次世代のZhipuフラッグシップ、複数の思考モードと強力なツール呼び出しを搭載。200Kコンテキスト / 128K最大出力。
GLM 5 は Z.ai によって開発されたテキストモデルで、OrcaRouter の OpenAI 互換 API を介してアクセスできます。テキスト入力を受け付け、200,000 トークンのコンテキストウィンドウと最大 128,000 トークンの出力を提供します。モデルの価格は、入力トークン 100 万トークンあたり $1.00、出力トークン 100 万トークンあたり $3.20…
GLM 5はテキスト入力のみをサポートしています。提供された仕様によると、画像、音声、動画は受け付けません。そのため、書かれたコンテンツの処理に最適化された純粋な言語モデルです。モデルとの通信はすべてテキストトークンを介して行われ、出力もテキストです。アプリケーションにマルチモーダル入力が必要な場合は、画像やその他のモダリティを処理できる別のモデルを使用する必要があります。文字起こしされた音声の要約や画像からのテキスト抽出などのタスクでは、それらの入力をテキストに変換してからGLM 5に渡す必要があります。
GLM 5は、大きなコンテキストウィンドウと高い出力制限が役立つタスクで優れています。一般的なユースケースとしては、長い法的契約書や規制文書の徹底的な分析、研究論文や書籍全体の詳細な要約の生成、数十回のターンにわたるカスタマーサポートチャットボットでの一貫した会話履歴の維持、そしてモデルが長いプロンプトの複数のセクションを参照する必要がある複雑な推論の実行などが含まれます。τ²-Benchスコア98.2は、シミュレーション環境でのマルチステップタスク（Webサイトのナビゲーションやデータ入力など）の実行において特に強力であることを示唆しています。
もしタスクに200Kのコンテキスト全体や128Kの出力が必要ないのであれば、より小さく、より安価なモデルの方がコスト効率が良いでしょう。例えば、簡単なQ&A、短いテキスト分類、1段落の生成などは、トークンあたりのコストが低いモデルで処理できます。GLM 5の価格は、入力トークン100万あたり1.00ドル、出力トークン100万あたり3.20ドルで、多くのコンパクトなモデルよりも高くなっています。また、ワークフローが非常に短いプロンプトと応答を含む場合、大規模コンテキストモデルを設定する際のレイテンシとコストは正当化されない可能性があります。一般的なトークン使用量を評価してください：一貫して32Kトークン未満しか使用しないのであれば、小型モデルで十分でしょう。
GLM 5は、OrcaRouterのOpenAI互換APIを通じてアクセスされ、ストリーミング応答と関数呼び出しをサポートしています。APIを使用する際には、streamパラメータをtrueに設定することでトークンを段階的に受信でき、長い出力に対する認識レイテンシを低減します。関数呼び出しにより、モデルはツールの呼び出しや構造化データの出力を要求できます。これらの機能はAPIの標準ですが、特定のモデルのサポートに依存します。提供された情報に基づき、GLM 5はこれらの機能と共に使用できます。実装の詳細については、OrcaRouter APIのドキュメントを参照してください。
τ²-Benchは、シミュレーション環境においてAIエージェントがマルチステップのタスクを完了する能力を評価するベンチマークです。スコアは、ウェブナビゲーション、フォーム入力、情報検索など多様なタスクにおける成功率を表します。スコア98.2は、GLM 5がベンチマークタスクの98.2%を正常に完了したことを意味します。これは非常に高いパフォーマンスであり、モデルが複雑な指示に従い、一連のアクションを確実に実行できることを示しています。完璧な実世界のパフォーマンスを保証するものではありませんが、類似したタイプの構造化タスクに対して強力なエージェント能力があることを示唆しています。
GLM 5のレイテンシは、入力と出力の長さ、およびZ.aiが提供する基盤インフラに依存します。OrcaRouterはプロバイダのバックエンドにルーティングし、ネットワークオーバーヘッド以外の追加レイテンシを生じません。短い入力と出力（例：入力1,000トークン、出力500トークン）の場合、応答時間は数秒程度になる可能性があります。128K最大値に近い長い生成の場合、モデルが多数のトークンを処理・生成する必要があるため、レイテンシは大幅に高くなり、数十秒以上になることがよくあります。ストリーミングにより、認識される待ち時間を軽減できます。具体的なレイテンシ数値は提供されていないため、実際のパフォーマンスは代表的なワークロードでテストする必要があります。
見出しのベンチマークで強調されている主要な強みは、GLM 5がエージェントタスクで高い成功率を示している点です。τ²-Benchスコア98.2は、多段階の推論やツール使用を効果的に処理できることを示唆しています。加えて、大きなコンテキストウィンドウ（200Kトークン）と最大出力（128Kトークン）により、非常に長いテキストでも一貫性を維持できるため、これはウィンドウの小さいモデルと比べて意味のある改善です。他のベンチマークスコアは提供されていないため、言語理解や数学といったタスクでの直接比較はこのデータからはできません。このモデルはおそらく、Z.aiのトレーニング手法と規模拡大の恩恵を受けています。
GLM 5はテキストのみのモデルであるため、画像や他のモダリティを処理することはできません。マルチモーダル理解を必要とするタスクにおけるパフォーマンスはゼロです。τ²-Benchスコアは高いものの、シミュレーション環境で測定されたものであり、実際のエージェント的パフォーマンスは異なる場合があります。このモデルのトークンあたりのコストは比較的高く（入力100万トークンあたり1.00ドル、出力100万トークンあたり3.20ドル）、そのため長いコンテキストでは総コストが急速に蓄積される可能性があります。負荷時のレイテンシに関する情報は提供されていないため、特定のユースケースでベンチマークを取ることをお勧めします。また、すべての言語モデルと同様に、GLM 5は特にトレーニング分布を超えた複雑な推論シナリオにおいて、不正確または幻覚的な内容を生成する可能性があります。
GLM 5は、入力トークン100万件あたり1.00ドル、出力トークン100万件あたり3.20ドルで提供されています。これはZ.aiが設定したプロバイダー料金です。OrcaRouterはこれらの料金を追加マークアップなしでそのまま適用するため、お支払いいただくのはプロバイダー価格とまったく同じです。トークンは標準的なトークン化方式（英語の場合、約0.75語＝1トークン）でカウントされます。入力トークンにはプロンプトとシステムメッセージが含まれ、出力トークンはモデルが生成した応答です。プロバイダーが明示しない限り、API呼び出しや特別な機能に対する個別の料金は発生しません。料金はトークン単位で設定されているため、使用量に比例してコストが増加します。
GLM 5はトークン単位で課金されるため、総コストはプロンプトの長さと生成の長さの両方に依存します。典型的な対話で入力トークンが10,000、出力トークンが5,000の場合、コストは(10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = 1回の呼び出しあたり$0.026となります。全コンテキストを使用するタスク、例えば入力トークン200,000、出力トークン128,000の場合、コストは$0.20 + $0.4096 = 1回の呼び出しあたり$0.6096となります。ユースケースがそのような極端な設定を必要としない場合は、より小さなコンテキストを持つ安価なモデルの方が経済的かもしれません。OrcaRouterを使用すると、デプロイメント前にモデル間のコストを比較できます。
提供された情報には、OrcaRouterを介したGLM 5のキャッシングやボリュームディスカウントについては記載がありません。料金は標準プロバイダー料金に従い、トークン単位で課金されます。高頻度利用時のコスト削減が必要な場合は、別のモデルや専用デプロイメントが有効かどうかをご検討ください。OrcaRouterのゼロマークアップポリシーにより、プラットフォーム手数料なしで、Z.aiに直接アクセスした場合と同じ料金をお支払いいただきます。特定の割引契約については、Z.aiとの交渉が必要となるか、キャンペーンをご確認ください。標準ではキャッシングは記載されていないため、各推論は個別に課金されると想定してください。
GLM 5 を使用するには、リクエストを OrcaRouter の OpenAI 互換 API エンドポイントに送信します。ベース URL を `https://api.orcarouter.ai/v1` に設定してください。リクエスト本文では、モデル ID を `"z-ai/glm-5"` として指定します。OpenAI SDK や、チャット補完エンドポイントに対応した任意の HTTP クライアントを使用できます。Python を使用した例: `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"}])`。ストリーミング、関数呼び出し、その他のパラメータのサポートは OpenAI スキーマに準拠しています。
GLM 5は、OpenAIチャット完了形式のすべての標準パラメータをサポートしています。temperature (0-2)、top_p、max_tokens (最大128,000)、stop sequences、frequency_penalty、presence_penalty、stream (ブール値)、および関数呼び出し用のツール/関数を設定できます。コンテキストウィンドウの制限は合計200,000トークンで、これにはメッセージとシステムプロンプトの両方が含まれます。入力を超える場合は、コンテキストを切り詰めるか分割する必要があります。OrcaRouterは自動的に切り詰めを行いません。トークン数が制限を超えるとリクエストは失敗します。トークナイザーのカウントを使用して、準拠していることを確認してください。
OrcaRouterへの移行は、ベースURLとモデルIDの変更を伴います。以前にモデル"gpt-4o"でOpenAIエンドポイントを使用していた場合、ベースURLを"https://api.orcarouter.ai/v1"に置き換え、モデルを"z-ai/glm-5"に設定します。すでにOpenAIチャット完了形式を使用している場合は、他のコード変更は必要ありません。OrcaRouterに対してAPIキーが有効であることを確認してください。小さなリクエストでテストして、接続が確立され、モデルが期待通りに応答することを確認してください。トークン数はモデル固有のトークナイザーにより若干異なる場合がありますが、APIは透過的に処理します。
入力（システムメッセージ、会話履歴、ユーザープロンプト）の合計トークン数が200,000トークンを超えると、APIはコンテキスト長を超過したことを示すエラーを返します。入力を削減する必要があります。同様に、max_tokensを128,000より大きく設定した場合、リクエストはモデルの最大出力に制限されます。APIはパラメータを拒否するか、上限に合わせて制限します。大きなペイロードを送信する前に、プログラムでトークン数を確認するのが最善です。OrcaRouterは自動的にプロンプトを切り詰めないため、自分でコンテキスト長を管理する必要があります。
GLM 5のコンテキストウィンドウは20万トークン、最大出力は12万8千トークンで、これは利用可能な中でも最大級です。これは、128Kまたは32Kのコンテキストを提供する多くのクローズドソースモデルと比較しても好意的です。そのτ²-Benchスコアは98.2と高く、強力なエージェント性能を示唆しています。しかし、価格は代替プロバイダーよりも高い場合があります。例えば、同様のトークン容量を持ちながら1トークンあたりのコストが低いモデルは、ヘビーユーザーにとってより経済的かもしれません。GLM 5はテキスト専用ですが、一部の競合他社はマルチモーダル入力をサポートしています。提供された事実から他のベンチマークデータがないため、NLPタスクにおける直接的な品質比較は不可能です。
GLM 5は、OpenAIの標準モデル（通常128Kトークン）よりも大きなコンテキストウィンドウが必要な場合に選択する可能性があります。GLM 5は200Kのコンテキストと128Kの出力を提供するため、長い入力を切り詰めることなく処理できます。さらに、τ²-Benchスコア98.2は、エージェントベンチマークにおいて一部のOpenAIモデルよりも高い可能性がありますが、正確な比較は評価条件に依存します。コストが主な懸念事項である場合は、トークンあたりの価格を比較してください。GLM 5は100万トークンあたり$1.00/$3.20であり、代替モデルによっては競争力があるかもしれません。また、特定のパフォーマンス特性のためにZ.aiモデルを使用したい場合、GLM 5は選択肢の一つです。
従来のGLMモデル（GLM 4など）と比較して、GLM 5はコンテキストウィンドウを128Kから200Kトークンに、最大出力を64Kから128Kトークンに拡大しています。τ²-Benchスコアの98.2はおそらく改善を示していますが、旧モデルのスコアは提供されていません。価格設定も変更されている可能性があり、旧モデルの方がトークン単価が安い場合があります。タスクが旧モデルの小さいコンテキスト範囲に収まるのであれば、低コストのモデルを使用する方が経済的です。しかし、200Kのフルコンテキストやより高い出力を必要とするタスクでは、同シリーズ内でGLM 5のみが選択肢となります。アップグレードにより、推論や指示追従の品質も向上する可能性があります。
提供された情報に基づいて、GLM 5はτ²-Benchスコア98.2を達成しており、そのベンチマークではほぼ完璧です。これは、ベンチマークと類似したエージェントタスクに対して非常に強力であることを示唆しています。ただし、ベンチマークスコアは実際のパフォーマンスを保証するものではなく、他のモデルは特定の環境で異なるパフォーマンスを示す可能性があります。エージェントタスクがτ²-Benchのシナリオとよく一致する場合、GLM 5は優れた候補です。しかし、タスクに異なるツール、言語、または制約が含まれる場合は、複数のモデルをテストする必要があります。OrcaRouterを使用すると、モデルを簡単に切り替えて結果を比較できます。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 入力 / 1M tokens | $1.00 |
| 出力 / 1M tokens | $3.20 |
| キャッシュ読み取り / 1M | $0.260 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
@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