Zhipu (Z.ai) 플래그십 오픈소스 MoE: 총 355B / 활성 32B. 하이브리드 추론(사고/비사고 모드), 네이티브 도구 호출 및 에이전틱 표면, 128K 컨텍스트.
GLM-4.5는 Z.ai에서 개발한 텍스트 전용 언어 모델로, OrcaRouter의 OpenAI 호환 API를 통해 사용할 수 있습니다. 128,000개의 토큰 컨텍스트 윈도우를 제공하며, 요청당 최대 96,000개의 토큰을 출력할 수 있습니다. 이 모델은 수학적 추론에 특히 뛰어나며, MATH-500 벤치마크에서 97.9점을 기록했습니다. 개발자,…
GLM-4.5는 수학적 추론, 논리적 추론 및 단계별 문제 해결 작업에서 뛰어납니다. MATH-500에서 97.9점을 기록하며 다양한 수학 문제에서 높은 정확도를 보여줍니다. 다른 강력한 사용 사례로는 코드 생성 및 설명, 특히 알고리즘 및 수학적 계산이 있습니다. 큰 컨텍스트 창(128K 토큰)은 연구 논문, 법률 문서 또는 기술 매뉴얼과 같은 긴 문서를 처리하는 데 적합합니다. 또한 전체 대화 기록이 128K 제한 내에 있는 경우, 이전 대화 부분을 참조하는 다중 턴 대화를 처리할 수 있습니다.
간단한 분류, 짧은 텍스트 요약, 또는 기본적인 질문 응답과 같은 작업의 경우, 작은 모델이 더 비용 효율적일 수 있습니다. GLM-4.5의 가격은 입력 토큰 100만 개당 $0.60, 출력 토큰 100만 개당 $2.20입니다. 애플리케이션에 전체 128K 컨텍스트나 강력한 수학적 추론이 필요하지 않다면, 토큰당 가격이 더 낮은 모델을 선택하여 비용을 절약할 수 있습니다. 또한 멀티모달 애플리케이션(예: 이미지 캡셔닝 또는 비디오 분석)의 경우, GLM-4.5는 텍스트만 처리하므로 적합하지 않습니다. 이러한 경우에는 시각 또는 오디오 입력을 지원하는 모델을 고려하세요.
네, GLM-4.5는 특히 수학적 계산이나 알고리즘 논리가 포함된 문제에 대해 코드를 생성할 수 있습니다. 높은 MATH-500 점수(97.9)는 숫자 및 논리적 구조에 대한 추론 능력이 뛰어나다는 것을 시사하며, 이는 Python, Java, C++과 같은 언어에서 정확한 코드 출력으로 이어집니다. 큰 컨텍스트 창은 모델이 코드 생성 시 전체 코드베이스나 긴 문서를 고려할 수 있게 해줍니다. 그러나 주요 강점은 구문이 많은 작업보다는 추론에 있습니다. 특정 프레임워크나 라이브러리에 대한 깊은 지식이 필요한 작업에는 특화된 코드 모델이 더 적합할 수 있습니다.
128K 컨텍스트 윈도우는 GLM-4.5가 단일 요청에서 최대 약 96,000 단어(또는 128,000 서브워드 토큰)를 처리할 수 있음을 의미합니다. 이는 긴 문서, 확장된 대화, 또는 하나의 프롬프트 안에서 대규모 데이터 분석을 포함하는 작업에 유용합니다. 이 모델은 긴 컨텍스트에서 일관성을 유지할 수 있으며, 이는 요약, 긴 텍스트 기반 질의응답, 다단계 추론에 중요합니다. 그러나 실제 유효 컨텍스트 길이는 콘텐츠의 복잡성에 따라 달라질 수 있습니다. 사용자는 자신의 특정 사용 사례를 테스트하여 윈도우 상한에서 일관된 성능을 확인해야 합니다.
MATH-500은 기초 산술부터 고급 경쟁 수준의 문제까지 다양한 난이도의 수학 문제 500개로 구성된 벤치마크입니다. 97.9%의 점수는 GLM-4.5가 이 문제들의 97.9%를 정확히 답변했음을 의미하며, 이는 매우 강력한 수학적 추론 능력을 나타냅니다. 이 모델은 답을 도출하기 위해 엄격한 단계별 추론을 사용할 가능성이 높습니다. 사용자들은 이 벤치마크가 순수한 수학 능력을 테스트하며, 창작 글쓰기나 개방형 대화 같은 다른 작업에서의 성능을 반영하지 않을 수 있다는 점에 유의해야 합니다. STEM 애플리케이션용 모델을 평가하는 유용한 지표입니다.
GLM-4.5의 정확한 속도 및 지연 시간 수치는 Z.ai에서 공개적으로 제공되지 않습니다. 성능은 요청 크기, 출력 길이, 네트워크 상태 및 서버 부하 등의 요소에 따라 달라집니다. OrcaRouter를 통해 사용자는 이 크기의 모델에 대해 일반적인 지연 시간을 기대할 수 있습니다. 128K 컨텍스트를 가진 텍스트 전용 모델로서, 지연 시간은 입력 길이에 비례하여 증가할 수 있습니다. 스트리밍을 사용하면 첫 번째 토큰까지의 인지 시간을 줄일 수 있습니다. 실시간 애플리케이션의 경우 일반적인 워크로드로 부하 테스트를 수행할 것을 권장합니다. OrcaRouter의 인프라는 안정적인 API 액세스를 위해 설계되었지만, 구체적인 속도 벤치마크는 자체 환경에서 측정해야 합니다.
GLM-4.5의 주요 강점은 수학적 추론 능력으로, MATH-500에서 97.9점을 기록한 데서 입증됩니다. 또한 긴 컨텍스트(128K 토큰)를 효과적으로 처리할 수 있어 문서 수준의 작업에 적합합니다. 이 모델은 출력당 최대 96K 토큰을 생성할 수 있어 길이가 긴 응답이나 다단계 추론 체인에 유용합니다. 성능 대비 가격 경쟁력이 있습니다. 또한 OrcaRouter의 OpenAI 호환 API를 통해 접근할 수 있어, 해당 생태계에 이미 익숙한 개발자들이 쉽게 통합할 수 있습니다. 이 모델은 텍스트 전용이므로, 비전이나 오디오가 필요 없는 경우 배포가 간소화됩니다.
GLM-4.5는 텍스트 외의 입력 형식을 지원하지 않습니다. 이미지, 오디오, 비디오를 처리할 수 없습니다. 학습 데이터와 설계는 추론과 수학에 중점을 두고 있으며, 창의적이거나 주관적인 작업에서는 범용 모델에 비해 성능이 떨어질 수 있습니다. MATH-500 벤치마크는 인상적이지만 좁은 평가에 불과합니다. 코딩, 논리, 사실성 등 다른 벤치마크에서의 성능은 제공되지 않습니다. 또한 모든 대규모 언어 모델과 마찬가지로, 특히 모호하거나 분포 외 입력에서 오류나 환각을 생성할 수 있습니다. 사용자는 중요한 애플리케이션의 출력을 검증해야 합니다. 큰 컨텍스트 창은 매우 긴 프롬프트에서 지연 시간과 비용을 증가시킬 수 있습니다.
GLM-4.5의 가격은 입력 토큰 100만 개당 $0.60, 출력 토큰 100만 개당 $2.20입니다. 이는 Z.ai의 제공업체 요금이며, OrcaRouter는 추가 마크업을 부과하지 않습니다. 과금은 사용량 기준으로, 사용한 토큰에 대해서만 비용을 지불합니다. 입력 토큰에는 프롬프트와 모든 시스템 메시지가 포함되며, 출력 토큰은 모델이 생성합니다. 토큰 하나는 영어 기준 약 0.75단어에 해당합니다. 입력 토큰 10,000개와 출력 토큰 5,000개가 포함된 일반적인 요청의 비용은 (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017입니다. 이처럼 투명한 가격 책정으로 비용 추정이 용이합니다.
가격 구조를 고려할 때, GLM-4.5는 높은 수학적 추론 능력과 긴 컨텍스트의 이점을 활용하는 애플리케이션에 가장 비용 효율적입니다. 간단한 작업의 경우, 더 저렴한 모델로도 충분할 수 있어 운영 비용을 절감할 수 있습니다. 128K 컨텍스트 창은 요청당 토큰 사용량을 증가시키므로, 최적화되지 않으면 비용이 상승할 수 있습니다. 비용을 관리하려면 프롬프트를 필요한 길이로 자르고 출력 길이 제한을 사용하는 것을 고려하세요. 또한 OrcaRouter는 마크업을 부과하지 않으므로, 비용은 공급업체 가격을 거의 그대로 반영합니다. 캐싱을 사용하면 공통 프롬프트 세그먼트를 재사용할 경우 비용을 추가로 줄일 수 있지만, 구체적인 캐싱 정책은 OrcaRouter를 사용한 구현 방식에 따라 달라집니다.
OrcaRouter는 GLM-4.5 요청에 대해 기본적으로 캐싱을 제공하지 않습니다. 캐싱은 일반적으로 클라이언트 측에서 구현됩니다. 예를 들어, 동일한 프롬프트에 대한 응답을 저장하여 반복 청구를 방지할 수 있습니다. 또는 가능한 경우 컨텍스트를 재사용하도록 애플리케이션을 설계할 수 있습니다. GLM-4.5는 토큰별로 요금이 부과되므로, 캐싱은 요청량이 많은 애플리케이션의 비용을 크게 줄일 수 있으며, 특히 많은 요청이 유사한 접두사(예: 시스템 지침)를 공유하는 경우에 효과적입니다. 서버 측 캐싱이 필요한 경우, OrcaRouter의 배치 또는 프롬프트 캐싱 기능을 사용하는 것을 고려하세요. 사용 가능한 경우 해당 문서에서 자세한 내용을 확인하세요.
GLM-4.5는 요청당 최대 96,000개의 출력 토큰을 지원합니다. 이는 비정상적으로 높은 수치로, 긴 응답을 생성할 경우 요청당 비용이 더 많이 발생할 수 있습니다. 예를 들어, 96,000개의 출력 토큰을 생성하면 요청당 96,000/1,000,000 * $2.20 = $0.2112의 비용이 듭니다. 매우 긴 생성이 가능하지만, 작업이 정말로 긴 출력을 요구하지 않는 한 'max_tokens' 매개변수를 사용하여 출력 길이를 제한하는 것이 더 경제적일 수 있습니다. 예산을 염두에 둔 사용자는 적절한 한도를 설정해야 합니다. 입력 및 출력 토큰 수는 합산되며 각각의 요율로 별도 청구됩니다.
OrcaRouter의 OpenAI 호환 API를 통해 GLM-4.5에 액세스합니다. 기본 URL을 https://api.orcarouter.ai/v1로 설정하세요. 요청 시 모델 ID "z-ai/glm-4.5"를 사용하세요. 이 API는 'prompt', 'max_tokens', 'temperature' 등 표준 OpenAI 파라미터를 지원합니다. 예를 들어, 채팅 완료 호출은 /v1/chat/completions 엔드포인트를 사용합니다. 인증을 위해 OrcaRouter의 API 키가 필요합니다. 이 API는 OpenAI API와 동일하게 동작하므로 기존 코드는 기본 URL과 모델 이름만 변경하면 쉽게 마이그레이션할 수 있습니다. 인증 세부 사항은 OrcaRouter의 문서를 참조하세요.
일반적인 매개변수는 다음과 같습니다: 'model' ("z-ai/glm-4.5"로 설정), 'messages' (역할과 내용을 가진 딕셔너리 리스트), 'max_tokens' (최대 96000), 'temperature' (무작위성 제어, 기본값 미지정), 'top_p' (핵 샘플링), 'stream' (불리언), 'stop' (생성이 중단되는 시퀀스). GLM-4.5는 OpenAI 채팅 완료 형식을 지원합니다. 일부 고급 매개변수(예: logprobs 또는 툴 호출)는 지원되지 않을 수 있습니다. 사용 사례를 테스트하십시오. 빈도 또는 존재 패널티를 설정해야 하는 경우 호환성을 위해 OrcaRouter의 문서를 참조하십시오. 모델은 동작을 설정하기 위해 시스템 메시지를 받아들입니다.
마이그레이션은 간단합니다. 코드의 기본 URL을 https://api.orcarouter.ai/v1로 업데이트하고 모델 이름을 "z-ai/glm-4.5"로 변경하세요. 유효한 OrcaRouter API 키가 있는지 확인하십시오. 요청 및 응답 형식은 OpenAI와 동일합니다. OrcaRouter에서 지원하지 않는 모델별 기능을 사용하고 있지 않다면 프롬프트 구조나 매개변수를 변경할 필요가 없습니다. 작은 배치로 테스트하여 동작을 확인하세요. 스트리밍을 사용하고 있었다면 동일한 스트리밍 엔드포인트가 작동합니다. OrcaRouter의 문서에는 일반적인 문제에 대한 문제 해결 단계가 제공됩니다.
GLM-4.5에 대한 속도 제한 및 사용 할당량은 계정 등급에 따라 OrcaRouter에 의해 결정됩니다. 일반적인 속도 제한은 분당 요청 수(RPM) 및 분당 토큰 수(TPM)로 측정됩니다. 대량 사용의 경우 더 높은 제한을 요청해야 할 수 있습니다. OrcaRouter의 API는 표준 HTTP 상태 코드(예: 속도 제한 시 429)를 반환합니다. 클라이언트에 지수 백오프를 구현하는 것이 좋습니다. 제공된 정보에는 엄격한 할당량에 대한 언급이 없으며, 특정 제한에 대해서는 OrcaRouter 지원팀에 문의하십시오. 모델의 컨텍스트 창 및 출력 길이는 요청별 제한이며, 주기적으로 적용되지 않습니다.
GLM-4.5는 MATH-500에서 97.9점을 기록하여 수학적 추론 분야에서 최고 성능을 보여주는 모델 중 하나입니다. 많은 모델이 이 벤치마크에서 80점대나 90점 초반을 기록하는 것을 고려하면 97.9는 현저히 높은 점수입니다. 그러나 이 비교는 단 하나의 벤치마크에 국한됩니다. 다른 지표(예: 일반 언어 이해, 코딩)에서는 성능이 다를 수 있습니다. GLM-4.5는 텍스트 전용 모델인 반면, 일부 경쟁 모델은 비전을 지원합니다. 컨텍스트 창(128K)은 32K 또는 64K를 제공하는 많은 모델보다 큽니다. 가격은 해당 등급에서 경쟁력이 있습니다. 수학에 중점을 둔 사용자는 GLM-4.5를 선호할 수 있지만, 자신의 특정 작업에 대해 평가해야 합니다.
저렴한 모델은 더 작은 컨텍스트 윈도우(예: 4K-8K)와 더 낮은 벤치마크 점수를 가질 수 있습니다. 작업이 간단하고 낮은 지연 시간이 필요하다면, 더 저렴한 모델이 비용 효율적일 수 있습니다. 예를 들어, 1M 토큰당 $0.15/$0.60의 가격이 책정된 모델은 기본적인 요약에 충분할 수 있습니다. GLM-4.5의 장점은 강력한 수학 추론과 긴 컨텍스트에 있습니다. 트레이드오프는 토큰당 더 높은 비용입니다. 일반적인 사용 패턴에 대한 총 비용을 계산해야 합니다. 응용 프로그램이 정확한 수학적 추론이나 긴 문서를 요구한다면, 더 높은 비용이 정당화될 수 있습니다.
여러 제공업체가 비슷한 컨텍스트 윈도우를 가진 모델을 제공합니다. GLM-4.5의 가격($0.60/$2.20)은 중간에서 적당한 수준입니다. 128K 컨텍스트를 가진 일부 모델은 토큰당 더 저렴할 수 있지만 수학 점수가 낮습니다. 다른 모델은 더 비쌀 수도 있습니다. GLM-4.5의 MATH-500 점수 97.9는 매우 높습니다. 제공된 사실 중 다른 벤치마크 점수에 대한 언급은 없으므로 완전한 비교는 불가능합니다. 높은 수학 성능과 긴 컨텍스트가 필요한 사용자에게 GLM-4.5는 강력한 후보입니다. 그러나 창작 글쓰기나 다양성을 위해서는 다른 모델이 더 적합할 수 있습니다. 항상 특정 데이터로 테스트하십시오.
OrcaRouter는 인프라를 관리하지 않고도 GLM-4.5에 접근할 수 있는 통합 OpenAI 호환 API를 제공합니다. 가격은 투명하며 제공업체 요금에 마크업이 없습니다. Z.ai에서 호스팅하는 것과 동일한 모델을 사용하되, OrcaRouter의 게이트웨이를 통해 로드 밸런싱, 캐싱 또는 대체 옵션과 같은 추가 기능을 제공할 수 있습니다(OrcaRouter 문서 확인). API는 표준화되어 있어 카탈로그 내 다른 모델로의 마이그레이션이 용이합니다. OrcaRouter는 인증 및 속도 제한을 처리합니다. 이미 OrcaRouter에서 다른 모델을 사용하고 있다면, GLM-4.5를 추가하는 것은 단순히 모델 이름 변경에 불과합니다.
OpenAI 호환 — 쓰던 SDK 그대로
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 입력 / 1M tokens | $0.600 |
| 출력 / 1M tokens | $2.20 |
| 캐시 읽기 / 1M | $0.110 |
| 통화 | USD |
정가 기준 추정치
추정치일 뿐입니다 — 실제 토큰 수는 제공자의 토크나이저에 따라 달라집니다.
@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