Zhipu (Z.ai) flagowy open-source MoE: 355B łącznie / 32B aktywnych. Hybrydowe wnioskowanie (tryby myślenia / niemyślenia), natywne wywoływanie narzędzi i powierzchnia agentowa, kontekst 128K.
GLM-4.5 to wyłącznie tekstowy model językowy firmy Z.ai, dostępny za pośrednictwem kompatybilnego z OpenAI API OrcaRouter. Oferuje okno kontekstowe o pojemności 128 000 tokenów i może wygenerować do…
GLM-4.5 doskonale radzi sobie z zadaniami wymagającymi rozumowania matematycznego, dedukcji logicznej i rozwiązywania problemów krok po kroku. Osiąga wynik 97.9 na MATH-500, co wskazuje na wysoką dokładność w zakresie różnorodnych problemów matematycznych. Inne mocne przypadki użycia obejmują generowanie kodu i jego objaśnianie, szczególnie w przypadku algorytmów i obliczeń matematycznych. Duże okno kontekstowe (128K tokenów) sprawia, że model nadaje się do przetwarzania długich dokumentów, takich jak prace badawcze, teksty prawne czy instrukcje techniczne. Dodatkowo, może obsługiwać rozmowy wieloetapowe, które wymagają odwoływania się do wcześniejszych fragmentów konwersacji, pod warunkiem że cała historia mieści się w limicie 128K.
Za proste zadania, takie jak bezpośrednia klasyfikacja, podsumowanie krótkich tekstów lub podstawowe odpowiadanie na pytania, mniejszy model może być bardziej opłacalny. GLM-4.5 jest wyceniony na 0,60 USD za 1 milion tokenów wejściowych i 2,20 USD za 1 milion tokenów wyjściowych. Jeśli Twoja aplikacja nie wymaga pełnego kontekstu 128K ani silnego rozumowania matematycznego, możesz zaoszczędzić koszty, wybierając model z niższą ceną za token. Ponadto w przypadku aplikacji multimodalnych (np. opisywanie obrazów lub analiza wideo) GLM-4.5 nie jest odpowiedni, ponieważ przetwarza tylko tekst. W takich przypadkach rozważ modele obsługujące wejścia wizyjne lub audio.
Tak, GLM-4.5 potrafi generować kod, zwłaszcza w przypadku problemów wymagających obliczeń matematycznych lub logiki algorytmicznej. Jego wysoki wynik MATH-500 (97.9) sugeruje biegłość w rozumowaniu nad strukturami liczbowymi i logicznymi, co przekłada się na dokładne generowanie kodu w językach takich jak Python, Java czy C++. Duże okno kontekstowe pozwala modelowi uwzględniać całe bazy kodu lub długą dokumentację podczas generowania kodu. Jednak jego główną siłą jest rozumowanie, a nie zadania wymagające dużej znajomości składni. W przypadku zadań wymagających głębokiej wiedzy o konkretnych frameworkach lub bibliotekach bardziej odpowiedni może być wyspecjalizowany model do kodu.
Okno kontekstu 128K oznacza, że GLM-4.5 może przetworzyć do około 96 000 słów (lub 128 000 tokenów podwyrazowych) w jednym zapytaniu. Jest to korzystne w przypadku zadań obejmujących długie dokumenty, rozbudowane rozmowy lub analizę dużych zbiorów danych w jednym prompcie. Model zachowuje spójność w obrębie tego długiego kontekstu, co jest istotne przy streszczaniu, odpowiadaniu na pytania na podstawie długich tekstów oraz wnioskowaniu wieloetapowym. Rzeczywista efektywna długość kontekstu może się jednak różnić w zależności od złożoności treści. Użytkownicy powinni przetestować model pod kątem swoich konkretnych zastosowań, aby zapewnić spójną wydajność w górnym zakresie okna.
MATH-500 to benchmark składający się z 500 problemów matematycznych obejmujących różne poziomy trudności, od podstawowej arytmetyki po zaawansowane pytania na poziomie konkursowym. Wynik 97.9 oznacza, że GLM-4.5 odpowiedział poprawnie na 97.9% tych problemów. Wskazuje to na bardzo silne zdolności rozumowania matematycznego. Model prawdopodobnie stosuje rygorystyczne, krok po kroku rozumowanie, aby dojść do odpowiedzi. Użytkownicy powinni zauważyć, że ten benchmark testuje czystą umiejętność matematyczną i może nie odzwierciedlać wydajności w innych zadaniach, takich jak twórcze pisanie czy otwarta dialog. Jest to użyteczna metryka do oceny modeli przeznaczonych do zastosowań STEM.
Dokładne dane dotyczące prędkości i opóźnień dla GLM-4.5 nie są publicznie udostępniane przez Z.ai. Wydajność zależy od takich czynników, jak rozmiar zapytania, długość odpowiedzi, warunki sieciowe i obciążenie serwera. Dzięki OrcaRouter użytkownicy mogą oczekiwać typowego opóźnienia dla modelu tej wielkości. Jako model tekstowy z kontekstem 128K opóźnienie może proporcjonalnie wzrastać wraz z długością wejścia. Dostępne jest strumieniowanie, które skraca postrzegany czas do pierwszego tokena. W przypadku aplikacji czasu rzeczywistego zalecamy przeprowadzenie testów obciążeniowych z typowym obciążeniem. Infrastruktura OrcaRouter jest zaprojektowana z myślą o niezawodnym dostępie do API, ale konkretne benchmarki prędkości należy mierzyć we własnym środowisku.
Główną siłą GLM-4.5 jest rozumowanie matematyczne, co potwierdza wynik 97.9 w teście MATH-500. Model skutecznie radzi sobie również z długimi kontekstami (128K tokenów), co czyni go odpowiednim do zadań na poziomie dokumentów. Może generować do 96K tokenów na jedno wyjście, co jest przydatne przy długich odpowiedziach lub wieloetapowych łańcuchach rozumowania. Jest konkurencyjnie wyceniony w swojej klasie wydajności. Ponadto jest dostępny przez zgodne z OpenAI API OrcaRouter, co ułatwia integrację programistom już zaznajomionym z tym ekosystemem. Model jest wyłącznie tekstowy, co upraszcza wdrażanie, gdy nie są wymagane funkcje wizyjne ani audio.
GLM-4.5 nie obsługuje żadnych modalności wejściowych poza tekstem. Nie może przetwarzać obrazów, dźwięku ani wideo. Jego dane treningowe i konstrukcja koncentrują się na rozumowaniu i matematyce; może osiągać gorsze wyniki w zadaniach twórczych lub subiektywnych w porównaniu z modelami ogólnego przeznaczenia. Benchmark MATH-500, choć imponujący, stanowi wąską ocenę: nie podano wydajności modelu w innych benchmarkach (np. kodowanie, logika, zgodność z faktami). Ponadto, podobnie jak wszystkie duże modele językowe, może generować błędy lub halucynacje, szczególnie w przypadku niejednoznacznych lub nietypowych danych wejściowych. Użytkownicy powinni weryfikować wyniki w przypadku zastosowań krytycznych. Duże okno kontekstowe może zwiększyć opóźnienie i koszt w przypadku bardzo długich zapytań.
GLM-4.5 jest wyceniony na $0,60 za 1 milion tokenów wejściowych i $2,20 za 1 milion tokenów wyjściowych. Jest to stawka dostawcy Z.ai, a OrcaRouter nie dodaje żadnej marży. Rozliczenie oparte jest na użyciu: płacisz tylko za zużyte tokeny. Tokeny wejściowe obejmują prompt oraz wszelkie wiadomości systemowe; tokeny wyjściowe są generowane przez model. Jeden token odpowiada w przybliżeniu 0,75 słowu w języku angielskim. Dla typowego zapytania z 10 000 tokenów wejściowych i 5 000 tokenów wyjściowych koszt wyniósłby (0,60 * 0,01) + (2,20 * 0,005) = $0,006 + $0,011 = $0,017. Ta przejrzysta wycena umożliwia łatwe szacowanie kosztów.
Biorąc pod uwagę jego strukturę cenową, GLM-4.5 jest najbardziej opłacalny w zastosowaniach korzystających z jego wysokich zdolności wnioskowania matematycznego i długiego kontekstu. W przypadku prostych zadań tańsze modele mogą być wystarczające, co obniża koszty operacyjne. Okno kontekstowe 128K zwiększa użycie tokenów na żądanie, co może podnieść koszty, jeśli nie jest zoptymalizowane. Aby zarządzać wydatkami, rozważ skrócenie promptów do niezbędnej długości i stosowanie limitów długości wyjścia. Ponieważ OrcaRouter nie dolicza marży, koszt ściśle odzwierciedla ceny dostawcy. Buforowanie może dodatkowo obniżyć koszty, jeśli używasz wspólnych segmentów promptów, ale konkretne zasady buforowania zależą od Twojej implementacji z OrcaRouter.
OrcaRouter nie oferuje natywnie buforowania dla żądań GLM-4.5. Buforowanie jest zazwyczaj implementowane po stronie klienta. Na przykład możesz przechowywać odpowiedzi dla identycznych zapytań, aby uniknąć wielokrotnego naliczania opłat. Alternatywnie możesz zaprojektować aplikację tak, aby ponownie wykorzystywać kontekst, gdzie to możliwe. Ponieważ GLM-4.5 jest rozliczany za token, buforowanie może znacząco obniżyć koszty w przypadku aplikacji o dużym wolumenie żądań, zwłaszcza jeśli wiele żądań ma podobne prefiksy (np. instrukcje systemowe). Jeśli potrzebujesz buforowania po stronie serwera, rozważ użycie funkcji buforowania wsadowego lub buforowania zapytań (prompt caching) w OrcaRouter, jeśli są dostępne – sprawdź dokumentację w celu uzyskania szczegółów.
GLM-4.5 obsługuje do 96 000 tokenów wyjściowych na żądanie. Jest to wartość niezwykle wysoka i może prowadzić do wyższych kosztów na żądanie, jeśli generujesz długie odpowiedzi. Na przykład wygenerowanie 96 000 tokenów wyjściowych kosztowałoby 96 000 / 1 000 000 * 2,20 $ = 0,2112 $ za żądanie. Choć pozwala to na bardzo długie generacje, bardziej ekonomiczne może być ograniczenie długości wyjścia za pomocą parametru „max_tokens”, chyba że zadanie naprawdę wymaga długich wyników. Użytkownicy dbający o budżet powinni ustawić odpowiednie limity. Liczba tokenów wejściowych i wyjściowych jest sumowana i rozliczana osobno według odpowiednich stawek.
Uzyskujesz dostęp do GLM-4.5 za pośrednictwem zgodnego z OpenAI API OrcaRouter. Ustaw podstawowy URL na https://api.orcarouter.ai/v1. Użyj identyfikatora modelu "z-ai/glm-4.5" w swoich żądaniach. API akceptuje standardowe parametry OpenAI, takie jak 'prompt', 'max_tokens', 'temperature' itp. Na przykład, wywołanie uzupełnienia czatu użyje endpointu /v1/chat/completions. Uwierzytelnianie wymaga klucza API z OrcaRouter. API zachowuje się jak API OpenAI, więc istniejący kod można łatwo przenieść, zmieniając podstawowy URL i nazwę modelu. Aby uzyskać szczegóły uwierzytelniania, zapoznaj się z dokumentacją OrcaRouter.
Typowe parametry obejmują: 'model' (ustawiony na "z-ai/glm-4.5"), 'messages' (lista słowników z polem role i content), 'max_tokens' (do 96000), 'temperature' (kontroluje losowość, domyślnie nieokreślony), 'top_p' (próbkowanie jądrowe), 'stream' (wartość logiczna) oraz 'stop' (sekwencje, przy których generowanie się zatrzymuje). GLM-4.5 obsługuje format uzupełniania czatu OpenAI. Nie wszystkie zaawansowane parametry (takie jak logprobs lub wywołania narzędzi) mogą być obsługiwane; przetestuj swój przypadek użycia. Jeśli musisz ustawić kary za częstotliwość lub obecność, sprawdź dokumentację OrcaRouter w celu uzyskania informacji o zgodności. Model akceptuje wiadomości systemowe w celu ustawienia zachowania.
Migracja jest prosta. Zaktualizuj bazowy URL swojego kodu na https://api.orcarouter.ai/v1 i zamień nazwę modelu na „z-ai/glm-4.5”. Upewnij się, że masz ważny klucz API OrcaRouter. Format żądań i odpowiedzi jest identyczny jak w OpenAI. Nie są wymagane zmiany w strukturze promptów ani parametrach, chyba że używałeś funkcji specyficznych dla modelu, które nie są obsługiwane przez OrcaRouter. Przetestuj na małej partii, aby potwierdzić działanie. Jeśli używałeś strumieniowania, ten sam endpoint strumieniowania działa. Dokumentacja OrcaRouter zawiera kroki rozwiązywania typowych problemów.
Limity szybkości i przydziały dla GLM-4.5 są określane przez OrcaRouter na podstawie poziomu Twojego konta. Typowe limity szybkości mierzone są w żądaniach na minutę (RPM) i tokenach na minutę (TPM). W przypadku dużej skali użycia może być konieczne wnioskowanie o wyższy limit. API OrcaRouter zwraca standardowe kody statusu HTTP (np. 429 w przypadku ograniczania szybkości). Zaleca się zaimplementowanie wykładniczego opóźnienia w Twoim kliencie. W dostarczonych informacjach nie ma wzmianki o ścisłych przydziałach; skontaktuj się z pomocą techniczną OrcaRouter w celu uzyskania konkretnych limitów. Okno kontekstu i długość wyjścia modelu to limity na żądanie, a nie egzekwowane okresowo.
GLM-4.5 osiąga wynik 97,9 w teście MATH-500, plasując się wśród najlepszych modeli w zakresie wnioskowania matematycznego. Wiele modeli uzyskuje w tym benchmarku wyniki w przedziale 80–90 punktów, dlatego 97,9 jest wartością wyraźnie wysoką. Porównanie to dotyczy jednak tylko jednego benchmarku. W innych metrykach (np. ogólne rozumienie języka, kodowanie) wydajność może się różnić. GLM-4.5 obsługuje wyłącznie tekst, podczas gdy niektórzy konkurenci oferują obsługę obrazu. Jego okno kontekstowe (128K) jest większe niż w przypadku wielu modeli oferujących 32K lub 64K. Ceny są konkurencyjne w swojej klasie. Użytkownicy skupieni na matematyce mogą preferować GLM-4.5, ale powinni ocenić go na podstawie swoich konkretnych zadań.
Tańsze modele mogą mieć mniejsze okna kontekstowe (np. 4K-8K) i niższe wyniki w benchmarkach. Jeśli Twoje zadania są proste i wymagają niskiego opóźnienia, tańszy model może być bardziej opłacalny. Na przykład model wyceniony na $0,15/$0,60 za 1M tokenów może być wystarczający do podstawowego streszczania. Zaletą GLM-4.5 są silne zdolności do wnioskowania matematycznego i długi kontekst. Kompromisem jest wyższy koszt na token. Powinieneś obliczyć całkowity koszt dla swojego typowego wzorca użycia. Jeśli Twoja aplikacja wymaga dokładnego wnioskowania matematycznego lub długich dokumentów, wyższy koszt może być uzasadniony.
Kilku dostawców oferuje modele z podobnymi oknami kontekstowymi. Ceny GLM-4.5 (0,60 USD / 2,20 USD) mieszczą się w średnim przedziale. Niektóre modele z kontekstem 128K mogą być tańsze za token, ale mają niższe wyniki matematyczne. Inne mogą być droższe. Wynik GLM-4.5 w teście MATH-500 wynoszący 97,9 jest wyjątkowo wysoki. Żaden z podanych faktów nie wspomina o innych wynikach benchmarków, więc pełne porównanie nie jest możliwe. Dla użytkowników potrzebujących wysokiej wydajności matematycznej i długiego kontekstu GLM-4.5 jest mocnym kandydatem. Jednak w przypadku pisania kreatywnego lub różnorodności inne modele mogą być lepsze. Zawsze testuj na swoich konkretnych danych.
OrcaRouter zapewnia ujednolicone API kompatybilne z OpenAI do dostępu do GLM-4.5 bez zarządzania infrastrukturą. Cennik jest przejrzysty, z zerową marżą na stawkach dostawcy. Otrzymujesz ten sam model, który jest hostowany przez Z.ai, ale przez bramę OrcaRouter, która może oferować dodatkowe funkcje, takie jak balansowanie obciążenia, buforowanie lub opcje zapasowe (sprawdź dokumentację OrcaRouter). API jest standaryzowane, więc migracja do innych modeli w katalogu jest łatwa. OrcaRouter obsługuje uwierzytelnianie i limity zapytań. Jeśli już używasz innych modeli na OrcaRouter, dodanie GLM-4.5 to tylko zmiana nazwy modelu.
Zgodne z OpenAI — zostań przy swoim SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Wejście / 1M tokenów | $0.600 |
| Wyjście / 1M tokenów | $2.20 |
| Odczyt cache / 1M | $0.110 |
| Waluta | USD |
Szacunek na podstawie cennika
Tylko szacunek — rzeczywista liczba tokenów zależy od tokenizatora dostawcy.
GET /api/public/models/z-ai/glm-4.5Otwórz @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