ve çıktı filtresi yok, yani modelin ürettiği tokenler, sansürlenmeden ve değiştirilmeden aldığınız tokenlerdir.

Bu, "gevşetilmiş" ya da "geliştirici" modu reklamı yapan ticari bir API'den farklı bir öneridir. Onlar trafiği yine bir satıcının politika yığınından geçirir; değişen şey eşiktir, kapının varlığı değil. Burada ayarlanacak bir kapı yok — model kendi GPU kümemizde çalışır ve davranışı temelin davranışıdır. 02. bölümdeki NIST CAISI bulgusunu bir uyarı değil teknik bir ifade olarak okuyun; ürünü açıklar: hizalaması ağırlıklarında yaşayan, dış politika katmanı olmadan sunulan bir model, ağırlıklarına göre davranır.

Bu neden özellikle ajanlar için önemli?

Reddetmeler genellikle bir içerik sorunu olarak tartışılır. Ajan işinde ise büyük ölçüde bir güvenilirlik sorunudur. 40 turluk bir koşunun 31. turundaki bir reddetme, okuyup geçtiğiniz kibar bir ret değildir — bozuk bir adım, nasıl devam edeceğini bilmeyen bir orkestratör, kırılmış bir plan ve elde hiçbir şey olmadan harcanmış 30 turluk tokendir. Güvenlik araştırması, kötü amaçlı yazılım analizi, sızma testi, kırmızı takım çalışması, yetişkin kurgusu, tıbbi ve hukuki metin yazımı ile güvenlik eğitimi için veri kümesi üretimi bununla sürekli karşılaşır ve başarısızlık tam da geç geldiği için pahalıdır.

Madalyonun öbür yüzü, politika katmanının artık sizin olmasıdır. Shannon AI ağ geçidinin kullanımı Sorumlu Kullanım Politikamıza tabidir; satıcının kararını döngüden çıkarmak, kendi kararınızı koymak anlamına gelir.

06Uç nokta size gerçekte ne veriyor?

Yetenek	GLM-5.2 · 3BIT-REAP
Model kimliği	GLM-5.2-3BIT-REAP
Bağlam penceresi	262.144 token
İstek başına azami çıktı	16.384 token
Akış	Evet
Araç çağırma	Evet
Akıl yürütme / reasoning_effort	Evet
JSON Şeması (json_schema)	Evet
response_format	Evet
Görü / görsel girdi	Hayır — yalnızca metin
Reddetme katmanı / çıktı filtresi	Yok

İnşa etmeye başlamadan önce görü satırını dikkatle okuyun. GLM-5.2 ağ geçidimizde yalnızca metindir. Görsel girdiye ihtiyacınız varsa katalogda görü yetenekli beş seçenek var — 0,50 $ / 2,00 $ tabanında MiniMax-M3 ve MiMo-V2.5, 0,78 $ / 3,67 $ ile Kimi-K2.6, 1,42 $ / 6,07 $ ile inkling ve 3,83 $ / 19,12 $ ile Kimi-K3. Makul bir düzen, görsel anlamayı MiniMax-M3'e, geri kalan her şeyi GLM-5.2'ye yönlendirmektir; bunun bir model dizgesi dışında hiçbir maliyeti yoktur.

Üç lehçe, tek model

Aynı modele üç istek biçimi üzerinden erişilebilir ve hepsi akış destekler: /v1/chat/completions (OpenAI lehçesi), /v1/messages (Anthropic lehçesi) ve /v1/responses. Aralarında modele dair hiçbir şey değişmez — SDK'nızın zaten konuştuğu hangisiyse onu seçin, genellikle çalışmaya bir taban URL değişikliği uzaktasınız.

# 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,
)

Üç lehçenin tamamı için tam istek ve yanıt şemaları, araç çağırma biçimi, akış olay yapıları ve etkileşimli bir deneme alanı Shannon AI API belgelerinde yer alıyor.

07GLM-5.2 ne zaman seçilir — ne zaman seçilmez?

Şu durumlarda buna uzanın

• Ajan çalıştırıyorsanız. Uzun araç çağırma döngüleri, bu soyun inşa edildiği ve tekrar tekrar eğitim sonrasından geçirildiği şeydir; giriş fiyatı da büyüyen bir konuşmayı her turda yeniden göndermeyi karşılanabilir kılar.
• Büyük bir kod tabanında çalışıyorsanız. 262K bağlam, güvenilir araç çağrısı biçimlendirmesi ve pencerenin tamamını okumak için 0,19 $.
• Kısıtınız hacimse. Sınıflandırma, çıkarım, sentetik veri üretimi, toplu yeniden yazma — çağrı başına maliyet ile büyük bir sayının çarpımının projeyi uygulanabilir kılıp kılmadığına karar verdiği her iş.
• Reddetmeler hattınızı kırıyorsa. Güvenlik araştırması, hasmane test, sansürsüz kurgu, hassas metin yazımı — bu başarısızlık biçimi burada mevcut değil.

Şu durumlarda başka bir şeye uzanın

• Görüye ihtiyacınız varsa. Yalnızca metin. Yukarıdaki görü yetenekli seçeneklere bakın.
• En derin tek turluk akıl yürütmeye ihtiyacınız varsa. En zor tek atışlık analitik problemler için DeepSeek-V4-Pro-0813 · 3BIT-REAP, harmanlanmış maliyetin 2,2 katına daha ağır bir alettir — kısıtın tavan olduğu çağrılarda doğru ödünleşim odur.
• Gözden uzak bilgide azami sadakat gerekiyorsa. W8A16 katmanı — MiMo-V2.5-Pro ve Hy3 — çok daha az agresif sıkıştırılmıştır ve daha küçük temeller üzerinde 0,50 $ / 2,00 $ tabanında oturur.

GLM-5.2 kıyaslama rakamları (Terminal-Bench 2.1, SWE-bench Pro), sıkıştırılmamış temel için Z.ai tarafından bildirilmiştir; bağımsız yineleme beklemededir. Claude Opus 4.8 ve GPT-5.5 rakamları yalnızca referans amacıyla gösterilmiştir. Birinci taraf GLM-5.2 API liste fiyatları Z.ai tarafından Eylül 2026'da yayımlandığı şekliyledir.

08Sıkça sorulan sorular

---

Kaynaklar: Z.ai GLM-5 deposu · Du vd., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng vd., GLM-130B: An Open Bilingual Pre-trained Model · Lasby vd., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST CAISI, Z.ai'ın GLM-5.2 Değerlendirmesi, Temmuz 2026. Temel kıyaslama puanları laboratuvar tarafından bildirilmiştir ve geçicidir; bu sıkıştırılmış yapımı değil, sıkıştırılmamış GLM-5.2'yi tarif ederler. Fiyatlandırma, bağlam ve yetenek rakamları 5 Eylül 2026 itibarıyla Shannon AI katalog değerleridir.