Buque insignia de próxima generación de Zhipu con múltiples modos de pensamiento y potente llamada de herramientas. Contexto de 200K / salida máxima de 128K.
GLM 5 es un modelo de texto desarrollado por Z.ai, accesible a través de la API compatible con OpenAI de OrcaRouter. Acepta entradas de texto y ofrece una ventana de contexto de 200,000 tokens con…
GLM 5 solo admite entrada de texto. Según las especificaciones proporcionadas, no acepta imágenes, audio ni video. Esto lo convierte en un modelo de lenguaje puro optimizado para procesar contenido escrito. Toda la comunicación con el modelo se realiza mediante tokens de texto, y la salida también es texto. Si tu aplicación requiere entrada multimodal, necesitarías usar un modelo diferente que maneje imágenes u otras modalidades. Para tareas como resumir audio transcrito o extraer texto de imágenes, deberías convertir esas entradas en texto antes de pasarlas a GLM 5.
GLM 5 sobresale en tareas que se benefician de su gran ventana de contexto y su alto límite de salida. Los casos de uso comunes incluyen: analizar minuciosamente contratos legales extensos o documentos regulatorios; generar resúmenes detallados de artículos de investigación completos o libros; mantener historiales de conversación coherentes en chatbots de atención al cliente que abarcan docenas de intercambios; y realizar razonamientos complejos donde el modelo necesita hacer referencia a múltiples secciones de un mensaje largo. La puntuación de 98.2 en τ²-Bench sugiere que es particularmente fuerte en la ejecución de tareas de múltiples pasos en entornos simulados, como navegar por sitios web o realizar entrada de datos.
Si tu tarea no requiere el contexto completo de 200K o la salida de 128K, un modelo más pequeño o más barato puede ser más rentable. Por ejemplo, preguntas y respuestas simples, clasificación de textos cortos o generación de un solo párrafo pueden ser manejados por modelos que cuestan menos por token. El precio de GLM 5 es de $1.00 por millón de tokens de entrada y $3.20 por millón de tokens de salida, lo cual es más alto que muchos modelos compactos. Además, si tu flujo de trabajo implica indicaciones y respuestas muy cortas, la latencia y el costo de configurar un modelo de contexto grande puede no estar justificado. Evalúa tu uso típico de tokens: si utilizas consistentemente menos de 32K tokens, es probable que un modelo más pequeño sea suficiente.
GLM 5 se accede a través de la API compatible con OpenAI de OrcaRouter, la cual admite respuestas en streaming y llamadas a funciones. Al usar la API, puedes configurar el parámetro stream en true para recibir tokens de forma incremental, lo que reduce la latencia percibida en salidas largas. La llamada a funciones permite que el modelo solicite invocaciones de herramientas o salida de datos estructurados. Estas capacidades son estándar para la API, pero dependen del soporte del modelo específico. Según la información proporcionada, GLM 5 puede utilizarse con estas funciones. Para detalles de implementación, consulta la documentación de la API de OrcaRouter.
τ²-Bench es un benchmark que evalúa la capacidad de un agente de IA para completar tareas de múltiples pasos en un entorno simulado. La puntuación representa la tasa de éxito en un conjunto diverso de tareas, como navegación web, llenado de formularios y recuperación de información. Una puntuación de 98.2 significa que GLM 5 completó con éxito el 98.2% de las tareas del benchmark. Esto es un rendimiento muy alto, lo que indica que el modelo puede seguir instrucciones complejas y ejecutar secuencias de acciones de manera confiable. No garantiza un rendimiento perfecto en el mundo real, pero sugiere capacidades de agente sólidas para tipos similares de tareas estructuradas.
La latencia de GLM 5 depende de la longitud de entrada y salida, así como de la infraestructura subyacente proporcionada por Z.ai. OrcaRouter enruta al backend del proveedor y no añade latencia adicional más allá de la sobrecarga de red. Para entradas y salidas cortas (p. ej., 1000 tokens de entrada, 500 tokens de salida), los tiempos de respuesta pueden estar en el rango de unos pocos segundos. Para generaciones largas cercanas al máximo de 128K, la latencia puede ser significativamente mayor—a menudo decenas de segundos o más—porque el modelo debe procesar y generar muchos tokens. El streaming puede mitigar los tiempos de espera percibidos. No se proporcionan cifras específicas de latencia, por lo que el rendimiento real debe probarse con cargas de trabajo representativas.
La principal fortaleza destacada por el benchmark principal es la alta tasa de éxito de GLM 5 en tareas agentivas. El puntaje τ²-Bench de 98.2 sugiere que puede manejar razonamiento de múltiples pasos y uso de herramientas de manera efectiva. Además, su gran ventana de contexto (200K tokens) y salida máxima (128K tokens) significan que puede mantener coherencia en textos muy largos, lo cual es una mejora significativa frente a modelos con ventanas más pequeñas. No se proporcionan otros puntajes de benchmark, por lo que las comparaciones directas en tareas como comprensión del lenguaje o matemáticas no están disponibles a partir de estos datos. El modelo probablemente se beneficia de la metodología de entrenamiento de Z.ai y de la mayor escala.
GLM 5 es un modelo solo de texto, por lo que no puede procesar imágenes u otras modalidades. Su rendimiento en tareas que requieren comprensión multimodal es cero. La puntuación τ²-Bench, aunque alta, se mide en un entorno simulado; el rendimiento agéntico en el mundo real puede variar. El costo por token del modelo es relativamente alto ($1.00 de entrada / $3.20 de salida por millón de tokens), por lo que para contextos largos el costo total puede acumularse rápidamente. No se proporciona información sobre la latencia bajo carga, por lo que debe realizar evaluaciones comparativas con su caso de uso específico. Además, como todos los modelos de lenguaje, GLM 5 puede producir contenido incorrecto o alucinado, especialmente en escenarios de razonamiento complejo más allá de su distribución de entrenamiento.
GLM 5 tiene un precio de $1.00 por cada 1 millón de tokens de entrada y $3.20 por cada 1 millón de tokens de salida. Estas son las tarifas del proveedor establecidas por Z.ai. OrcaRouter transmite estas tarifas sin ningún recargo adicional, por lo que pagas exactamente el precio del proveedor. Los tokens se cuentan usando el método de tokenización estándar (aproximadamente 0.75 palabras por token para inglés). Los tokens de entrada incluyen el prompt y cualquier mensaje del sistema; los tokens de salida son la respuesta generada por el modelo. No hay cargos separados por llamadas a la API o funciones especiales a menos que el proveedor lo especifique. El precio es por token, por lo que el costo escala linealmente con el uso.
Debido a que GLM 5 cobra por token, el costo total depende tanto de la longitud del prompt como de la longitud de generación. Para una interacción típica con 10,000 tokens de entrada y 5,000 tokens de salida, el costo sería (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 por llamada. Para tareas que usan el contexto completo, como 200,000 tokens de entrada y 128,000 tokens de salida, el costo sería $0.20 + $0.4096 = $0.6096 por llamada. Si tu caso de uso no requiere tales extremos, un modelo más barato con un contexto más pequeño puede ser más económico. OrcaRouter te permite comparar costos entre modelos antes del despliegue.
La información proporcionada no menciona almacenamiento en caché ni descuentos por volumen para GLM 5 a través de OrcaRouter. El precio se factura por token a la tarifa estándar del proveedor. Si necesita ahorrar costos para un uso de alto volumen, considere si un modelo diferente o una implementación dedicada podrían ser beneficiosos. La política de margen cero de OrcaRouter significa que paga el mismo precio que si llamara directamente a Z.ai, sin ninguna tarifa de plataforma. Para acuerdos de descuento específicos, debería negociar con Z.ai o verificar las promociones disponibles. De forma estándar, el almacenamiento en caché no está descrito, por lo que se asume que cada inferencia se cobra de forma individual.
Para usar GLM 5, envía solicitudes al endpoint de API compatible con OpenAI de OrcaRouter. Establece la URL base a https://api.orcarouter.ai/v1. En el cuerpo de tu solicitud, especifica el ID del modelo como "z-ai/glm-5". Puedes usar cualquier SDK de OpenAI o cualquier cliente HTTP que soporte el endpoint de completaciones de chat. Ejemplo usando Python: import openai; client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="your_key"); client.chat.completions.create(model="z-ai/glm-5", messages=[{"role":"user","content":"Hello"}]). El soporte para streaming, llamadas a funciones y otros parámetros sigue el esquema de OpenAI.
GLM 5 soporta todos los parámetros estándar del formato de chat completions de OpenAI. Puede configurar temperature (0-2), top_p, max_tokens (hasta 128,000), stop sequences, frequency_penalty, presence_penalty, stream (booleano) y tools/functions para function calling. El límite de la ventana de contexto es de 200,000 tokens en total, que incluye tanto los mensajes como cualquier prompt del sistema. Si la entrada supera este límite, debe truncar o dividir el contexto. OrcaRouter no trunca automáticamente; la solicitud fallará si el recuento de tokens supera el límite. Use el recuento del tokenizer para asegurar el cumplimiento.
Migrar a OrcaRouter implica cambiar la URL base y el ID del modelo. Si anteriormente usabas un endpoint de OpenAI con el modelo "gpt-4o", deberías reemplazar la URL base por https://api.orcarouter.ai/v1 y establecer el modelo como "z-ai/glm-5". No se necesitan otros cambios de código si ya estás usando el formato de finalización de chat de OpenAI. Asegúrate de que tu clave API sea válida para OrcaRouter. Realiza una prueba con una solicitud pequeña para verificar la conectividad y que el modelo responda como se espera. Ten en cuenta que el conteo de tokens puede diferir ligeramente debido a los tokenizadores específicos del modelo, pero la API lo maneja de manera transparente.
Si el recuento combinado de tokens de tu entrada (mensajes del sistema, historial de conversación, mensaje del usuario) supera los 200,000 tokens, la API devolverá un error indicando que se ha excedido la longitud de contexto. Debes reducir el tamaño de la entrada. De manera similar, si estableces max_tokens por encima de 128,000, la solicitud se limitará a la salida máxima del modelo; la API rechazará el parámetro o lo limitará al valor máximo. Es mejor verificar los recuentos de tokens mediante programación antes de enviar cargas útiles grandes. OrcaRouter no trunca las indicaciones automáticamente, por lo que debes gestionar la longitud de contexto tú mismo.
La ventana de contexto de 200,000 tokens de GLM 5 y la salida máxima de 128,000 tokens están entre las más grandes disponibles. Esto se compara favorablemente con muchos modelos de código cerrado que ofrecen contextos de 128K o 32K. Su puntaje τ²-Bench de 98.2 es alto, lo que sugiere un fuerte rendimiento agentivo. Sin embargo, el precio es más alto que el de algunos proveedores alternativos; por ejemplo, un modelo con capacidad de tokens similar pero menor costo por token puede ser más económico para uso intensivo. GLM 5 es solo texto, mientras que algunos competidores admiten entradas multimodales. Sin otros datos de referencia de los hechos proporcionados, no es posible realizar comparaciones directas de calidad en tareas de PLN.
Podrías elegir GLM 5 si necesitas una ventana de contexto más grande que los modelos estándar de OpenAI (que suelen ser de 128K tokens). GLM 5 ofrece 200K de contexto y 128K de salida, lo que puede manejar entradas más largas sin truncamiento. Además, la puntuación τ²-Bench de 98.2 puede ser mayor que la de algunos modelos de OpenAI en benchmarks agentivos, aunque las comparaciones exactas dependen de las condiciones de evaluación. Si el costo es una preocupación principal, compara los precios por token; GLM 5 a $1.00/$3.20 por millón de tokens puede ser competitivo dependiendo de la alternativa. También, si prefieres usar un modelo de Z.ai por características de rendimiento específicas, GLM 5 es una opción.
En comparación con los modelos GLM anteriores (como GLM 4), GLM 5 aumenta la ventana de contexto de 128K a 200K tokens y la salida máxima de 64K a 128K tokens. La puntuación de τ²-Bench de 98.2 probablemente es una mejora, aunque no se proporcionan las puntuaciones de los modelos anteriores. Es posible que los precios hayan cambiado; los modelos más antiguos podrían ser más baratos por token. Si sus tareas se ajustan al contexto más pequeño de un modelo anterior, usar un modelo de menor costo podría ser más económico. Sin embargo, para tareas que requieren el contexto completo de 200K o una salida mayor, GLM 5 es la única opción en la serie. Actualizar también puede traer mejoras de calidad en el razonamiento y el seguimiento de instrucciones.
Basándose en la información proporcionada, GLM 5 alcanza una puntuación de 98.2 en τ²-Bench, que es casi perfecta en ese punto de referencia. Esto sugiere que es muy fuerte para tareas agentivas similares a las del punto de referencia. Sin embargo, las puntuaciones de los puntos de referencia no garantizan el rendimiento en el mundo real, y otros modelos pueden funcionar de manera diferente en su entorno específico. Si sus tareas agentivas se asemejan mucho al escenario de τ²-Bench, GLM 5 es un candidato excelente. Pero si sus tareas involucran diferentes herramientas, idiomas o restricciones, debería probar múltiples modelos. OrcaRouter le permite cambiar fácilmente entre modelos para comparar resultados.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)do_sampleinclude_reasoningmax_tokensreasoningrequest_idresponse_formatstopstreamtemperaturethinkingtool_choicetool_streamtoolstop_puser_id| Entrada / 1M tokens | $1.00 |
| Salida / 1M tokens | $3.20 |
| Lectura caché / 1M | $0.260 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/z-ai/glm-5Abrir @misc{orcarouter_glm_5,
title = {GLM 5 API},
author = {Z.ai},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/z-ai/glm-5}
}Z.ai. (2026). GLM 5 API. OrcaRouter. https://www.orcarouter.ai/models/z-ai/glm-5