Generasi terbaru flagship Zhipu dengan berbagai mode berpikir dan pemanggilan alat yang kuat. Konteks 200K / output maksimal 128K.
GLM 5 adalah model teks yang dikembangkan oleh Z.ai, dapat diakses melalui API kompatibel OpenAI milik OrcaRouter. Model ini menerima input teks dan menawarkan jendela konteks sebesar 200.000 token…
GLM 5 hanya mendukung input teks. Menurut spesifikasi yang disediakan, model ini tidak menerima gambar, audio, atau video. Hal ini menjadikannya model bahasa murni yang dioptimalkan untuk memproses konten tertulis. Semua komunikasi dengan model dilakukan melalui token teks, dan outputnya juga berupa teks. Jika aplikasi Anda membutuhkan input multimodal, Anda perlu menggunakan model lain yang menangani gambar atau modalitas lainnya. Untuk tugas-tugas seperti merangkum audio yang telah ditranskripsi atau mengekstrak teks dari gambar, Anda perlu mengonversi input tersebut menjadi teks sebelum meneruskannya ke GLM 5.
GLM 5 unggul dalam tugas-tugas yang diuntungkan oleh jendela konteks besar dan batas keluaran yang tinggi. Kasus penggunaan umum meliputi: menganalisis secara menyeluruh kontrak hukum panjang atau dokumen peraturan; menghasilkan ringkasan detail dari seluruh makalah penelitian atau buku; mempertahankan riwayat percakapan yang koheren dalam chatbot dukungan pelanggan yang mencakup puluhan giliran bicara; dan melakukan penalaran kompleks di mana model perlu merujuk ke beberapa bagian dari perintah panjang. Skor τ²-Bench sebesar 98.2 menunjukkan bahwa ia sangat kuat dalam menjalankan tugas multi-langkah di lingkungan simulasi, seperti menjelajahi situs web atau melakukan entri data.
Jika tugas Anda tidak memerlukan konteks 200K penuh atau keluaran 128K, model yang lebih kecil atau lebih murah mungkin lebih hemat biaya. Misalnya, tanya jawab sederhana, klasifikasi teks pendek, atau pembuatan paragraf tunggal dapat ditangani oleh model dengan biaya per token yang lebih rendah. Harga GLM 5 adalah $1,00 per juta token masukan dan $3,20 per juta token keluaran, yang lebih tinggi dibandingkan banyak model ringkas. Selain itu, jika alur kerja Anda melibatkan permintaan dan respons yang sangat pendek, latensi dan biaya penyiapan model konteks besar mungkin tidak sepadan. Evaluasi penggunaan token tipikal Anda: jika Anda secara konsisten menggunakan kurang dari 32K token, model yang lebih kecil kemungkinan sudah mencukupi.
GLM 5 diakses melalui API kompatibel OpenAI milik OrcaRouter, yang mendukung respons streaming dan pemanggilan fungsi. Saat menggunakan API, Anda dapat mengatur parameter stream ke true untuk menerima token secara bertahap, yang mengurangi latensi yang dirasakan untuk output yang panjang. Pemanggilan fungsi memungkinkan model untuk meminta invokasi alat atau output data terstruktur. Kemampuan ini standar untuk API namun tergantung pada dukungan model spesifik. Berdasarkan informasi yang diberikan, GLM 5 dapat digunakan dengan fitur-fitur ini. Untuk detail implementasi, lihat dokumentasi API OrcaRouter.
τ²-Bench adalah sebuah tolok ukur yang mengevaluasi kemampuan agen AI untuk menyelesaikan tugas multi-langkah dalam lingkungan simulasi. Skor tersebut mewakili tingkat keberhasilan di berbagai tugas, seperti navigasi web, pengisian formulir, dan pengambilan informasi. Skor 98.2 berarti GLM 5 berhasil menyelesaikan 98.2% tugas tolok ukur tersebut. Ini adalah performa yang sangat tinggi, menunjukkan bahwa model dapat mengikuti instruksi yang kompleks dan menjalankan urutan tindakan dengan andal. Ini tidak menjamin performa dunia nyata yang sempurna, tetapi menunjukkan kemampuan agen yang kuat untuk jenis tugas terstruktur yang serupa.
Latensi untuk GLM 5 bergantung pada panjang input dan output, serta infrastruktur yang mendasarinya yang disediakan oleh Z.ai. OrcaRouter merutekan ke backend penyedia dan tidak menambah latensi tambahan selain overhead jaringan. Untuk input dan output pendek (misalnya, 1.000 token masuk, 500 token keluar), waktu respons mungkin dalam kisaran beberapa detik. Untuk generasi panjang yang mendekati maksimum 128K, latensi bisa jauh lebih tinggi—seringkali puluhan detik atau lebih—karena model harus memproses dan menghasilkan banyak token. Streaming dapat mengurangi waktu tunggu yang dirasakan. Tidak ada angka latensi spesifik yang diberikan, sehingga kinerja sebenarnya harus diuji dengan beban kerja yang representatif.
Kekuatan utama yang disorot oleh tolok ukur utama adalah tingkat keberhasilan tinggi GLM 5 pada tugas-tugas agen. Skor τ²-Bench sebesar 98.2 menunjukkan bahwa model ini dapat menangani penalaran multi-langkah dan penggunaan alat secara efektif. Selain itu, jendela konteksnya yang besar (200K token) dan output maksimal (128K token) berarti model ini dapat mempertahankan koherensi pada teks yang sangat panjang, yang merupakan peningkatan yang berarti dibandingkan model dengan jendela yang lebih kecil. Tidak ada skor tolok ukur lain yang disediakan, sehingga perbandingan langsung pada tugas seperti pemahaman bahasa atau matematika tidak tersedia dari data ini. Model ini kemungkinan mendapat manfaat dari metodologi pelatihan Z.ai dan skala yang ditingkatkan.
GLM 5 adalah model teks-saja, jadi tidak dapat memproses gambar atau modalitas lainnya. Kinerjanya pada tugas yang membutuhkan pemahaman multimodal adalah nol. Skor τ²-Bench, meskipun tinggi, diukur dalam lingkungan simulasi; kinerja agen di dunia nyata dapat bervariasi. Biaya per token model relatif tinggi ($1.00 input / $3.20 output per juta token), sehingga untuk konteks panjang total biaya dapat bertambah dengan cepat. Tidak ada informasi yang diberikan tentang latensi di bawah beban, jadi Anda harus melakukan benchmarking dengan kasus penggunaan spesifik Anda. Selain itu, seperti semua model bahasa, GLM 5 dapat menghasilkan konten yang salah atau halusinasi, terutama dalam skenario penalaran kompleks di luar distribusi pelatihannya.
GLM 5 dibanderol dengan harga $1.00 per 1 juta token masukan dan $3.20 per 1 juta token keluaran. Ini adalah tarif penyedia yang ditetapkan oleh Z.ai. OrcaRouter meneruskan tarif ini tanpa markup tambahan, sehingga Anda membayar tepat sesuai harga penyedia. Token dihitung menggunakan metode tokenisasi standar (kurang lebih 0.75 kata per token untuk bahasa Inggris). Token masukan mencakup prompt dan pesan sistem apa pun; token keluaran adalah respons yang dihasilkan model. Tidak ada biaya terpisah untuk panggilan API atau fitur khusus kecuali ditentukan oleh penyedia. Harga bersifat per token, sehingga biaya meningkat secara linear seiring penggunaan.
Karena GLM 5 mengenakan biaya per token, total biaya tergantung pada panjang prompt dan panjang generasi. Untuk interaksi tipikal dengan 10,000 token input dan 5,000 token output, biayanya adalah (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 per panggilan. Untuk tugas yang menggunakan konteks penuh, seperti 200,000 token input dan 128,000 token output, biayanya adalah $0.20 + $0.4096 = $0.6096 per panggilan. Jika kasus penggunaan Anda tidak membutuhkan ekstrem seperti itu, model yang lebih murah dengan konteks lebih kecil mungkin lebih ekonomis. OrcaRouter memungkinkan Anda membandingkan biaya antar model sebelum penerapan.
Informasi yang diberikan tidak menyebutkan caching atau diskon volume untuk GLM 5 melalui OrcaRouter. Harga dibebankan per token dengan tarif penyedia standar. Jika Anda memerlukan penghematan biaya untuk penggunaan volume tinggi, pertimbangkan apakah model yang berbeda atau penerapan khusus mungkin bermanfaat. Kebijakan markup nol OrcaRouter berarti Anda membayar harga yang sama seperti jika Anda memanggil Z.ai secara langsung, tanpa biaya platform. Untuk pengaturan diskon tertentu, Anda perlu bernegosiasi dengan Z.ai atau memeriksa promosi apa pun. Sebagai standar, caching tidak dijelaskan, jadi asumsikan setiap inferensi dikenakan biaya secara individual.
Untuk menggunakan GLM 5, kirim permintaan ke titik akhir API yang kompatibel dengan OpenAI milik OrcaRouter. Atur base URL menjadi https://api.orcarouter.ai/v1. Di dalam body permintaan, tentukan model ID sebagai "z-ai/glm-5". Anda dapat menggunakan SDK OpenAI mana pun atau klien HTTP apa pun yang mendukung titik akhir chat completions. Contoh menggunakan 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"}]). Dukungan untuk streaming, function calling, dan parameter lainnya mencerminkan skema OpenAI.
GLM 5 mendukung semua parameter standar dari format chat completions OpenAI. Anda dapat mengatur temperature (0-2), top_p, max_tokens (hingga 128.000), stop sequences, frequency_penalty, presence_penalty, stream (boolean), dan tools/functions untuk pemanggilan fungsi. Batas jendela konteks adalah total 200.000 token, yang mencakup pesan dan prompt sistem apa pun. Jika input melebihi ini, Anda harus memotong atau membagi konteks. OrcaRouter tidak memotong secara otomatis; permintaan akan gagal jika jumlah token melebihi batas. Gunakan hitungan tokenizer untuk memastikan kepatuhan.
Migrasi ke OrcaRouter melibatkan perubahan URL dasar dan ID model. Jika sebelumnya Anda menggunakan endpoint OpenAI dengan model "gpt-4o", Anda akan mengganti URL dasar dengan https://api.orcarouter.ai/v1 dan mengatur model menjadi "z-ai/glm-5". Tidak ada perubahan kode lain yang diperlukan jika Anda sudah menggunakan format chat completions OpenAI. Pastikan kunci API Anda valid untuk OrcaRouter. Uji dengan permintaan kecil untuk memverifikasi konektivitas dan bahwa model merespons seperti yang diharapkan. Perhatikan bahwa penghitungan token mungkin sedikit berbeda karena tokenizer spesifik model, tetapi API menanganinya secara transparan.
Jika jumlah token gabungan dari input Anda (pesan sistem, riwayat percakapan, perintah pengguna) melebihi 200.000 token, API akan mengembalikan kesalahan yang menunjukkan panjang konteks telah terlampaui. Anda harus mengurangi ukuran input. Demikian pula, jika Anda mengatur max_tokens di atas 128.000, permintaan akan dibatasi pada output maksimum model; API akan menolak parameter tersebut atau membatasinya sesuai batas. Sebaiknya periksa jumlah token secara terprogram sebelum mengirim muatan besar. OrcaRouter tidak secara otomatis memotong prompt, jadi Anda harus mengelola panjang konteks sendiri.
GLM 5's context window of 200,000 tokens and max output of 128,000 tokens are among the largest available. This compares favorably to many closed-source models that offer 128K or 32K contexts. Its τ²-Bench score of 98.2 is high, suggesting strong agentic performance. However, pricing is higher than some alternative providers; for example, a model with similar token capacity but lower per-token cost may be more economical for heavy use. GLM 5 is text-only, while some competitors support multimodal inputs. Without other benchmark data from the provided facts, direct quality comparisons on NLP tasks are not possible.
Anda mungkin memilih GLM 5 jika memerlukan jendela konteks yang lebih besar daripada model standar OpenAI (yang biasanya 128K token). GLM 5 menawarkan konteks 200K dan output 128K, yang dapat menampung input yang lebih panjang tanpa pemotongan. Selain itu, skor τ²-Bench sebesar 98,2 mungkin lebih tinggi dibandingkan beberapa model OpenAI pada tolok ukur agen, meskipun perbandingan yang tepat bergantung pada kondisi evaluasi. Jika biaya menjadi perhatian utama, bandingkan harga per token; GLM 5 dengan harga $1,00/$3,20 per juta token mungkin kompetitif tergantung pada alternatifnya. Juga, jika Anda lebih suka menggunakan model Z.ai untuk karakteristik kinerja tertentu, GLM 5 adalah pilihan.
Dibandingkan dengan model GLM sebelumnya (seperti GLM 4), GLM 5 meningkatkan jendela konteks dari 128K menjadi 200K token dan output maksimal dari 64K menjadi 128K token. Skor τ²-Bench 98.2 kemungkinan merupakan peningkatan, meskipun skor model lama tidak disediakan. Harga mungkin telah berubah; model lama mungkin lebih murah per token. Jika tugas Anda sesuai dengan konteks yang lebih kecil dari model lama, menggunakan model yang lebih murah bisa lebih ekonomis. Namun, untuk tugas yang membutuhkan konteks 200K penuh atau output yang lebih tinggi, GLM 5 adalah satu-satunya pilihan dalam seri ini. Peningkatan juga dapat membawa perbaikan kualitas dalam penalaran dan kepatuhan instruksi.
Berdasarkan informasi yang diberikan, GLM 5 mencapai skor τ²-Bench sebesar 98,2, yang hampir sempurna pada tolok ukur tersebut. Ini menunjukkan bahwa model tersebut sangat kuat untuk tugas-tugas agentik yang serupa dengan yang ada di tolok ukur. Namun, skor tolok ukur tidak menjamin kinerja di dunia nyata, dan model lain mungkin berkinerja berbeda di lingkungan spesifik Anda. Jika tugas agentik Anda sangat cocok dengan skenario τ²-Bench, GLM 5 adalah kandidat yang sangat baik. Tetapi jika tugas Anda melibatkan alat, bahasa, atau kendala yang berbeda, Anda harus menguji beberapa model. OrcaRouter memungkinkan Anda dengan mudah beralih antar model untuk membandingkan hasil.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| Output / 1M token | $3.20 |
| Baca cache / 1M | $0.260 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
@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