API GLM không kiểm duyệt: đáng tiền nhất trên mỗi token
Nền tảng GLM thiên về agent của Z.ai, phục vụ không lớp từ chối trên cụm GPU của riêng chúng tôi — ngữ cảnh 262K, gọi tool, và mức giá pha trộn chưa bằng một nửa giá chính chủ của cùng dòng mô hình.
Tóm tắt
GLM-5.2-3BIT-REAP là mô hình trên Shannon AI Gateway mà chúng tôi khuyến nghị mặc định. Nó chạy một nền tảng Mixture-of-Experts thưa 744 tỷ tham số thuộc dòng GLM — được huấn luyện rõ ràng cho việc dùng tool kiểu agent kể từ GLM-4.5 — nén bằng trọng số 3-bit và cắt tỉa expert REAP để vừa vặn và vẫn nhanh. Bạn nhận được ngữ cảnh 262.144 token, 16.384 token đầu ra, gọi tool, suy luận với reasoning_effort điều chỉnh được, và đầu ra có cấu trúc JSON Schema, với giá $0.73 / $2.34 mỗi triệu token. Không có lớp từ chối và không lọc đầu ra. Chỉ văn bản — không có thị giác.
Phần lớn các bài so sánh "mô hình rẻ nhất" đều không trung thực, vì lựa chọn rẻ thường là một mô hình nhỏ khoác lên mình phần marketing của một mô hình lớn. Ở đây không phải như vậy. GLM-5.2 là một trong những nền tảng trọng số mở lớn nhất từng được ai đó phát hành, và ở mức $0.73 vào / $2.34 ra, nó chỉ nằm cao hơn một bậc so với mức sàn trong danh mục của chúng tôi trong khi mang một nền tảng lớn gấp nhiều lần thứ mà mức sàn đó thường mua được. Khoảng cách đó — mô hình lớn, giá gần sàn — chính là lý do trang này tồn tại.
01GLM đến từ đâu: Thanh Hoa, blank infilling, và cú rẽ mạnh về phía agent
GLM không phải một biến thể Llama dán nhãn lại. Nó là một trong số ít dòng mô hình có mục tiêu tiền huấn luyện của riêng mình, được cùng một nhóm nghiên cứu lặp đi lặp lại suốt năm năm. Tên gọi viết tắt cho General Language Model, và bài báo khai sinh — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — đề xuất một lựa chọn thứ ba bên cạnh mô hình hóa ngôn ngữ có mặt nạ của BERT và lối tự hồi quy trái-sang-phải nghiêm ngặt của GPT. GLM che đi các đoạn liền kề rồi sinh lại chúng theo lối tự hồi quy với thứ tự bị xáo trộn, kèm mã hóa vị trí hai chiều theo dõi cả vị trí của token trong văn bản đã bị làm nhiễu lẫn vị trí của nó bên trong đoạn đang được điền: một kiến trúc xử lý cả hiểu lẫn sinh đều tốt như nhau.
Nhóm đứng sau nó là Knowledge Engineering Group của Đại học Thanh Hoa, nơi tách ra thành công ty nay được biết đến với tên Z.ai (trước là Zhipu AI). Sản phẩm gây tiếng vang đầu tiên của họ là GLM-130B vào tháng 10 năm 2022 — một mô hình dày đặc song ngữ Anh/Trung 130 tỷ tham số, trọng số và mã nguồn được công bố công khai ngay khi xuất bản. Phát hành mở đã là phong cách của họ kể từ đó.
Kỷ nguyên MoE, và cú xoay trục sang agent
Sợi chỉ xuyên suốt quan trọng hơn bất kỳ bản phát hành đơn lẻ nào. Kể từ GLM-4.5, mọi phiên bản đều được tối ưu cho cùng một thứ: giữ được mạch lạc qua hàng chục lượt gọi tool. Đó là một mục tiêu khác với việc tối đa hóa điểm benchmark một lượt, và nó thể hiện ra thành ít tham số gọi tool sai định dạng hơn, ít trôi dạt hơn trong một kế hoạch dài, và ít hơn cái kiểu "tự tin khởi động lại nhiệm vụ ở lượt thứ 14" vốn khiến các framework agent trở nên đắt đỏ.
02GLM-5.2 là gì, và nó được đo ở mức nào
Z.ai công bố các con số benchmark cho GLM-5.2 trong kho GLM-5. Hai con số ánh xạ vào công việc agent thật chứ không phải khả năng nhớ vặt:
Terminal-Bench 2.1 — các tác vụ agent dòng lệnh tầm dài. Do Z.ai báo cáo.
SWE-bench Pro — giải quyết issue trên kho mã thật. Do Z.ai báo cáo; GLM-5.1 đạt 58,4 trên cùng bài kiểm tra.
Đó là các con số của phòng lab, không phải của chúng tôi, và chúng mô tả nền tảng chưa nén. Chúng xác lập hạng mô hình mà bạn đang làm việc cùng, chứ không phải một lời bảo hành.
Có một dữ kiện đáng giá hơn cả một benchmark, vì nó đến từ một bên đánh giá không có động cơ tâng bốc mô hình. Tháng 7 năm 2026, Center for AI Standards and Innovation thuộc Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ đã đánh giá GLM-5.2 và kết luận rằng nó có lẽ là mô hình AI trọng số mở có năng lực nhất hiện có vào thời điểm phát hành, với năng lực tổng thể tương đương GPT-5.2 và năng lực về an ninh mạng tương đương Claude Opus 4.6. Cũng bản đánh giá đó nhận xét rằng GLM-5.2 chặn ít yêu cầu nhạy cảm hơn so với các mô hình tham chiếu của Mỹ, và rằng các biện pháp bảo vệ nướng vào trọng số mở có thể bị vòng qua một khi những trọng số đó được tự vận hành. Mục 05 sẽ quay lại chuyện này.
03"3BIT-REAP" nghĩa là gì, và nó khiến bạn mất gì
REAP: cắt tỉa expert thay vì gộp chúng lại
Một mô hình MoE 744 tỷ tham số có 256 expert mỗi lớp, trong đó 8 expert kích hoạt trên mỗi token bất kỳ. Bộ định tuyến không chia việc đều nhau — một số expert bị gọi liên tục, còn một cái đuôi dài thì hiếm khi được gọi và đóng góp ít khi được gọi. REAP (Router-weighted Expert Activation Pruning), từ Cerebras Research và được nhận vào ICLR 2026, khai thác điều đó: nó chấm điểm từng expert bằng một tiêu chí nổi bật kết hợp mức độ mạnh và tần suất mà bộ định tuyến mở cổng cho nó với độ lớn đóng góp đầu ra của nó, rồi loại bỏ vĩnh viễn những kẻ điểm thấp.
Phần thú vị là phép so sánh mà REAP thắng. Lựa chọn hiển nhiên thay cho việc bỏ một expert là gộp nó vào một expert sống sót, nghe có vẻ an toàn hơn. Phát hiện của bài báo trên các mô hình MoE từ 20B tới 1T tham số là việc gộp thực tế lại tệ hơn cho công việc sinh nội dung, còn cắt tỉa thì trụ vững đáng nể: gần như không mất mát trên các benchmark sinh mã và gọi tool ngay cả sau khi bỏ đi một nửa số expert, trên các nền tảng gồm Qwen3-Coder-480B và Kimi-K2. Việc mã và gọi tool sống sót nguyên vẹn đúng là thứ bạn muốn giữ lại trên một mô hình mà lý do tồn tại là kỹ thuật agent.
Trọng số 3-bit, và sự đánh đổi thành thật
Trên nền cắt tỉa đó, các trọng số sống sót được lưu ở 3 bit — mạnh tay hơn các bậc W4A16-AUTOROUND-REAP và W8A16 ở nơi khác trong danh mục của chúng tôi, và chỉ dành cho những nền tảng lớn nhất, nơi không còn cách nào khác để đưa một mô hình ba phần tư nghìn tỷ tham số lên một node phục vụ mà vẫn giữ token chảy ở tốc độ dùng được.
Nén không miễn phí. Mô hình tư duy đúng là: cắt tỉa và lượng tử hóa làm suy giảm cái đuôi dài trước tiên. Những hành vi dày đặc, được luyện tập thường xuyên — tuân thủ chỉ dẫn, cấu trúc mã, định dạng lời gọi tool, lập kế hoạch nhiều bước — sống sót tốt, và đó chính xác là những gì kết quả REAP cho thấy. Khả năng nhớ sự kiện hiếm gặp, các ngôn ngữ hiếm và kiến thức vặt ở lĩnh vực ngách mới là nơi bạn nên chờ đợi một khác biệt so với GLM-5.2 chưa nén. Nếu công việc của bạn là "nhớ vanh vách một sự kiện bất thường", hãy trả tiền cho một bậc trung thực cao hơn. Nếu nó là "chạy một kế hoạch qua bốn mươi lượt gọi tool mà không trật đường ray", thì đây chính là bậc mà phương pháp này được thiết kế cho.
04Bài toán giá trị: một API LLM không kiểm duyệt giá rẻ thực sự tốn bao nhiêu
Giá API niêm yết mà chính Z.ai công bố cho GLM-5.2 là $1.40 mỗi triệu token đầu vào và $4.40 mỗi triệu token đầu ra. Giá của chúng tôi trên cùng nền tảng là $0.73 / $2.34 — thấp hơn khoảng 48% ở đầu vào và 47% ở đầu ra. Khoản giảm đó là thứ mà việc nén mua được, và nó đi kèm một thứ thứ hai mà bạn không thể mua từ chính chủ ở bất kỳ giá nào: không có lớp từ chối.
Trong chính danh mục của chúng tôi, chi phí pha trộn mới là con số đáng quan tâm. Đây là con số đó ở tỷ lệ đầu vào trên đầu ra 3:1, xấp xỉ hình dạng thực tế của một agent gọi tool — rất nhiều ngữ cảnh và kết quả tool đi vào, tương đối ít token đi ra.
| Mô hình | Vào / 1M | Ra / 1M | Pha trộn 3:1 | Thị giác |
|---|---|---|---|---|
| GLM-5.2 · 3BIT-REAP | $0.73 | $2.34 | $1.13 | Không |
| Nemotron3Ultra · 3BIT-REAP | $0.75 | $3.30 | $1.39 | Không |
| Kimi-K2.6 · W4A16-AUTOROUND-REAP | $0.78 | $3.67 | $1.50 | Có |
| DeepSeek-V4-Pro-0813 · 3BIT-REAP | $1.95 | $3.90 | $2.44 | Không |
| inkling · W4A16-AUTOROUND-REAP | $1.42 | $6.07 | $2.58 | Có |
| Kimi-K3 · 3BIT-REAP | $3.83 | $19.12 | $7.65 | Có |
Sáu mô hình nằm ở mức sàn $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro và Hy3 — tức mức pha trộn $0.875. GLM-5.2 cao hơn mức sàn đó 29% và mua cho bạn một nền tảng hạng 744B với một khoản đầu tư bền bỉ vào hành vi agent đứng phía sau. Mọi thứ có giá cao hơn nó đều đắt hơn ít nhất 23% tính theo giá pha trộn, còn Kimi-K3 đắt hơn 6,8×. Đó là lập luận về giá trị gói trong một dòng: chỗ rẻ nhất trong danh mục để mua một nền tảng agent hạng đầu.
Quy đổi thành công việc
- Một lần lấp đầy ngữ cảnh — 262.144 token đầu vào: $0.19. Cả một kho mã lớn đọc vào cửa sổ với chưa tới hai mươi xu.
- Một lần hoàn thành dài tối đa — 16.384 token đầu ra: $0.038.
- Một lượt agent — 20K vào, 2K ra: $0.019. Cùng lượt đó tốn $0.115 trên Kimi-K3 và $0.047 trên DeepSeek-V4-Pro.
- Một trăm lượt agent: $1.93, so với $11.48 trên mô hình đắt nhất trong danh mục.
Các khối lượng công việc agent nặng về đầu vào, và lợi thế của GLM lớn nhất đúng ở chỗ đó: giá đầu vào của nó thấp hơn 5,2× so với Kimi-K3 và 2,7× so với DeepSeek-V4-Pro. Nếu agent của bạn gửi lại một cuộc hội thoại ngày càng dài ở mỗi lượt — và gần như agent nào cũng vậy — thì bội số đó chính là thứ rơi vào hóa đơn của bạn.
05"Không kiểm duyệt" nghĩa là gì trên endpoint này
Chính xác là hai điều: không có lớp từ chối — không có bộ phân loại quyết định mô hình được phép thấy yêu cầu nào, và không có mô hình chính sách viết lại prompt của bạn trước khi nó tới nơi — và không lọc đầu ra, nghĩa là các token mô hình sinh ra chính là các token bạn nhận được, không bị bôi đen và không bị tráo.
Đó là một đề xuất khác hẳn với một API thương mại quảng cáo chế độ "thoải mái" hay "dành cho lập trình viên". Những thứ đó vẫn định tuyến lưu lượng qua ngăn xếp chính sách của nhà cung cấp; cái thay đổi là ngưỡng, không phải sự tồn tại của cánh cổng. Ở đây không có cánh cổng nào để chỉnh — mô hình chạy trên cụm GPU của riêng chúng tôi, và hành vi của nó là hành vi của chính nền tảng. Hãy đọc phát hiện của NIST CAISI ở mục 02 như một phát biểu kỹ thuật chứ không phải một lời cảnh báo, và nó giải thích chính sản phẩm này: một mô hình có sự căn chỉnh nằm trong trọng số, phục vụ mà không có lớp chính sách bên ngoài, sẽ hành xử đúng theo trọng số của nó.
Vì sao điều này đặc biệt quan trọng với agent
Từ chối thường được bàn như một câu chuyện về nội dung. Trong công việc agent, nó chủ yếu là câu chuyện về độ tin cậy. Một lời từ chối ở lượt thứ 31 của một phiên 40 lượt không phải một lời chối từ lịch sự để bạn đọc rồi đi tiếp — nó là một bước sai định dạng, một bộ điều phối không biết phải làm gì tiếp, một kế hoạch gãy, và 30 lượt token đã tiêu mà chẳng có gì để trưng ra. Nghiên cứu bảo mật, phân tích mã độc, kiểm thử xâm nhập, red-teaming, hư cấu dành cho người lớn, soạn thảo y khoa và pháp lý, cùng việc sinh tập dữ liệu cho huấn luyện an toàn đều va vào chuyện này liên tục, và cú hỏng đắt đỏ chính vì nó rơi xuống muộn.
Mặt kia là lớp chính sách giờ thuộc về bạn. Việc sử dụng Shannon AI Gateway chịu sự điều chỉnh của Chính sách Sử dụng Có trách nhiệm của chúng tôi; gỡ phán đoán của nhà cung cấp ra khỏi vòng lặp nghĩa là bạn phải tự cung cấp phán đoán của mình.
06Endpoint thực sự cho bạn những gì
| Khả năng | GLM-5.2 · 3BIT-REAP |
|---|---|
| Model id | GLM-5.2-3BIT-REAP |
| Cửa sổ ngữ cảnh | 262.144 token |
| Đầu ra tối đa mỗi lượt gọi | 16.384 token |
| Streaming | Có |
| Gọi tool | Có |
Suy luận / reasoning_effort | Có |
JSON Schema (json_schema) | Có |
response_format | Có |
| Thị giác / đầu vào hình ảnh | Không — chỉ văn bản |
| Lớp từ chối / lọc đầu ra | Không có |
Hãy đọc kỹ dòng về thị giác trước khi bạn xây dựng. GLM-5.2 chỉ xử lý văn bản trên gateway của chúng tôi. Nếu bạn cần đầu vào hình ảnh, danh mục có năm lựa chọn có thị giác — MiniMax-M3 và MiMo-V2.5 ở mức sàn $0.50 / $2.00, Kimi-K2.6 ở $0.78 / $3.67, inkling ở $1.42 / $6.07, và Kimi-K3 ở $3.83 / $19.12. Một khuôn mẫu hợp lý là định tuyến phần hiểu hình ảnh sang MiniMax-M3 và mọi thứ khác sang GLM-5.2, việc này chẳng tốn gì ngoài một chuỗi tên mô hình.
Ba phương ngữ, một mô hình
Cùng một mô hình gọi được qua ba định dạng yêu cầu, tất cả đều streaming: /v1/chat/completions (phương ngữ OpenAI), /v1/messages (phương ngữ Anthropic), và /v1/responses. Không có gì về mô hình thay đổi giữa chúng — hãy chọn cái mà SDK của bạn vốn đã nói được, và thường bạn chỉ cách một lần đổi base URL là chạy được.
# 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, )
Đầy đủ schema yêu cầu và phản hồi cho cả ba phương ngữ, định dạng gọi tool, hình dạng sự kiện streaming, và một playground tương tác nằm trong tài liệu API của Shannon AI.
07Khi nào nên chọn GLM-5.2 — và khi nào thì không
Hãy chọn nó khi
- Bạn đang chạy agent. Các vòng lặp gọi tool dài chính là thứ dòng mô hình này được dựng ra và liên tục hậu huấn luyện cho, và giá đầu vào khiến việc gửi lại một cuộc hội thoại ngày càng dài ở mỗi lượt trở nên chấp nhận được.
- Bạn đang làm việc trên một codebase lớn. 262K ngữ cảnh, định dạng lời gọi tool đáng tin cậy, và $0.19 để đọc trọn cả cửa sổ.
- Khối lượng là ràng buộc của bạn. Phân loại, trích xuất, sinh dữ liệu tổng hợp, viết lại hàng loạt — mọi việc mà chi phí mỗi lượt gọi nhân với một con số lớn sẽ quyết định dự án có khả thi hay không.
- Từ chối đang làm gãy pipeline của bạn. Nghiên cứu bảo mật, kiểm thử đối kháng, hư cấu không kiểm duyệt, soạn thảo nhạy cảm — kiểu hỏng đó không tồn tại ở đây.
Hãy chọn thứ khác khi
- Bạn cần thị giác. Chỉ văn bản. Xem các lựa chọn có thị giác ở trên.
- Bạn cần khả năng suy luận một lượt sâu nhất. Với những bài toán phân tích một-phát khó nhất, DeepSeek-V4-Pro-0813 · 3BIT-REAP là công cụ nặng ký hơn với chi phí pha trộn gấp 2,2× — trên những lượt gọi mà trần năng lực là ràng buộc, đó là sự đánh đổi đúng.
- Bạn cần độ trung thực tối đa với kiến thức hiếm gặp. Bậc
W8A16— MiMo-V2.5-Pro và Hy3 — bị nén nhẹ tay hơn nhiều và nằm ở mức sàn $0.50 / $2.00, trên các nền tảng nhỏ hơn.
Mọi con số về nền tảng trên trang này đều do một bên khác chúng tôi công bố. Các con số về giá và khả năng là giá trị danh mục trực tiếp của chúng tôi, kiểm chứng được qua /v1/models bằng khóa của chính bạn. Hãy tự kiểm tra các nguồn sơ cấp.
Các con số benchmark của GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) do Z.ai báo cáo cho nền tảng chưa nén; việc tái lặp độc lập vẫn đang chờ. Các con số của Claude Opus 4.8 và GPT-5.5 chỉ hiển thị để tham khảo. Giá API niêm yết chính chủ của GLM-5.2 theo công bố của Z.ai, tháng 9 năm 2026.
08Câu hỏi thường gặp
API GLM không kiểm duyệt trên Shannon AI là gì?
Đó là model id GLM-5.2-3BIT-REAP trên Shannon AI Gateway: một bản dựng đã nén của nền tảng agent GLM-5.2 do Z.ai phát hành, phục vụ trên cụm GPU của riêng chúng tôi không kèm lớp từ chối và không lọc đầu ra. Giá là $0.73 mỗi triệu token đầu vào và $2.34 mỗi triệu token đầu ra, mang cửa sổ ngữ cảnh 262.144 token, và gọi được trên /v1/chat/completions, /v1/messages và /v1/responses.
Vì sao GLM 5.2 không kiểm duyệt rẻ hơn các mô hình lớn khác trong danh mục?
Là do cách nó được nén. 3BIT-REAP kết hợp trọng số 3-bit với REAP, một phương pháp cắt tỉa expert cho các mô hình Mixture-of-Experts, loại bỏ những expert hiếm khi được định tuyến tới trước khi lượng tử hóa. Một nền tảng MoE thưa với khoảng 40B tham số kích hoạt trên mỗi token, được cắt tỉa và lượng tử hóa theo cách này, chiếm ít bộ nhớ hơn hẳn và tốn ít giây-GPU trên mỗi token hơn hẳn so với một mô hình dày đặc cùng chất lượng, và giá phản ánh điều đó.
GLM không từ chối có nghĩa là mô hình hoàn toàn không có rào chắn nào?
Nó có nghĩa là Shannon không thêm rào chắn nào. Không có bộ phân loại từ chối đặt trước mô hình và không có bộ lọc trên các token đi ra khỏi nó. Nền tảng vẫn giữ mọi xu hướng mà quá trình huấn luyện của chính nó đã tạo ra, nhưng không có gì bên ngoài ghi đè lên chúng. Lớp chính sách là của bạn, và việc sử dụng chịu sự điều chỉnh của Chính sách Sử dụng Có trách nhiệm của Shannon AI.
GLM-5.2 3BIT-REAP có hỗ trợ thị giác hay đầu vào hình ảnh không?
Không. Mô hình này chỉ xử lý văn bản. Nếu bạn cần đầu vào hình ảnh trên một endpoint không kiểm duyệt, hãy dùng một trong các mô hình có thị giác trong danh mục như MiniMax-M3, Kimi-K2.6, Kimi-K3, MiMo-V2.5 hoặc inkling. GLM-5.2 có hỗ trợ đầu ra có cấu trúc — cả json_schema lẫn response_format — và gọi tool.
Cửa sổ ngữ cảnh và độ dài đầu ra tối đa là bao nhiêu?
262.144 token ngữ cảnh và 16.384 token đầu ra mỗi lượt gọi. Lấp đầy toàn bộ cửa sổ ngữ cảnh một lần tốn khoảng 19 xu ở mức $0.73 mỗi triệu token đầu vào, còn một lần hoàn thành dài tối đa tốn dưới 4 xu.
Đây có phải mô hình agent không kiểm duyệt tốt cho các vòng lặp gọi tool dài không?
Đây là mô hình chúng tôi tìm tới đầu tiên. Dòng GLM đã được huấn luyện rõ ràng cho công việc agent kể từ GLM-4.5, cả gọi tool lẫn reasoning_effort đều được hỗ trợ, và mức giá có nghĩa là một trăm lượt agent hai mươi nghìn token tốn khoảng hai đô la thay vì mười một. Từ chối cũng là một kiểu hỏng có thật trong các vòng lặp agent, và ở đây không có lớp từ chối nào để kích hoạt nó.
Thử API GLM không kiểm duyệt
$0.73 vào · $2.34 ra · ngữ cảnh 262K · không lớp từ chối.
Đọc tài liệu API Duyệt tất cả mô hìnhShannon Lab LLC, New Mexico, Hoa Kỳ · việc sử dụng chịu sự điều chỉnh của Chính sách Sử dụng Có trách nhiệm
Nguồn: Kho GLM-5 của Z.ai · Du và cộng sự, GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng và cộng sự, GLM-130B: An Open Bilingual Pre-trained Model · Lasby và cộng sự, REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · Đánh giá GLM-5.2 của Z.ai bởi NIST CAISI, tháng 7 năm 2026. Điểm benchmark của nền tảng là do phòng lab báo cáo và mang tính tạm thời; chúng mô tả GLM-5.2 chưa nén, không phải bản dựng đã nén này. Các con số về giá, ngữ cảnh và khả năng là giá trị danh mục của Shannon AI tính đến ngày 5 tháng 9, 2026.