차세대 Zhipu 플래그십, 다양한 사고 모드와 강력한 도구 호출. 200K 컨텍스트 / 128K 최대 출력.
GLM 5는 Z.ai에서 개발한 텍스트 모델로, OrcaRouter의 OpenAI 호환 API를 통해 접근할 수 있습니다. 텍스트 입력을 받아들이며 200,000 토큰의 컨텍스트 창과 최대 128,000 토큰의 출력을 제공합니다. 이 모델의 가격은 입력 토큰 100만 개당 $1.00, 출력 토큰 100만 개당 $3.20이며, OrcaRouter는 제공업체…
GLM 5는 텍스트 입력만 지원합니다. 제공된 사양에 따르면 이미지, 오디오, 비디오를 받아들이지 않습니다. 따라서 이는 서면 콘텐츠를 처리하는 데 최적화된 순수 언어 모델입니다. 모델과의 모든 통신은 텍스트 토큰을 통해 이루어지며 출력도 텍스트입니다. 애플리케이션에 멀티모달 입력이 필요한 경우 이미지나 다른 모달리티를 처리하는 다른 모델을 사용해야 합니다. 전사된 오디오 요약이나 이미지에서 텍스트 추출과 같은 작업의 경우 GLM 5에 전달하기 전에 해당 입력을 텍스트로 변환해야 합니다.
GLM 5는 큰 컨텍스트 창과 높은 출력 제한이 장점으로 작용하는 작업에서 뛰어난 성능을 보입니다. 일반적인 사용 사례로는 긴 법률 계약서나 규제 문서를 철저히 분석하는 것, 연구 논문이나 책 전체에 대한 상세한 요약을 생성하는 것, 수십 번의 대화를 이어가는 고객 지원 챗봇에서 일관된 대화 기록을 유지하는 것, 모델이 긴 프롬프트의 여러 섹션을 참조해야 하는 복잡한 추론을 수행하는 것 등이 있습니다. τ²-Bench 점수 98.2는 웹사이트 탐색이나 데이터 입력과 같은 시뮬레이션 환경에서 다단계 작업을 실행하는 데 특히 강점이 있음을 시사합니다.
만약 작업에 전체 200K 컨텍스트나 128K 출력이 필요하지 않다면, 더 작거나 더 저렴한 모델이 비용 효율적일 수 있습니다. 예를 들어, 간단한 Q&A, 짧은 텍스트 분류, 또는 단일 단락 생성은 토큰당 비용이 적게 드는 모델로 처리할 수 있습니다. GLM 5의 가격은 입력 백만 토큰당 $1.00, 출력 백만 토큰당 $3.20로, 많은 컴팩트 모델보다 높습니다. 또한, 워크플로우에 매우 짧은 프롬프트와 응답이 포함된 경우, 대규모 컨텍스트 모델을 설정하는 지연 시간과 비용이 정당화되지 않을 수 있습니다. 일반적인 토큰 사용량을 평가하세요: 지속적으로 32K 토큰 미만을 사용한다면, 더 작은 모델로도 충분할 것입니다.
GLM 5는 OrcaRouter의 OpenAI 호환 API를 통해 액세스되며, 이 API는 스트리밍 응답과 함수 호출을 지원합니다. API를 사용할 때 stream 매개변수를 true로 설정하면 토큰을 점진적으로 수신할 수 있어 긴 출력의 지연 시간을 줄일 수 있습니다. 함수 호출을 통해 모델이 도구 호출이나 구조화된 데이터 출력을 요청할 수 있습니다. 이러한 기능은 API의 표준이지만 특정 모델의 지원 여부에 따라 다릅니다. 제공된 정보에 따르면 GLM 5는 이러한 기능과 함께 사용할 수 있습니다. 구현 세부 사항은 OrcaRouter API 문서를 참조하세요.
τ²-Bench는 시뮬레이션 환경에서 AI 에이전트가 여러 단계의 작업을 완료하는 능력을 평가하는 벤치마크입니다. 점수는 웹 탐색, 양식 작성, 정보 검색 등 다양한 작업에서의 성공률을 나타냅니다. 98.2점은 GLM 5가 벤치마크 작업의 98.2%를 성공적으로 완료했음을 의미합니다. 이는 매우 높은 성능으로, 모델이 복잡한 지침을 따르고 일련의 작업을 안정적으로 실행할 수 있음을 시사합니다. 완벽한 실제 성능을 보장하지는 않지만, 유사한 유형의 구조화된 작업에 대해 강력한 에이전트 능력을 나타냅니다.
GLM 5의 지연 시간은 입력 및 출력 길이와 Z.ai에서 제공하는 기본 인프라에 따라 달라집니다. OrcaRouter는 제공자의 백엔드로 라우팅하며 네트워크 오버헤드 외에는 추가 지연 시간을 발생시키지 않습니다. 짧은 입력 및 출력(예: 1,000개 토큰 입력, 500개 토큰 출력)의 경우 응답 시간은 몇 초 정도일 수 있습니다. 128K 최대치에 가까운 긴 생성의 경우 모델이 많은 토큰을 처리하고 생성해야 하므로 지연 시간이 현저히 높아질 수 있으며, 종종 수십 초 이상이 소요됩니다. 스트리밍을 통해 체감 대기 시간을 완화할 수 있습니다. 특정 지연 시간 수치는 제공되지 않으므로 실제 성능은 대표 워크로드로 테스트해야 합니다.
헤드라인 벤치마크가 강조하는 주요 강점은 GLM 5의 에이전트 작업에 대한 높은 성공률입니다. τ²-Bench 점수 98.2는 다단계 추론과 도구 사용을 효과적으로 처리할 수 있음을 시사합니다. 또한, 큰 컨텍스트 윈도우(200K 토큰)와 최대 출력(128K 토큰)은 매우 긴 텍스트에서 일관성을 유지할 수 있음을 의미하며, 이는 더 작은 윈도우를 가진 모델에 비해 의미 있는 개선입니다. 다른 벤치마크 점수는 제공되지 않으므로, 이 데이터에서 언어 이해나 수학과 같은 작업에 대한 직접적인 비교는 불가능합니다. 이 모델은 Z.ai의 훈련 방법론과 증가된 규모로부터 이점을 얻을 가능성이 높습니다.
GLM 5는 텍스트 전용 모델이므로 이미지나 다른 양식을 처리할 수 없습니다. 멀티모달 이해가 필요한 작업에서의 성능은 0입니다. τ²-Bench 점수는 높지만 시뮬레이션 환경에서 측정된 것이며, 실제 에이전트 성능은 다를 수 있습니다. 모델의 토큰당 비용은 상대적으로 높아(백만 토큰당 입력 $1.00 / 출력 $3.20), 긴 컨텍스트에서는 총 비용이 빠르게 누적될 수 있습니다. 부하 상황에서의 지연 시간에 대한 정보는 제공되지 않으므로 특정 사용 사례에 맞게 벤치마킹해야 합니다. 또한 모든 언어 모델과 마찬가지로 GLM 5는 특히 훈련 분포를 벗어난 복잡한 추론 시나리오에서 부정확하거나 할루시네이션된 내용을 생성할 수 있습니다.
GLM 5의 가격은 입력 토큰 100만 개당 $1.00, 출력 토큰 100만 개당 $3.20입니다. 이는 Z.ai가 설정한 제공업체 요금입니다. OrcaRouter는 이 요금에 추가 마크업 없이 그대로 전달하므로 제공업체 가격을 정확히 지불하게 됩니다. 토큰은 표준 토큰화 방법(영어의 경우 토큰당 약 0.75단어)을 사용하여 계산됩니다. 입력 토큰에는 프롬프트와 모든 시스템 메시지가 포함되며, 출력 토큰은 모델이 생성한 응답입니다. 제공업체가 명시하지 않는 한 API 호출이나 특수 기능에 대한 별도의 요금은 없습니다. 가격은 토큰당 부과되므로 사용량에 따라 비용이 선형적으로 증가합니다.
GLM 5는 토큰 단위로 요금을 부과하므로 총 비용은 프롬프트 길이와 생성 길이에 따라 달라집니다. 일반적인 상호작용의 경우 입력 토큰 10,000개와 출력 토큰 5,000개에 대한 비용은 (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 호출당입니다. 전체 컨텍스트를 사용하는 작업(예: 입력 토큰 200,000개와 출력 토큰 128,000개)의 경우 비용은 $0.20 + $0.4096 = $0.6096 호출당입니다. 사용 사례가 이러한 극단적인 경우를 요구하지 않는다면, 더 작은 컨텍스트를 가진 저렴한 모델이 더 경제적일 수 있습니다. OrcaRouter를 사용하면 배포 전에 모델 간 비용을 비교할 수 있습니다.
제공된 정보에는 OrcaRouter를 통한 GLM 5의 캐싱 또는 볼륨 할인에 대한 내용이 언급되지 않습니다. 요금은 표준 제공업체 요율로 토큰당 계산됩니다. 대량 사용에 대한 비용 절감이 필요하다면 다른 모델이나 전용 배포가 도움이 될 수 있는지 고려하세요. OrcaRouter의 제로 마크업 정책은 플랫폼 수수료 없이 Z.ai에 직접 호출한 것과 동일한 가격을 지불한다는 것을 의미합니다. 특정 할인 조건에 대해서는 Z.ai와 협상하거나 프로모션을 확인해야 합니다. 기본적으로 캐싱은 설명되지 않으므로 각 추론이 개별적으로 청구된다고 가정하세요.
GLM 5를 사용하려면 OrcaRouter의 OpenAI 호환 API 엔드포인트로 요청을 보내세요. 기본 URL을 https://api.orcarouter.ai/v1로 설정하세요. 요청 본문에서 모델 ID를 "z-ai/glm-5"로 지정하세요. OpenAI SDK 또는 채팅 완료 엔드포인트를 지원하는 모든 HTTP 클라이언트를 사용할 수 있습니다. Python 예시: 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"}]). 스트리밍, 함수 호출 및 기타 매개변수 지원은 OpenAI 스키마를 따릅니다.
GLM 5는 OpenAI 채팅 완료 형식의 모든 표준 매개변수를 지원합니다. temperature(0-2), top_p, max_tokens(최대 128,000), stop sequences, frequency_penalty, presence_penalty, stream(부울), 함수 호출을 위한 tools/functions를 설정할 수 있습니다. 컨텍스트 창 한도는 총 200,000개의 토큰이며, 여기에는 메시지와 시스템 프롬프트가 모두 포함됩니다. 입력이 이 한도를 초과하는 경우 컨텍스트를 자르거나 분할해야 합니다. OrcaRouter는 자동으로 자르지 않으며, 토큰 수가 한도를 초과하면 요청이 실패합니다. 토크나이저의 카운트를 사용하여 준수 여부를 확인하세요.
OrcaRouter로 마이그레이션하려면 기본 URL과 모델 ID를 변경해야 합니다. 이전에 OpenAI 엔드포인트에서 모델 "gpt-4o"를 사용했다면 기본 URL을 https://api.orcarouter.ai/v1로 바꾸고 모델을 "z-ai/glm-5"로 설정하면 됩니다. 이미 OpenAI 채팅 완료 형식을 사용 중이라면 다른 코드 변경은 필요하지 않습니다. API 키가 OrcaRouter에 대해 유효한지 확인하세요. 작은 요청으로 테스트하여 연결 상태와 모델이 예상대로 응답하는지 확인하십시오. 토큰 계산은 모델별 토크나이저로 인해 약간 다를 수 있지만, API가 이를 투명하게 처리합니다.
입력(시스템 메시지, 대화 기록, 사용자 프롬프트)의 총 토큰 수가 200,000개를 초과하면 API가 컨텍스트 길이 초과 오류를 반환합니다. 입력 크기를 줄여야 합니다. 마찬가지로, max_tokens를 128,000 이상으로 설정하면 요청이 모델의 최대 출력으로 제한되며, API가 해당 매개변수를 거부하거나 제한값으로 조정합니다. 대용량 페이로드를 전송하기 전에 프로그래밍 방식으로 토큰 수를 확인하는 것이 좋습니다. OrcaRouter는 프롬프트를 자동으로 잘라내지 않으므로 컨텍스트 길이를 직접 관리해야 합니다.
GLM 5의 컨텍스트 윈도우(200,000 토큰)와 최대 출력(128,000 토큰)은 현재 사용 가능한 것 중 가장 큰 수준에 속합니다. 이는 128K 또는 32K 컨텍스트를 제공하는 많은 폐쇄형 모델과 비교해 유리합니다. τ²-Bench 점수 98.2는 높은 편으로, 강력한 에이전트 성능을 시사합니다. 그러나 일부 대체 제공업체보다 가격이 높습니다. 예를 들어, 유사한 토큰 용량을 가지면서도 토큰당 비용이 더 낮은 모델은 대량 사용 시 더 경제적일 수 있습니다. GLM 5는 텍스트 전용인 반면, 일부 경쟁사는 멀티모달 입력을 지원합니다. 제공된 사실 외에 다른 벤치마크 데이터가 없으므로 NLP 작업에 대한 직접적인 품질 비교는 불가능합니다.
OpenAI의 표준 모델(일반적으로 128K 토큰)보다 더 큰 컨텍스트 윈도우가 필요하다면 GLM 5를 선택할 수 있습니다. GLM 5는 200K 컨텍스트와 128K 출력을 제공하므로, 더 긴 입력을 자르지 않고 처리할 수 있습니다. 또한 τ²-Bench 점수 98.2는 일부 OpenAI 모델보다 에이전트 벤치마크에서 높을 수 있지만, 정확한 비교는 평가 조건에 따라 달라집니다. 비용이 주요 고려 사항이라면 토큰당 가격을 비교하세요. GLM 5의 백만 토큰당 $1.00/$3.20은 대안에 따라 경쟁력이 있을 수 있습니다. 또한 특정 성능 특성을 위해 Z.ai 모델을 사용하고자 한다면 GLM 5를 선택할 수 있습니다.
이전 GLM 모델(GLM 4 등)과 비교하여 GLM 5는 컨텍스트 윈도우를 128K에서 200K 토큰으로, 최대 출력을 64K에서 128K 토큰으로 확장했습니다. τ²-Bench 점수 98.2는 개선된 것으로 보이지만 이전 모델 점수는 제공되지 않았습니다. 가격이 변경되었을 수 있으며, 이전 모델이 토큰당 더 저렴할 수 있습니다. 작업이 이전 모델의 더 작은 컨텍스트에 적합하다면 비용이 낮은 모델을 사용하는 것이 더 경제적일 수 있습니다. 그러나 200K 전체 컨텍스트나 더 높은 출력이 필요한 작업의 경우 GLM 5가 시리즈 내 유일한 옵션입니다. 업그레이드는 추론 및 명령 수행 능력의 품질 향상을 가져올 수도 있습니다.
제공된 정보에 따르면, GLM 5는 τ²-Bench 점수 98.2를 달성하여 해당 벤치마크에서 거의 완벽에 가까운 성과를 보였습니다. 이는 벤치마크와 유사한 에이전트 작업에 매우 강력함을 시사합니다. 그러나 벤치마크 점수가 실제 환경에서의 성능을 보장하지는 않으며, 다른 모델들은 사용자의 특정 환경에서 다르게 작동할 수 있습니다. 사용자의 에이전트 작업이 τ²-Bench 시나리오와 매우 유사하다면 GLM 5는 훌륭한 선택입니다. 하지만 작업에 다른 도구, 언어 또는 제약 조건이 포함된 경우 여러 모델을 테스트해야 합니다. OrcaRouter를 사용하면 모델 간 전환을 쉽게 하여 결과를 비교할 수 있습니다.
OpenAI 호환 — 쓰던 SDK 그대로
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| 출력 / 1M tokens | $3.20 |
| 캐시 읽기 / 1M | $0.260 |
| 통화 | USD |
정가 기준 추정치
추정치일 뿐입니다 — 실제 토큰 수는 제공자의 토크나이저에 따라 달라집니다.
@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