Zhipu (Z.ai) الرائد مفتوح المصدر MoE: إجمالي 355B / 32B نشط. استدلال هجين (وضع التفكير / وضع عدم التفكير)، استدعاء الأدوات الأصلي والسطح الوكيل، سياق 128K.
GLM-4.5 هو نموذج لغة نصي فقط من Z.ai، يمكن الوصول إليه عبر واجهة برمجة التطبيقات المتوافقة مع OpenAI من OrcaRouter. يقدم نافذة سياقية بسعة 128,000 رمز (token) ويمكنه إخراج ما يصل إلى 96,000 رمز لكل…
يتفوق GLM-4.5 في المهام التي تتضمن التفكير الرياضي، والاستنباط المنطقي، وحل المشكلات خطوة بخطوة. يحقق درجة 97.9 في MATH-500، مما يشير إلى دقة عالية في مجموعة من المسائل الرياضية. تشمل حالات الاستخدام القوية الأخرى توليد الأكواد وشرحها، خاصةً للخوارزميات والحسابات الرياضية. نافذة السياق الكبيرة (128K رمزًا) تجعله مناسبًا لمعالجة المستندات الطويلة، مثل الأوراق البحثية، والنصوص القانونية، أو الأدلة التقنية. بالإضافة إلى ذلك، يمكنه التعامل مع المحادثات متعددة الجولات التي تتضمن الإشارة إلى أجزاء سابقة من المحادثة، بشرط أن يتسع التاريخ الكامل ضمن حد 128K.
بالنسبة للمهام البسيطة مثل التصنيف المباشر، تلخيص النصوص القصيرة، أو الإجابة على الأسئلة الأساسية، قد يكون النموذج الأصغر أكثر فعالية من حيث التكلفة. سعر GLM-4.5 هو 0.60 دولار لكل مليون رمز إدخال و2.20 دولار لكل مليون رمز إخراج. إذا كان تطبيقك لا يتطلب السياق الكامل البالغ 128 ألف رمز أو التفكير الرياضي القوي، فقد توفر التكاليف باختيار نموذج بتسعير أقل لكل رمز. أيضًا، بالنسبة للتطبيقات متعددة الوسائط (مثل التعليق على الصور أو تحليل الفيديو)، فإن GLM-4.5 غير مناسب لأنه يعالج النص فقط. في هذه الحالات، فكر في نماذج تدعم الإدخالات البصرية أو الصوتية.
نعم، يمكن لـ GLM-4.5 توليد الشيفرات البرمجية، خاصة للمشكلات التي تتضمن عمليات حسابية أو منطق خوارزمي. تشير درجته العالية في MATH-500 (97.9) إلى كفاءته في الاستدلال على الإنشاءات العددية والمنطقية، مما يترجم إلى مخرجات شيفرة دقيقة بلغات مثل بايثون أو جافا أو سي++. تسمح نافذة السياق الكبيرة للنموذج بالنظر في قواعد الشيفرة الكاملة أو الوثائق الطويلة أثناء توليد الشيفرة. ومع ذلك، فإن قوته الأساسية تكمن في الاستدلال بدلاً من المهام الثقيلة في بناء الجملة. بالنسبة للمهام التي تتطلب معرفة عميقة بأُطر العمل أو المكتبات المحددة، قد يكون نموذج الشيفرة المتخصص أكثر ملاءمة.
نافذة سياق بحجم 128K تعني أن نموذج GLM-4.5 يمكنه معالجة ما يصل إلى حوالي 96,000 كلمة (أو 128,000 رمز فرعي) في طلب واحد. هذا مفيد للمهام التي تتضمن مستندات طويلة، أو محادثات مطولة، أو تحليل بيانات واسع النطاق في موجه واحد. يمكن للنموذج الحفاظ على الترابط عبر هذا السياق الطويل، وهو أمر مهم للتلخيص، والإجابة على الأسئلة حول النصوص الطويلة، والاستدلال متعدد الخطوات. ومع ذلك، قد يختلف طول السياق الفعلي الفعال حسب تعقيد المحتوى. يجب على المستخدمين اختبار حالات الاستخدام الخاصة بهم لضمان أداء ثابت عند الطرف العلوي للنافذة.
MATH-500 هو معيار يتكون من 500 مسألة رياضية تغطي مستويات صعوبة مختلفة، من الحساب الأساسي إلى أسئلة المنافسة المتقدمة. تعني النتيجة 97.9 أن GLM-4.5 أجاب على 97.9% من هذه المسائل بشكل صحيح. وهذا يشير إلى قدرة قوية جدًا على التفكير الرياضي. من المحتمل أن النموذج يستخدم تفكيرًا خطوة بخطوة صارمًا للوصول إلى الإجابات. يجب على المستخدمين ملاحظة أن هذا المعيار يختبر القدرة الرياضية البحتة وقد لا يعكس الأداء في مهام أخرى مثل الكتابة الإبداعية أو الحوار المفتوح. إنه مقياس مفيد لتقييم النماذج المخصصة لتطبيقات العلوم والتكنولوجيا والهندسة والرياضيات.
لا يتم توفير أرقام دقيقة للسرعة والزمن الكامن لـ GLM-4.5 بشكل عام من قبل Z.ai. يعتمد الأداء على عوامل مثل حجم الطلب، طول المخرجات، ظروف الشبكة، وحمل الخادم. من خلال OrcaRouter، يمكن للمستخدمين توقع زمن كامن نموذجي لنموذج بهذا الحجم. كنموذج نصي فقط مع سياق 128K، قد يزيد الزمن الكامن بشكل متناسب مع طول الإدخال. يتوفر البث لتقليل الوقت المحسوس حتى أول رمز مميز. للتطبيقات في الوقت الفعلي، نوصي بإجراء اختبارات تحميل مع عبء العمل النموذجي الخاص بك. تم تصميم بنية OrcaRouter للوصول الموثوق إلى واجهة برمجة التطبيقات (API)، ولكن يجب قياس معايير السرعة المحددة في بيئتك الخاصة.
تكمن القوة الأساسية لـ GLM-4.5 في التفكير الرياضي، كما يتضح من درجته 97.9 على اختبار MATH-500. كما أنه يتعامل بفعالية مع السياقات الطويلة (128K رمزًا)، مما يجعله مناسبًا للمهام على مستوى المستندات. يمكن للنموذج إنشاء ما يصل إلى 96K رمزًا لكل مخرجات، وهو مفيد للردود الطويلة أو سلاسل التفكير متعددة الخطوات. وهو مسعّر بشكل تنافسي بالنسبة لمستوى أدائه. بالإضافة إلى ذلك، يتم الوصول إليه عبر واجهة برمجة التطبيقات المتوافقة مع OpenAI من OrcaRouter، مما يسهل التكامل للمطورين الذين هم على دراية بذلك النظام البيئي. النموذج مخصص للنص فقط، مما يبسّط النشر عندما لا تكون الرؤية أو الصوت مطلوبة.
نموذج GLM-4.5 لا يدعم أي وسائط إدخال بخلاف النص. لا يمكنه معالجة الصور أو الصوت أو الفيديو. تركز بيانات تدريبه وتصميمه على التفكير والرياضيات؛ وقد يكون أداؤه ضعيفًا في المهام الإبداعية أو الذاتية مقارنة بالنماذج ذات الأغراض العامة. اختبار MATH-500، رغم كونه مثيرًا للإعجاب، هو تقييم ضيق: أداء النموذج على اختبارات أخرى (مثل البرمجة والمنطق والواقعية) غير مُقدم. أيضًا، مثل جميع نماذج اللغة الكبيرة، يمكنه إنتاج أخطاء أو هلوسات، خاصةً مع المدخلات الغامضة أو الخارجة عن التوزيع. يجب على المستخدمين التحقق من المخرجات للتطبيقات الحرجة. قد تزيد نافذة السياق الكبيرة من زمن الانتظار والتكلفة للطلبات الطويلة جدًا.
GLM-4.5 يُسعّر بـ 0.60 دولار لكل مليون رمز إدخال و 2.20 دولار لكل مليون رمز إخراج. هذا هو سعر المزود من Z.ai، ولا يضيف OrcaRouter أي هامش ربح. الفواتير تعتمد على الاستخدام: أنت تدفع فقط مقابل الرموز المستهلكة. تشمل رموز الإدخال المطالبة وأي رسائل نظام؛ أما رموز الإخراج فيولدها النموذج. الرمز الواحد يعادل تقريبًا 0.75 كلمة في اللغة الإنجليزية. لطلب نموذجي يحتوي على 10,000 رمز إدخال و 5,000 رمز إخراج، ستكون التكلفة: (0.60 * 0.01) + (2.20 * 0.005) = 0.006 دولار + 0.011 دولار = 0.017 دولار. هذا التسعير الشفاف يسمح بتقدير سهل للتكلفة.
نظراً لهيكل تسعيره، فإن GLM-4.5 هو الأكثر فعالية من حيث التكلفة للتطبيقات التي تستفيد من قدرته العالية على الاستدلال الرياضي والسياق الطويل. بالنسبة للمهام البسيطة، قد تكون النماذج الأرخص كافية، مما يقلل من التكاليف التشغيلية. تزيد نافذة السياق البالغة 128 ألف رمز من استخدام الرموز لكل طلب، مما قد يرفع التكاليف إذا لم يتم تحسينها. لإدارة النفقات، يُنصح باقتطاع المطالبات إلى الطول اللازم واستخدام حدود طول الإخراج. أيضاً، نظراً لأن OrcaRouter لا يفرض أي عمولة، فإن التكلفة تعكس بشكل كبير تسعير المزود. يمكن أن يقلل التخزين المؤقت من التكاليف بشكل أكبر إذا أعدت استخدام أجزاء المطالبات الشائعة، لكن سياسات التخزين المؤقت المحددة تعتمد على تنفيذك مع OrcaRouter.
لا يوفر OrcaRouter بشكل أصلي تخزينًا مؤقتًا لطلبات GLM-4.5. يتم تطبيق التخزين المؤقت عادةً على جانب العميل. على سبيل المثال، يمكنك تخزين الاستجابات للاستفسارات المتطابقة لتجنب الفوترة المتكررة. بدلاً من ذلك، يمكنك تصميم تطبيقك لإعادة استخدام السياق حيثما أمكن. نظرًا لأن GLM-4.5 يتم فوترته لكل رمز (token)، فإن التخزين المؤقت يمكن أن يقلل التكاليف بشكل كبير للتطبيقات ذات أحجام الطلبات العالية، خاصةً إذا كانت العديد من الطلبات تشترك في بادئات متشابهة (مثل تعليمات النظام). إذا كنت بحاجة إلى تخزين مؤقت على جانب الخادم، ففكر في استخدام ميزات التخزين المؤقت للدفعات أو الاستفسارات في OrcaRouter إذا كانت متاحة—اطلع على وثائقهم للحصول على التفاصيل.
يدعم GLM-4.5 ما يصل إلى 96,000 رمز إخراج لكل طلب. هذا رقم مرتفع بشكل غير عادي وقد يؤدي إلى تكاليف أعلى لكل طلب إذا قمت بتوليد ردود طويلة. على سبيل المثال، توليد 96,000 رمز إخراج سيكلف 96,000/1,000,000 * $2.20 = $0.2112 لكل طلب. بينما يتيح ذلك توليد نصوص طويلة جدًا، قد يكون من الأكثر اقتصادية تحديد طول الإخراج باستخدام المعامل 'max_tokens' ما لم تكن المهمة تتطلب حقًا مخرجات طويلة. ينبغي على المستخدمين المهتمين بالميزانية وضع حدود مناسبة. يتم جمع عدد رموز الإدخال والإخراج معًا وفرض رسوم عليها بشكل منفصل وفقًا لأسعار كل منهما.
يمكنك الوصول إلى GLM-4.5 عبر واجهة برمجة التطبيقات المتوافقة مع OpenAI من OrcaRouter. عيّن عنوان URL الأساسي إلى https://api.orcarouter.ai/v1. استخدم معرف النموذج "z-ai/glm-4.5" في طلباتك. تقبل واجهة برمجة التطبيقات معلمات OpenAI القياسية مثل 'prompt' و 'max_tokens' و 'temperature' وما إلى ذلك. على سبيل المثال، سيستخدم استدعاء إكمال المحادثة نقطة النهاية /v1/chat/completions. يتطلب المصادقة مفتاح API من OrcaRouter. تتصرف واجهة برمجة التطبيقات مثل OpenAI API، لذا يمكن ترحيل الكود الموجود بسهولة عن طريق تغيير عنوان URL الأساسي واسم النموذج. راجع وثائق OrcaRouter للحصول على تفاصيل المصادقة.
المعلمات الشائعة تتضمن: 'model' (مضبوط على "z-ai/glm-4.5")، 'messages' (قائمة من القواميس تحتوي على role و content)، 'max_tokens' (حتى 96000)، 'temperature' (يُتحكم في العشوائية، غير مُحدد افتراضيًا)، 'top_p' (أخذ عينات النواة)، 'stream' (قيمة منطقية)، و 'stop' (التسلسلات التي يتوقف عندها التوليد). يدعم GLM-4.5 تنسيق إكمال الدردشة OpenAI. قد لا تكون جميع المعلمات المتقدمة (مثل logprobs أو استدعاءات الأدوات) مدعومة؛ اختبر حالة الاستخدام الخاصة بك. إذا كنت بحاجة إلى ضبط عقوبات التكرار أو الحضور، استشر وثائق OrcaRouter لمعرفة التوافق. يقبل النموذج رسائل النظام لضبط السلوك.
الترحيل بسيط. قم بتحديث عنوان URL الأساسي لرمزك إلى https://api.orcarouter.ai/v1 واستبدل اسم النموذج بـ "z-ai/glm-4.5". تأكد من أن لديك مفتاح API صالحًا لـ OrcaRouter. تنسيقات الطلب والاستجابة مطابقة لتنسيقات OpenAI. لا حاجة لتغييرات في بنية المطالبة أو المعلمات إلا إذا كنت تستخدم ميزات خاصة بالنموذج غير مدعومة من قبل OrcaRouter. اختبر مع دفعة صغيرة لتأكيد السلوك. إذا كنت تستخدم التدفق، فإن نفس نقطة نهاية التدفق تعمل. توفر وثائق OrcaRouter خطوات استكشاف الأخطاء وإصلاحها للمشكلات الشائعة.
يتم تحديد معدلات التقييد وحصص الاستخدام لـ GLM-4.5 بواسطة OrcaRouter بناءً على مستوى حسابك. تُقاس معدلات التقييد النمطية بعدد الطلبات في الدقيقة (RPM) وعدد الرموز المميزة في الدقيقة (TPM). للاستخدام عالي الحجم، قد تحتاج إلى طلب حد أعلى. يُرجع واجهة برمجة تطبيقات (API) الخاصة بـ OrcaRouter رموز حالة HTTP القياسية (مثل 429 لتقييد المعدل). يُوصى بتطبيق التراجع الأسي (exponential backoff) في عميلك. لا يوجد ذكر لحصص صارمة في المعلومات المتاحة؛ اتصل بدعم OrcaRouter للحصول على حدود محددة. نافذة السياق وطول المخرجات للنموذج هي حدود لكل طلب، وليست مفروضة دوريًا.
يحقق GLM-4.5 درجة 97.9 في اختبار MATH-500، مما يضعه ضمن أفضل الأداء في الاستدلال الرياضي. العديد من النماذج تحصل على درجات في الثمانينات أو بداية التسعينات في هذا المعيار، لذا فإن 97.9 مرتفعة بشكل ملحوظ. ومع ذلك، تقتصر هذه المقارنة على معيار واحد فقط. في مقاييس أخرى (مثل فهم اللغة العامة، البرمجة)، قد يختلف الأداء. GLM-4.5 هو نموذج نصي فقط، بينما تدعم بعض المنافسين الرؤية. نافذة السياق الخاصة به (128 ألف رمز) أكبر من العديد من النماذج التي توفر 32 ألف أو 64 ألف رمز. التسعير تنافسي لمستواه. المستخدمون المهتمون بالرياضيات قد يفضلون GLM-4.5، لكن ينبغي عليهم تقييمه بناءً على مهامهم المحددة.
النماذج الأرخص قد تحتوي على نوافذ سياق أصغر (مثل 4K-8K) ودرجات معيارية أقل. إذا كانت مهامك بسيطة وتتطلب زمن استجابة منخفض، فقد يكون النموذج الأرخص أكثر فعالية من حيث التكلفة. على سبيل المثال، نموذج بسعر $0.15/$0.60 لكل 1M رمز قد يكون كافيًا للتلخيص الأساسي. ميزة GLM-4.5 تكمن في قدرتها القوية على الاستدلال الرياضي والسياق الطويل. المقابل هو تكلفة أعلى لكل رمز. يجب عليك حساب التكلفة الإجمالية لنمط الاستخدام النموذجي لديك. إذا كان تطبيقك يتطلب استدلالًا رياضيًا دقيقًا أو مستندات طويلة، فقد تكون التكلفة الأعلى مبررة.
تقدم العديد من المزودين نماذج ذات نوافذ سياق متشابهة. سعر GLM-4.5 ($0.60/$2.20) يقع في النطاق المتوسط إلى المعتدل. قد تكون بعض النماذج ذات سياق 128 ألف رمز أرخص لكل رمز لكن لديها درجات رياضيات أقل. قد تكون أخرى أكثر تكلفة. درجة GLM-4.5 في MATH-500 البالغة 97.9 عالية بشكل استثنائي. لم تذكر أي من الحقائق المقدمة درجات معايير أخرى، لذا لا يمكن إجراء مقارنة كاملة. بالنسبة للمستخدمين الذين يحتاجون أداءً عالياً في الرياضيات وسياق طويل، فإن GLM-4.5 مرشح قوي. ومع ذلك، بالنسبة للكتابة الإبداعية أو التنوع، قد تكون النماذج الأخرى مفضلة. اختبر دائمًا باستخدام بياناتك المحددة.
توفر OrcaRouter واجهة برمجة تطبيقات موحدة متوافقة مع OpenAI للوصول إلى GLM-4.5 دون الحاجة إلى إدارة البنية التحتية. التسعير شفاف ولا توجد رسوم إضافية على أسعار المزود. تحصل على نفس النموذج الذي تستضيفه Z.ai، ولكن عبر بوابة OrcaRouter التي قد توفر ميزات إضافية مثل موازنة التحميل، التخزين المؤقت، أو خيارات الاحتياط (راجع وثائق OrcaRouter). واجهة البرمجة موحدة، مما يسهل الانتقال إلى نماذج أخرى ضمن الفهرس. تدير OrcaRouter المصادقة وحدود المعدل. إذا كنت تستخدم بالفعل نماذج أخرى على OrcaRouter، فإن إضافة GLM-4.5 هي مجرد تغيير لاسم النموذج.
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-4.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)do_sampleinclude_reasoningmax_tokensreasoningrequest_idresponse_formatstopstreamtemperaturethinkingtool_choicetool_streamtoolstop_puser_id| الإدخال / 1M توكن | $0.600 |
| الإخراج / 1M توكن | $2.20 |
| قراءة الذاكرة المؤقتة / 1M | $0.110 |
| العملة | USD |
تقدير بناءً على السعر المُعلن
تقدير فقط — يعتمد العدد الفعلي للرموز على مُجزّئ الرموز الخاص بالمزوّد.
GET /api/public/models/z-ai/glm-4.5فتح @misc{orcarouter_glm_4_5,
title = {GLM 4.5 API},
author = {Z.ai},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/z-ai/glm-4.5}
}Z.ai. (2025). GLM 4.5 API. OrcaRouter. https://www.orcarouter.ai/models/z-ai/glm-4.5