Zhipu (Z.ai) MoE unggulan sumber terbuka: total 355B / 32B aktif. Penalaran hibrida (mode berpikir / tidak berpikir), pemanggilan alat asli dan agentic surface, konteks 128K.
GLM-4.5 adalah model bahasa berbasis teks oleh Z.ai, yang dapat diakses melalui API kompatibel OpenAI milik OrcaRouter. Model ini menawarkan jendela konteks 128.000 token dan dapat menghasilkan…
GLM-4.5 unggul dalam tugas-tugas yang melibatkan penalaran matematis, deduksi logis, dan pemecahan masalah langkah demi langkah. Model ini mencapai skor 97,9 pada MATH-500, yang menunjukkan akurasi tinggi dalam berbagai soal matematika. Kasus penggunaan lain yang kuat termasuk pembuatan dan penjelasan kode, terutama untuk algoritma dan komputasi matematis. Jendela konteks yang besar (128K token) membuatnya cocok untuk memproses dokumen panjang, seperti makalah penelitian, teks hukum, atau manual teknis. Selain itu, model ini dapat menangani percakapan multi-putaran yang melibatkan referensi ke bagian awal percakapan, selama seluruh riwayat masih berada dalam batas 128K.
Untuk tugas sederhana seperti klasifikasi langsung, peringkasan teks pendek, atau menjawab pertanyaan dasar, model yang lebih kecil mungkin lebih hemat biaya. GLM-4.5 dibanderol dengan harga $0,60 per 1 juta token input dan $2,20 per 1 juta token output. Jika aplikasi Anda tidak memerlukan konteks penuh 128K atau penalaran matematis yang kuat, Anda dapat menghemat biaya dengan memilih model yang memiliki harga per token lebih rendah. Selain itu, untuk aplikasi multimodal (misalnya, pembuatan keterangan gambar atau analisis video), GLM-4.5 tidak cocok karena hanya memproses teks. Dalam kasus tersebut, pertimbangkan model yang mendukung input visual atau audio.
Ya, GLM-4.5 dapat menghasilkan kode, terutama untuk masalah yang melibatkan perhitungan matematis atau logika algoritmik. Skor MATH-500 yang tinggi (97,9) menunjukkan kemahiran dalam penalaran atas konstruksi numerik dan logis, yang menghasilkan keluaran kode yang akurat dalam bahasa seperti Python, Java, atau C++. Jendela konteks yang besar memungkinkan model untuk mempertimbangkan seluruh basis kode atau dokumentasi panjang saat menghasilkan kode. Namun, kekuatan utamanya terletak pada penalaran, bukan pada tugas yang berat secara sintaksis. Untuk tugas yang memerlukan pengetahuan mendalam tentang kerangka kerja atau pustaka tertentu, model kode khusus mungkin lebih sesuai.
Jendela konteks 128K berarti GLM-4.5 dapat memproses hingga sekitar 96.000 kata (atau 128.000 token subkata) dalam satu permintaan. Hal ini bermanfaat untuk tugas-tugas yang melibatkan dokumen panjang, percakapan yang diperpanjang, atau analisis data skala besar dalam satu prompt. Model dapat mempertahankan koherensi di seluruh konteks panjang ini, yang penting untuk perangkuman, menjawab pertanyaan atas teks panjang, dan penalaran multi-langkah. Namun, panjang konteks efektif sebenarnya dapat bervariasi tergantung pada kompleksitas konten. Pengguna harus menguji dengan kasus penggunaan spesifik mereka untuk memastikan kinerja yang konsisten di ujung atas jendela.
MATH-500 adalah tolok ukur yang terdiri dari 500 soal matematika yang mencakup berbagai tingkat kesulitan, dari aritmetika dasar hingga soal tingkat kompetisi lanjutan. Skor 97.9 berarti GLM-4.5 menjawab 97.9% dari soal-soal ini dengan benar. Ini menunjukkan kemampuan penalaran matematis yang sangat kuat. Model tersebut kemungkinan menggunakan penalaran langkah demi langkah yang ketat untuk sampai pada jawaban. Pengguna harus mencatat bahwa tolok ukur ini menguji kemampuan matematika murni dan mungkin tidak mencerminkan kinerja pada tugas-tugas lain seperti penulisan kreatif atau dialog terbuka. Ini adalah metrik yang berguna untuk mengevaluasi model yang ditujukan untuk aplikasi STEM.
Angka kecepatan dan latensi yang tepat untuk GLM-4.5 tidak disediakan secara publik oleh Z.ai. Performa bergantung pada faktor-faktor seperti ukuran permintaan, panjang output, kondisi jaringan, dan beban server. Melalui OrcaRouter, pengguna dapat mengharapkan latensi yang khas untuk model sebesar ini. Sebagai model teks saja dengan konteks 128K, latensi dapat meningkat secara proporsional dengan panjang input. Streaming tersedia untuk mengurangi waktu yang dirasakan hingga token pertama. Untuk aplikasi real-time, kami merekomendasikan melakukan uji beban dengan beban kerja tipikal Anda. Infrastruktur OrcaRouter dirancang untuk akses API yang andal, tetapi tolok ukur kecepatan spesifik harus diukur di lingkungan Anda sendiri.
Keunggulan utama GLM-4.5 terletak pada penalaran matematis, terbukti dari skor 97,9 pada MATH-500. Model ini juga efektif menangani konteks panjang (128K token), sehingga cocok untuk tugas-tugas tingkat dokumen. Model ini dapat menghasilkan hingga 96K token per keluaran, yang berguna untuk respons yang panjang atau rangkaian penalaran multi-langkah. Harganya kompetitif untuk tingkat kinerjanya. Selain itu, model ini diakses melalui API yang kompatibel dengan OpenAI milik OrcaRouter, sehingga memudahkan integrasi bagi pengembang yang sudah akrab dengan ekosistem tersebut. Model ini hanya teks, yang menyederhanakan penerapan ketika visi atau audio tidak diperlukan.
GLM-4.5 tidak mendukung modalitas input apa pun selain teks. Ia tidak dapat memproses gambar, audio, atau video. Data pelatihan dan desainnya berfokus pada penalaran dan matematika; kinerjanya mungkin kurang optimal pada tugas-tugas kreatif atau subjektif dibandingkan dengan model tujuan umum. Tolok ukur MATH-500, meskipun mengesankan, merupakan evaluasi yang sempit: kinerja model pada tolok ukur lain (misalnya, pengkodean, logika, faktualitas) tidak disediakan. Selain itu, seperti semua model bahasa besar, ia dapat menghasilkan kesalahan atau halusinasi, terutama pada input yang ambigu atau di luar distribusi. Pengguna harus memvalidasi keluaran untuk aplikasi kritis. Jendela konteks yang besar dapat meningkatkan latensi dan biaya untuk prompt yang sangat panjang.
GLM-4.5 dibanderol dengan harga $0.60 per 1 juta token input dan $2.20 per 1 juta token output. Ini adalah tarif penyedia dari Z.ai, dan OrcaRouter tidak menambahkan markup sama sekali. Penagihan berdasarkan pemakaian: Anda hanya membayar untuk token yang digunakan. Token input mencakup prompt dan pesan sistem apa pun; token output dihasilkan oleh model. Satu token kira-kira setara dengan 0.75 kata dalam bahasa Inggris. Untuk permintaan tipikal dengan 10,000 token input dan 5,000 token output, biayanya adalah (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017. Penetapan harga yang transparan ini memungkinkan estimasi biaya yang mudah.
Mengingat struktur penetapan harganya, GLM-4.5 paling hemat biaya untuk aplikasi yang memanfaatkan kemampuan penalaran matematis tinggi dan konteks panjangnya. Untuk tugas sederhana, model yang lebih murah mungkin sudah memadai, sehingga dapat mengurangi biaya operasional. Jendela konteks 128K meningkatkan penggunaan token per permintaan, yang dapat menaikkan biaya jika tidak dioptimalkan. Untuk mengelola pengeluaran, pertimbangkan untuk memotong prompt hingga panjang yang diperlukan dan menggunakan batas panjang output. Selain itu, karena OrcaRouter tidak membebankan markup, biaya sangat mencerminkan harga penyedia. Caching selanjutnya dapat mengurangi biaya jika Anda menggunakan kembali segmen prompt yang umum, tetapi kebijakan caching spesifik tergantung pada implementasi Anda dengan OrcaRouter.
OrcaRouter tidak menyediakan caching secara native untuk permintaan GLM-4.5. Caching biasanya diimplementasikan di sisi klien. Misalnya, Anda dapat menyimpan respons untuk prompt yang identik untuk menghindari penagihan berulang. Alternatifnya, Anda dapat merancang aplikasi Anda untuk menggunakan kembali konteks jika memungkinkan. Karena GLM-4.5 ditagih per token, caching dapat secara signifikan mengurangi biaya untuk aplikasi dengan volume permintaan yang tinggi, terutama jika banyak permintaan berbagi prefiks yang serupa (misalnya, instruksi sistem). Jika Anda memerlukan caching sisi server, pertimbangkan untuk menggunakan fitur batch atau prompt caching OrcaRouter jika tersedia—periksa dokumentasi mereka untuk detailnya.
GLM-4.5 mendukung hingga 96.000 token keluaran per permintaan. Ini sangat tinggi dan dapat menyebabkan biaya lebih tinggi per permintaan jika Anda menghasilkan respons yang panjang. Misalnya, menghasilkan 96.000 token keluaran akan dikenakan biaya 96.000/1.000.000 * $2.20 = $0.2112 per permintaan. Meskipun ini memungkinkan generasi yang sangat panjang, mungkin lebih ekonomis untuk membatasi panjang keluaran menggunakan parameter 'max_tokens' kecuali tugas benar-benar membutuhkan keluaran yang panjang. Pengguna yang sadar anggaran harus menetapkan batas yang sesuai. Jumlah token masukan dan keluaran dijumlahkan dan ditagih secara terpisah dengan tarif masing-masing.
Anda mengakses GLM-4.5 melalui API yang kompatibel dengan OpenAI milik OrcaRouter. Atur base URL ke https://api.orcarouter.ai/v1. Gunakan model ID "z-ai/glm-4.5" dalam permintaan Anda. API menerima parameter OpenAI standar seperti 'prompt', 'max_tokens', 'temperature', dll. Misalnya, panggilan chat completion akan menggunakan endpoint /v1/chat/completions. Autentikasi memerlukan kunci API dari OrcaRouter. API berperilaku seperti OpenAI API, sehingga kode yang sudah ada dapat dengan mudah dimigrasi dengan mengubah base URL dan nama model. Lihat dokumentasi OrcaRouter untuk detail autentikasi.
Parameter umum mencakup: 'model' (diatur ke "z-ai/glm-4.5"), 'messages' (daftar dict dengan role dan content), 'max_tokens' (hingga 96000), 'temperature' (mengontrol keacakan, default tidak ditentukan), 'top_p' (nucleus sampling), 'stream' (boolean), dan 'stop' (sekuens di mana generasi berhenti). GLM-4.5 mendukung format chat completion OpenAI. Tidak semua parameter lanjutan (seperti logprobs atau tool calls) mungkin didukung; uji kasus penggunaan Anda. Jika Anda perlu mengatur frequency atau presence penalties, konsultasikan dokumentasi OrcaRouter untuk kompatibilitas. Model ini menerima pesan sistem untuk mengatur perilaku.
Migrasinya mudah. Perbarui URL dasar kode Anda menjadi https://api.orcarouter.ai/v1 dan ganti nama model dengan "z-ai/glm-4.5". Pastikan Anda memiliki kunci API OrcaRouter yang valid. Format permintaan dan respons identik dengan OpenAI. Tidak ada perubahan yang diperlukan pada struktur prompt atau parameter kecuali Anda menggunakan fitur spesifik model yang tidak didukung oleh OrcaRouter. Uji dengan batch kecil untuk memastikan perilaku. Jika Anda menggunakan streaming, endpoint streaming yang sama berfungsi. Dokumentasi OrcaRouter menyediakan langkah-langkah pemecahan masalah untuk masalah umum.
Batas kecepatan dan kuota penggunaan untuk GLM-4.5 ditentukan oleh OrcaRouter berdasarkan tingkat akun Anda. Batas kecepatan tipikal diukur dalam permintaan per menit (RPM) dan token per menit (TPM). Untuk penggunaan volume tinggi, Anda mungkin perlu meminta batas yang lebih tinggi. API OrcaRouter mengembalikan kode status HTTP standar (mis., 429 untuk pembatasan kecepatan). Disarankan untuk menerapkan exponential backoff di klien Anda. Tidak ada penyebutan kuota ketat dalam informasi yang diberikan; hubungi dukungan OrcaRouter untuk batas spesifik. Jendela konteks dan panjang output model adalah batas per permintaan, bukan diterapkan secara periodik.
GLM-4.5 mencapai skor MATH-500 sebesar 97,9, menempatkannya di antara model terbaik dalam penalaran matematika. Banyak model memperoleh skor di kisaran 80-an atau 90-an rendah pada tolok ukur ini, sehingga 97,9 tergolong sangat tinggi. Namun, perbandingan ini terbatas hanya pada satu tolok ukur. Pada metrik lainnya (misalnya, pemahaman bahasa umum, pengkodean), performa mungkin berbeda. GLM-4.5 hanya teks, sementara beberapa pesaing mendukung visi. Jendela konteksnya (128K) lebih besar dibandingkan banyak model yang menawarkan 32K atau 64K. Harga bersaing untuk levelnya. Pengguna yang berfokus pada matematika mungkin lebih memilih GLM-4.5, tetapi sebaiknya mengevaluasi pada tugas spesifik mereka.
Model yang lebih murah mungkin memiliki jendela konteks yang lebih kecil (misalnya, 4K-8K) dan skor benchmark yang lebih rendah. Jika tugas Anda sederhana dan memerlukan latensi rendah, model yang lebih murah bisa lebih hemat biaya. Misalnya, model dengan harga $0,15/$0,60 per 1M token mungkin sudah cukup untuk perangkuman dasar. Keunggulan GLM-4.5 terletak pada penalaran matematika yang kuat dan konteks panjang. Konsekuensinya adalah biaya per token yang lebih tinggi. Anda harus menghitung total biaya untuk pola penggunaan tipikal Anda. Jika aplikasi Anda membutuhkan penalaran matematis yang akurat atau dokumen panjang, biaya yang lebih tinggi mungkin dapat dibenarkan.
Beberapa penyedia menawarkan model dengan jendela konteks yang serupa. Harga GLM-4.5 ($0,60/$2,20) berada dalam kisaran menengah hingga moderat. Beberapa model dengan konteks 128K mungkin lebih murah per token tetapi memiliki skor matematika yang lebih rendah. Model lainnya mungkin lebih mahal. Skor MATH-500 GLM-4.5 sebesar 97,9 sangat tinggi. Tidak ada fakta yang diberikan yang menyebutkan skor tolok ukur lainnya, sehingga perbandingan penuh tidak mungkin dilakukan. Bagi pengguna yang membutuhkan kinerja matematika tinggi dan konteks panjang, GLM-4.5 adalah kandidat yang kuat. Namun, untuk penulisan kreatif atau keragaman, model lain mungkin lebih disukai. Selalu uji dengan data spesifik Anda.
OrcaRouter menyediakan API yang kompatibel dengan OpenAI secara terpadu untuk mengakses GLM-4.5 tanpa mengelola infrastruktur. Harga bersifat transparan dengan markup nol pada tarif penyedia. Anda mendapatkan model yang sama seperti yang dihosting oleh Z.ai, tetapi melalui gateway OrcaRouter yang mungkin menawarkan fitur tambahan seperti penyeimbangan beban, caching, atau opsi fallback (periksa dokumentasi OrcaRouter). API-nya terstandarisasi, sehingga mudah untuk bermigrasi ke model lain dalam katalog. OrcaRouter menangani autentikasi dan batas kecepatan. Jika Anda sudah menggunakan model lain di OrcaRouter, menambahkan GLM-4.5 hanyalah perubahan nama model.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Input / 1M token | $0.600 |
| Output / 1M token | $2.20 |
| Baca cache / 1M | $0.110 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
GET /api/public/models/z-ai/glm-4.5Buka @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