Zhipu (Z.ai) Flaggschiff-Open-Source-MoE: 355B insgesamt / 32B aktiv. Hybrides Denken (Denk- / Nicht-Denkmodi), native Werkzeugaufrufe und agentische Oberfläche, 128K Kontext.
GLM-4.5 ist ein reines Text-Sprachmodell von Z.ai, das über die OpenAI-kompatible API von OrcaRouter zugänglich ist. Es bietet ein Kontextfenster von 128.000 Tokens und kann pro Anfrage bis zu 96.000…
GLM-4.5 zeichnet sich bei Aufgaben aus, die mathematisches Denken, logische Schlussfolgerungen und schrittweise Problemlösung erfordern. Es erreicht eine Punktzahl von 97,9 auf MATH-500, was auf eine hohe Genauigkeit bei einer Reihe von mathematischen Problemen hinweist. Weitere starke Anwendungsfälle sind die Codegenerierung und -erklärung, insbesondere für Algorithmen und mathematische Berechnungen. Das große Kontextfenster (128K Tokens) macht es geeignet für die Verarbeitung langer Dokumente wie Forschungsarbeiten, juristische Texte oder technische Handbücher. Darüber hinaus kann es mehrteilige Unterhaltungen bewältigen, die sich auf frühere Teile des Gesprächs beziehen, solange der gesamte Verlauf innerhalb des 128K-Limits bleibt.
Für einfache Aufgaben wie direkte Klassifikation, Zusammenfassung kurzer Texte oder grundlegende Fragebeantwortung kann ein kleineres Modell kosteneffizienter sein. GLM-4.5 ist mit $0.60 pro 1 Million Eingabetoken und $2.20 pro 1 Million Ausgabetoken bepreist. Wenn Ihre Anwendung nicht den vollen 128K-Kontext oder die starke mathematische Argumentation benötigt, können Sie Kosten sparen, indem Sie ein Modell mit niedrigerer Preisgestaltung pro Token wählen. Auch für multimodale Anwendungen (z. B. Bildbeschriftung oder Videoanalyse) ist GLM-4.5 nicht geeignet, da es nur Text verarbeitet. In solchen Fällen sollten Sie Modelle in Betracht ziehen, die Bild- oder Audioeingaben unterstützen.
Ja, GLM-4.5 kann Code generieren, insbesondere für Probleme, die mathematische Berechnungen oder algorithmische Logik umfassen. Der hohe MATH-500-Score (97.9) deutet auf eine hohe Kompetenz beim logischen und numerischen Denken hin, was zu genauen Codeausgaben in Sprachen wie Python, Java oder C++ führt. Das große Kontextfenster ermöglicht es dem Modell, vollständige Codebasen oder lange Dokumentationen beim Generieren von Code zu berücksichtigen. Seine Hauptstärke liegt jedoch im Denken und nicht in syntaxlastigen Aufgaben. Für Aufgaben, die tiefgehende Kenntnisse spezifischer Frameworks oder Bibliotheken erfordern, könnte ein spezialisiertes Code-Modell geeigneter sein.
Ein 128K-Kontextfenster bedeutet, dass GLM-4.5 in einer einzigen Anfrage bis zu etwa 96.000 Wörter (oder 128.000 Subwort-Token) verarbeiten kann. Dies ist vorteilhaft für Aufgaben, die lange Dokumente, ausgedehnte Gespräche oder groß angelegte Datenanalysen in einem Prompt umfassen. Das Modell kann über diesen langen Kontext hinweg Kohärenz bewahren, was für Zusammenfassungen, Fragenbeantwortung über lange Texte und mehrschrittiges Denken wichtig ist. Die tatsächliche effektive Kontextlänge kann jedoch je nach Komplexität des Inhalts variieren. Benutzer sollten ihre spezifischen Anwendungsfälle testen, um eine konsistente Leistung am oberen Ende des Fensters sicherzustellen.
MATH-500 ist ein Benchmark, der aus 500 Mathematikaufgaben besteht und verschiedene Schwierigkeitsgrade abdeckt, von grundlegender Arithmetik bis hin zu fortgeschrittenen Wettbewerbsfragen. Eine Punktzahl von 97,9 bedeutet, dass GLM-4.5 97,9 % dieser Aufgaben richtig beantwortet hat. Dies weist auf eine sehr starke mathematische Argumentationsfähigkeit hin. Das Modell verwendet wahrscheinlich eine gründliche schrittweise Argumentation, um zu Antworten zu gelangen. Benutzer sollten beachten, dass dieser Benchmark die rein mathematische Fähigkeit testet und möglicherweise nicht die Leistung bei anderen Aufgaben wie kreativem Schreiben oder offenen Dialogen widerspiegelt. Es ist eine nützliche Metrik zur Bewertung von Modellen, die für MINT-Anwendungen vorgesehen sind.
Genaue Geschwindigkeits- und Latenzwerte für GLM-4.5 werden von Z.ai nicht öffentlich bereitgestellt. Die Leistung hängt von Faktoren wie Anfragegröße, Ausgabelänge, Netzwerkbedingungen und Serverlast ab. Über OrcaRouter können Benutzer eine typische Latenz für ein Modell dieser Größe erwarten. Als reines Textmodell mit einem 128K-Kontext kann die Latenz proportional zur Eingabelänge ansteigen. Streaming ist verfügbar, um die wahrgenommene Zeit bis zum ersten Token zu reduzieren. Für Echtzeitanwendungen empfehlen wir, Auslastungstests mit Ihrer typischen Arbeitslast durchzuführen. Die Infrastruktur von OrcaRouter ist für zuverlässigen API-Zugriff ausgelegt, aber spezifische Geschwindigkeitsbenchmarks sollten in Ihrer eigenen Umgebung gemessen werden.
Die Hauptstärke von GLM-4.5 ist das mathematische Denken, wie durch seinen Wert von 97.9 bei MATH-500 gezeigt wird. Es verarbeitet auch lange Kontexte (128K Tokens) effektiv, was es für Aufgaben auf Dokumentebene geeignet macht. Das Modell kann bis zu 96K Tokens pro Ausgabe generieren, was für lange Antworten oder mehrschrittige Argumentationsketten nützlich ist. Es ist wettbewerbsfähig bepreist für seine Leistungsklasse. Darüber hinaus wird es über die OpenAI-kompatible API von OrcaRouter zugegriffen, was die Integration für Entwickler, die mit diesem Ökosystem bereits vertraut sind, unkompliziert macht. Das Modell ist rein textbasiert, was die Bereitstellung vereinfacht, wenn Bild- oder Audiofunktionen nicht erforderlich sind.
GLM-4.5 unterstützt keine anderen Eingabemodalitäten als Text. Es kann keine Bilder, Audio oder Video verarbeiten. Seine Trainingsdaten und sein Design konzentrieren sich auf Reasoning und Mathematik; es könnte bei kreativen oder subjektiven Aufgaben im Vergleich zu Allzweckmodellen schlechter abschneiden. Der MATH-500-Benchmark ist zwar beeindruckend, aber eine enge Evaluierung: Die Leistung des Modells bei anderen Benchmarks (z. B. Code, Logik, Faktentreue) wird nicht angegeben. Wie bei allen großen Sprachmodellen kann es zu Fehlern oder Halluzinationen kommen, insbesondere bei mehrdeutigen oder nicht verteilungsgemäßen Eingaben. Benutzer sollten Ausgaben für kritische Anwendungen validieren. Das große Kontextfenster kann bei sehr langen Prompts die Latenz und die Kosten erhöhen.
GLM-4.5 kostet $0.60 pro 1 Million Eingabe-Tokens und $2.20 pro 1 Million Ausgabe-Tokens. Dies ist der Anbieterpreis von Z.ai, und OrcaRouter fügt keinen Aufschlag hinzu. Die Abrechnung erfolgt nutzungsbasiert: Sie zahlen nur für verbrauchte Tokens. Eingabetokens umfassen die Eingabeaufforderung und alle Systemnachrichten; Ausgabetokens werden vom Modell generiert. Ein Token entspricht etwa 0.75 Wörtern im Englischen. Bei einer typischen Anfrage mit 10.000 Eingabe-Tokens und 5.000 Ausgabe-Tokens würden die Kosten (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017 betragen. Diese transparente Preisgestaltung ermöglicht eine einfache Kostenschätzung.
Aufgrund seiner Preisstruktur ist GLM-4.5 am kosteneffizientesten für Anwendungen, die von seiner hohen mathematischen Denkfähigkeit und langen Kontextlängen profitieren. Für einfache Aufgaben können günstigere Modelle ausreichen, was die Betriebskosten senkt. Das 128K-Kontextfenster erhöht die Token-Nutzung pro Anfrage, was die Kosten steigern kann, wenn es nicht optimiert wird. Um Ausgaben zu managen, sollten Sie Prompts auf die notwendige Länge kürzen und Ausgabelängenbegrenzungen verwenden. Da OrcaRouter keinen Aufschlag berechnet, spiegeln die Kosten die Preise des Anbieters wider. Caching kann die Kosten weiter senken, wenn Sie häufige Prompt-Segmente wiederverwenden, jedoch hängen spezifische Caching-Richtlinien von Ihrer Implementierung mit OrcaRouter ab.
OrcaRouter bietet nativ kein Caching für GLM-4.5-Anfragen an. Caching wird typischerweise auf der Client-Seite implementiert. Beispielsweise könnten Sie Antworten für identische Eingabeaufforderungen speichern, um wiederholte Abrechnungen zu vermeiden. Alternativ können Sie Ihre Anwendung so gestalten, dass sie Kontext wo möglich wiederverwendet. Da GLM-4.5 pro Token abgerechnet wird, kann Caching die Kosten für Anwendungen mit hohem Anfragevolumen erheblich senken, insbesondere wenn viele Anfragen ähnliche Präfixe teilen (z. B. Systemanweisungen). Wenn Sie serverseitiges Caching benötigen, ziehen Sie in Betracht, die Batch- oder Prompt-Caching-Funktionen von OrcaRouter zu nutzen, falls verfügbar – überprüfen Sie deren Dokumentation für Details.
GLM-4.5 unterstützt bis zu 96,000 Ausgabetoken pro Anfrage. Dies ist ungewöhnlich hoch und kann zu höheren Kosten pro Anfrage führen, wenn Sie lange Antworten generieren. Beispielsweise würde die Generierung von 96,000 Ausgabetoken 96,000/1,000,000 * $2.20 = $0.2112 pro Anfrage kosten. Dies ermöglicht zwar sehr lange Generierungen, es kann jedoch wirtschaftlicher sein, die Ausgabelänge mithilfe des Parameters 'max_tokens' zu begrenzen, es sei denn, die Aufgabe erfordert wirklich lange Ausgaben. Kostenbewusste Benutzer sollten geeignete Grenzen setzen. Die Anzahl der Eingabe- und Ausgabetoken wird summiert und zu ihren jeweiligen Sätzen separat abgerechnet.
Sie greifen auf GLM-4.5 über die OpenAI-kompatible API von OrcaRouter zu. Setzen Sie die Basis-URL auf https://api.orcarouter.ai/v1. Verwenden Sie die Modell-ID „z-ai/glm-4.5“ in Ihren Anfragen. Die API akzeptiert standardmäßige OpenAI-Parameter wie „prompt“, „max_tokens“, „temperature“ usw. Ein Chat-Completion-Aufruf verwendet beispielsweise den Endpunkt /v1/chat/completions. Für die Authentifizierung ist ein API-Schlüssel von OrcaRouter erforderlich. Die API verhält sich wie die OpenAI-API, sodass vorhandener Code einfach durch Ändern der Basis-URL und des Modellnamens migriert werden kann. Lesen Sie die Dokumentation von OrcaRouter für Details zur Authentifizierung.
Zu den üblichen Parametern gehören: 'model' (auf "z-ai/glm-4.5" gesetzt), 'messages' (Liste von Dictionaries mit Rolle und Inhalt), 'max_tokens' (bis zu 96000), 'temperature' (steuert die Zufälligkeit, Standardwert nicht angegeben), 'top_p' (Nukleus-Sampling), 'stream' (Boolescher Wert) und 'stop' (Sequenzen, bei denen die Generierung stoppt). GLM-4.5 unterstützt das OpenAI-Chat-Vervollständigungsformat. Nicht alle erweiterten Parameter (wie logprobs oder Tool-Aufrufe) werden möglicherweise unterstützt; testen Sie Ihren Anwendungsfall. Falls Sie Frequenz- oder Präsenzstrafen festlegen müssen, konsultieren Sie die Dokumentation von OrcaRouter zur Kompatibilität. Das Modell akzeptiert Systemnachrichten zur Festlegung des Verhaltens.
Migration ist unkompliziert. Aktualisieren Sie die Basis-URL Ihres Codes auf https://api.orcarouter.ai/v1 und ersetzen Sie den Modellnamen durch "z-ai/glm-4.5". Stellen Sie sicher, dass Sie einen gültigen OrcaRouter API-Key haben. Die Anfrage- und Antwortformate sind identisch mit denen von OpenAI. Es sind keine Änderungen an der Prompt-Struktur oder den Parametern erforderlich, es sei denn, Sie haben modellspezifische Funktionen verwendet, die von OrcaRouter nicht unterstützt werden. Testen Sie mit einer kleinen Stichprobe, um das Verhalten zu bestätigen. Wenn Sie Streaming verwendet haben, funktioniert derselbe Streaming-Endpunkt. Die Dokumentation von OrcaRouter bietet Schritte zur Fehlerbehebung für häufige Probleme.
Ratenbegrenzungen und Nutzungskontingente für GLM-4.5 werden von OrcaRouter basierend auf Ihrer Kontostufe festgelegt. Typische Ratenlimits werden in Anfragen pro Minute (RPM) und Token pro Minute (TPM) gemessen. Bei hohem Nutzungsvolumen müssen Sie möglicherweise ein höheres Limit anfordern. Die API von OrcaRouter gibt standardmäßige HTTP-Statuscodes zurück (z. B. 429 für Ratenbegrenzung). Es wird empfohlen, in Ihrem Client exponentielles Backoff zu implementieren. In den bereitgestellten Informationen gibt es keine Erwähnung strenger Kontingente; wenden Sie sich für spezifische Grenzwerte an den OrcaRouter-Support. Das Kontextfenster und die Ausgabelänge des Modells sind Limits pro Anfrage und werden nicht periodisch durchgesetzt.
GLM-4.5 erreicht einen MATH-500-Wert von 97,9 und zählt damit zu den Spitzenreitern im mathematischen Denken. Viele Modelle erzielen bei diesem Benchmark Werte im Bereich der 80er oder niedrigen 90er, daher ist 97,9 bemerkenswert hoch. Dieser Vergleich beschränkt sich jedoch auf nur einen Benchmark. Bei anderen Metriken (z. B. allgemeines Sprachverständnis, Codierung) können die Leistungen abweichen. GLM-4.5 ist rein textbasiert, während einige Wettbewerber Bildverarbeitung unterstützen. Der Kontextbereich (128K) ist größer als bei vielen Modellen, die 32K oder 64K bieten. Die Preisgestaltung ist für diese Klasse wettbewerbsfähig. Nutzer, die sich auf Mathematik konzentrieren, bevorzugen möglicherweise GLM-4.5, sollten jedoch eine Bewertung anhand ihrer spezifischen Aufgaben durchführen.
Günstigere Modelle können kleinere Kontextfenster haben (z.B. 4K-8K) und niedrigere Benchmark-Werte erzielen. Wenn Ihre Aufgaben einfach sind und eine geringe Latenz erfordern, könnte ein günstigeres Modell kosteneffizienter sein. Beispielsweise könnte ein Modell, das mit 0,15 $/0,60 $ pro 1 Million Token bepreist ist, für grundlegende Zusammenfassungen ausreichen. Der Vorteil von GLM-4.5 liegt in seinem starken mathematischen Denkvermögen und dem langen Kontext. Der Nachteil sind die höheren Kosten pro Token. Sie sollten die Gesamtkosten für Ihr typisches Nutzungsmuster berechnen. Wenn Ihre Anwendung genaues mathematisches Denken oder lange Dokumente erfordert, könnten die höheren Kosten gerechtfertigt sein.
Mehrere Anbieter bieten Modelle mit ähnlichen Kontextfenstern an. Die Preisgestaltung von GLM-4.5 (0,60 $/2,20 $) liegt im mittleren bis moderaten Bereich. Einige Modelle mit 128K Kontext sind möglicherweise günstiger pro Token, haben aber niedrigere Mathematik-Ergebnisse. Andere sind möglicherweise teurer. Der MATH-500-Score von GLM-4.5 von 97,9 ist außergewöhnlich hoch. Keine der genannten Fakten erwähnt andere Benchmark-Werte, daher ist ein vollständiger Vergleich nicht möglich. Für Nutzer, die hohe Mathematik-Leistung und langen Kontext benötigen, ist GLM-4.5 ein starker Kandidat. Für kreatives Schreiben oder Diversität könnten andere Modelle jedoch vorzuziehen sein. Testen Sie immer mit Ihren spezifischen Daten.
OrcaRouter bietet eine einheitliche, OpenAI-kompatible API für den Zugriff auf GLM-4.5, ohne dass Sie die Infrastruktur verwalten müssen. Die Preisgestaltung ist transparent, mit null Aufschlag auf die Tarife der Anbieter. Sie erhalten dasselbe Modell, das auch von Z.ai gehostet wird, jedoch über OrcaRouter's Gateway, das möglicherweise zusätzliche Funktionen wie Lastverteilung, Caching oder Fallback-Optionen bietet (lesen Sie die Dokumentation von OrcaRouter). Die API ist standardisiert, sodass die Migration zu anderen Modellen im Katalog einfach ist. OrcaRouter übernimmt die Authentifizierung und Ratenbegrenzung. Wenn Sie bereits andere Modelle auf OrcaRouter verwenden, ist das Hinzufügen von GLM-4.5 lediglich eine Änderung des Modellnamens.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Eingabe / 1M Tokens | $0.600 |
| Ausgabe / 1M Tokens | $2.20 |
| Cache-Lesen / 1M | $0.110 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
GET /api/public/models/z-ai/glm-4.5Öffnen @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