Kompaktowy wariant MoE modelu GLM-4.5: 106B łącznie / 12B aktywnych. Ten sam hybrydowy stos rozumowania i wywoływania narzędzi, dostrojony do wnioskowania o wysokiej przepustowości i niskim koszcie. Kontekst 128K.
GLM 4.5 Air to model językowy generowania tekstu opracowany przez Z.ai. Oferuje okno kontekstu o wielkości 128 000 tokenów i może wygenerować do 96 000 tokenów w jednej odpowiedzi. Model jest…
GLM 4.5 Air specjalizuje się w generowaniu tekstu z silnym naciskiem na rozumowanie, szczególnie rozwiązywanie problemów matematycznych, co potwierdza jego wynik 96.5 w teście MATH-500. Może obsługiwać złożone instrukcje wieloetapowe, generować spójne długie teksty do 96 000 tokenów i utrzymywać kontekst na przestrzeni 128 000 tokenów. Do jego możliwości należą odpowiadanie na pytania faktograficzne, streszczanie długich dokumentów, tłumaczenie tekstu między językami, przeprowadzanie wnioskowań logicznych i pisanie kodu. Model został zaprojektowany do podążania za szczegółowymi promptami i tworzenia ustrukturyzowanych wyników. Jego duże okno kontekstowe pozwala na pracę z całymi książkami, rozszerzonymi raportami lub długimi logami rozmów. Jest to jednak model wyłącznie tekstowy i nie może przetwarzać obrazów ani innych mediów. Do zadań, które nie wymagają rozumowania lub długich wyników, mniejszy lub tańszy model może być wystarczający.
Najlepsze przypadki użycia GLM 4.5 Air obejmują zadania, które korzystają z jego dużego okna kontekstowego i wysokiego limitu tokenów wyjściowych. Przykłady obejmują: analizowanie i podsumowywanie długich artykułów naukowych, generowanie szczegółowej dokumentacji technicznej, rozwiązywanie złożonych problemów matematycznych krok po kroku, tworzenie kompleksowych przewodników do nauki oraz przetwarzanie obszernych logów użytkowników lub historii czatów. Model dobrze radzi sobie również z zadaniami programistycznymi wymagającymi zrozumienia długich plików z kodem lub generowania dużych baz kodu. Ze względu na strukturę cenową – $0,20 za wejście i $1,10 za wyjście na milion tokenów – jest opłacalny w scenariuszach, w których dane wejściowe są tańsze od wyjściowych. Aplikacje wymagające generowania wielu tokenów, takie jak tworzenie długich treści lub generowanie wielu kroków rozumowania, mogą być ekonomiczne w porównaniu z modelami o wyższych kosztach tokenów wyjściowych.
Choć GLM 4.5 Air oferuje silne możliwości rozumowania i duży kontekst, może być przesadą w przypadku prostszych zadań. Rozważ użycie tańszego, mniejszego modelu, gdy zadanie nie wymaga pełnego okna kontekstowego ani limitu wyjścia. Na przykład, jeśli potrzebujesz szybkiej klasyfikacji, prostego tłumaczenia lub generowania krótkich odpowiedzi, model o niższych kosztach tokenów będzie bardziej ekonomiczny. Również jeśli twoja aplikacja nie obejmuje rozumowania matematycznego ani generowania długich form, premia za możliwości GLM 4.5 Air może nie być uzasadniona. Koszt wyjścia modelu ($1.10 za 1M tokenów) jest wyższy niż koszt wejścia, więc zadania generujące dużo wyjścia (np. długie podsumowania z krótkich wejść) mogą być droższe niż alternatywne modele o niższych kosztach wyjścia. Zawsze oceniaj kompromis między możliwościami a kosztami dla swojego konkretnego przypadku użycia.
Benchmark MATH-500 ocenia zdolność modelu do rozwiązywania problemów matematycznych na różnych poziomach trudności, w tym algebry, geometrii, teorii liczb i innych. Wynik 96,5 oznacza, że GLM 4.5 Air poprawnie odpowiedział na 96,5% problemów w zestawie testowym. Wskazuje to na silne zdolności rozumowania matematycznego, porównywalne lub przewyższające inne modele w swojej klasie. Nie gwarantuje to jednak doskonałych rezultatów we wszystkich zadaniach matematycznych, szczególnie tych spoza rozkładu benchmarku. Użytkownicy powinni interpretować ten wynik jako wskaźnik biegłości modelu w rozumowaniu symbolicznym i rozwiązywaniu problemów krok po kroku. Benchmark nie mierzy innych istotnych umiejętności, takich jak kreatywność, zdrowy rozsądek czy faktyczność. W przypadku zadań niematematycznych bardziej adekwatne porównanie zapewniłyby inne benchmarki.
Szczegółowe dane dotyczące opóźnień dla GLM 4.5 Air na OrcaRouter nie są dostępne. Ogólnie rzecz biorąc, szybkość odpowiedzi zależy od takich czynników, jak długość tokenów wejściowych i wyjściowych, obciążenie serwera oraz warunki sieciowe. Modele z większymi oknami kontekstu i limitami wyjściowymi mogą wykazywać dłuższy czas przetwarzania przy generowaniu bardzo długich odpowiedzi. Ponieważ GLM 4.5 Air może wygenerować do 96 000 tokenów, generowanie maksymalnej liczby wyjściowej zajmie znacznie więcej czasu niż w przypadku krótkich odpowiedzi. Infrastruktura API OrcaRouter jest zaprojektowana tak, aby minimalizować narzut, ale rzeczywista szybkość będzie się różnić. W przypadku aplikacji, w których kluczowe jest niskie opóźnienie, rozważ użycie mniejszych modeli lub krótszych długości wyjściowych. Wydajność modelu w MATH-500 sugeruje efektywne rozumowanie, ale aplikacje czasu rzeczywistego powinny być testowane przy oczekiwanym obciążeniu.
Zalety: Wysoka zdolność rozumowania matematycznego (wynik MATH-500 96.5). Duże okno kontekstowe 128K umożliwia przetwarzanie obszernych tekstów. Maksymalny wynik 96 000 tokenów pozwala na generowanie pełnych dokumentów. Ceny bez marży na OrcaRouter sprawiają, że koszty są przejrzyste. Ograniczenia: Tylko tekst; nie może przetwarzać obrazów, dźwięku ani wideo. Wysoki koszt wyjścia (1,10 USD za 1 milion tokenów) może być zaporowy dla aplikacji, które często generują bardzo długie odpowiedzi. Wyniki benchmarków dla innych domen (np. ogólna wiedza, generowanie kodu) nie są podane, więc ogólna wszechstronność jest nieznana. Podobnie jak wszystkie modele językowe, może generować niepoprawne lub stronnicze wyniki. Domyślnie nie ma dostępu do internetu ani wiedzy w czasie rzeczywistym. Użytkownicy powinni weryfikować wyniki w przypadku krytycznych zastosowań.
Ceny za GLM 4.5 Air są naliczane według stawki dostawcy, bez żadnej marży na OrcaRouter. Koszt wynosi $0.20 za 1 milion tokenów wejściowych i $1.10 za 1 milion tokenów wyjściowych. Tokeny wejściowe obejmują cały tekst w promptcie (wiadomości systemowe, użytkownika i asystenta aż do ostatniej odpowiedzi). Tokeny wyjściowe to wygenerowany tekst. Nie ma żadnych dodatkowych opłat ani narzutów platformy. Płacisz dokładnie stawkę dostawcy. Ten przejrzysty model cenowy pozwala przewidywać koszty na podstawie zużycia tokenów. Rozliczenia są zazwyczaj oparte na liczbie tokenów zużytych w każdym wywołaniu API. Na OrcaRouter mogą obowiązywać zasady buforowania; sprawdź dokumentację platformy, aby uzyskać szczegółowe informacje na temat tego, czy powtarzające się wywołania z identycznymi danymi wejściowymi są objęte zniżką.
Podstawowym kompromisem jest relacja między możliwościami a kosztem. GLM 4.5 Air oferuje wysokie limity wyjściowe i silne wnioskowanie, ale koszt tokenów wyjściowych ($1,10 za 1M) jest stosunkowo wysoki. W przypadku zadań generujących wiele tokenów wyjściowych z krótkich wejść koszt może szybko narastać. Natomiast zadania z dużymi wejściami, ale krótkimi wyjściami korzystają z niższego kosztu wejściowego ($0,20 za 1M). Zerowa marża na OrcaRouter oznacza, że nie płacisz dodatkowo poza stawką dostawcy, ale nadal musisz zarządzać zużyciem tokenów. Jeśli Twoja aplikacja wymaga przede wszystkim zwięzłych odpowiedzi, model o niższym koszcie wyjściowym może być bardziej ekonomiczny. W przypadku aplikacji wymagających długich wyjść lub intensywnego wnioskowania, GLM 4.5 Air może być opłacalny pomimo wyższego kosztu wyjściowego ze względu na swoją wydajność.
OrcaRouter może wdrażać polityki buforowania, które obniżają koszt dla wielokrotnie powtarzających się identycznych tokenów wejściowych. Konkretne szczegóły rabatów dla GLM 4.5 Air nie zostały podane. Zazwyczaj rabaty za buforowanie dotyczą tokenów promptu, które były już wcześniej przetwarzane, co obniża efektywny koszt wejścia. Użytkownicy powinni zapoznać się z dokumentacją OrcaRouter lub skontaktować się z pomocą techniczną, aby potwierdzić aktualne praktyki buforowania. Ponieważ bazowy koszt wejścia jest już niski i wynosi 0,20 USD za 1 milion tokenów, buforowanie może dodatkowo obniżyć koszty w przypadku aplikacji z powtarzającymi się promptami. Tokeny wyjściowe generalnie nie podlegają buforowaniu, ponieważ różnią się w zależności od wywołania. Zawsze weryfikuj najnowsze warunki rozliczeń bezpośrednio u OrcaRouter, aby dowiedzieć się o dostępnych rabatach lub promocjach.
Aby użyć GLM 4.5 Air, wysyłaj żądania HTTP do punktu końcowego API zgodnego z OpenAI OrcaRouter: https://api.orcarouter.ai/v1. Dołącz prawidłowy klucz API w nagłówku Authorization. Określ model jako "z-ai/glm-4.5-air" w treści żądania. API obsługuje standardowe parametry uzupełniania czatu OpenAI: messages (tablica obiektów z role i content), temperature, max_tokens, top_p, stop, frequency_penalty, presence_penalty i inne. Na przykład ustaw "max_tokens" do 96000, aby wykorzystać pełną wydajność wyjściową. API zwraca odpowiedź JSON z wygenerowanym uzupełnieniem. Streaming jest obsługiwany przez ustawienie "stream": true. Upewnij się, że Twoja biblioteka kliencka używa prawidłowego podstawowego URL i nazwy modelu. API OrcaRouter jest kompatybilne z SDK klientów OpenAI, więc migracja jest prosta.
GLM 4.5 Air obsługuje szereg parametrów za pośrednictwem API OrcaRouter zgodnego z OpenAI. Wymagane: model ("z-ai/glm-4.5-air") i messages. Opcjonalne parametry obejmują: temperature (0.0 do 2.0, domyślnie 1.0) do kontrolowania losowości; top_p (0.0 do 1.0) do próbkowania jądra; max_tokens (do 96000) do ograniczenia długości odpowiedzi; stop (lista sekwencji zatrzymujących generowanie); frequency_penalty i presence_penalty (oba -2.0 do 2.0) do karania powtarzania tokenów; oraz stream (typ boolean) do dostarczania tokenów w czasie rzeczywistym. Okno kontekstu ma 128000 tokenów, więc upewnij się, że łączna liczba tokenów w messages plus wygenerowane wyjście nie przekracza tego limitu; w przeciwnym razie żądanie zostanie obcięte lub odrzucone. OrcaRouter może również obsługiwać dodatkowe parametry, takie jak logit_bias lub user; sprawdź dokumentację. Zawsze sprawdzaj najnowszą dokumentację API, aby uzyskać dokładne szczegóły.
Migracja do GLM 4.5 Air na OrcaRouter jest prosta, jeśli już używasz API kompatybilnego z OpenAI. Zmień bazowy URL na https://api.orcarouter.ai/v1, zastąp nazwę modelu na "z-ai/glm-4.5-air" i użyj swojego klucza API OrcaRouter. Nie są wymagane żadne inne zmiany w strukturze zapytania, jeśli używasz standardowych parametrów. Format odpowiedzi jest identyczny z formatem odpowiedzi czatu OpenAI. Jeśli migrujesz z platformy innej niż OpenAI, będziesz musiał dostosować swój kod do formatu odpowiedzi czatu. OrcaRouter obsługuje również wywoływanie funkcji i korzystanie z narzędzi, chociaż nie wszystkie modele to robią; sprawdź, czy GLM 4.5 Air je obsługuje. Najpierw przetestuj za pomocą małych zapytań, aby zweryfikować działanie i koszty. OrcaRouter oferuje rozliczenia oparte na kredytach, więc upewnij się, że masz wystarczające saldo przed migracją.
W katalogu OrcaRouter, model GLM 4.5 Air wyróżnia się połączeniem dużego okna kontekstowego (128K), wysokiego limitu wyjściowego (96K) oraz silnego rozumowania matematycznego (MATH-500 96,5). W porównaniu z mniejszymi modelami oferuje głębsze rozumowanie, ale przy wyższym koszcie na token wyjściowy. W porównaniu z większymi lub granicznymi modelami może brakować mu szerokości wiedzy ogólnej lub możliwości multimodalnych, ale jest bardziej opłacalny w zadaniach tekstowych wymagających intensywnego rozumowania. Ceny bez marży sprawiają, że jest konkurencyjny w stosunku do modeli o podobnych możliwościach, które mogą zawierać opłaty platformowe. W przypadku aplikacji, które nie wymagają matematyki ani długich wyników, istnieją tańsze alternatywy. W przypadku zadań wymagających wprowadzania multimodalnego lepsze będą inne modele z możliwością przetwarzania obrazu. Ogólnie rzecz biorąc, zajmuje niszę jako dedykowany silnik rozumowania z hojnymi limitami tokenów.
GLM 4.5 Air jest wariantem rodziny GLM-4 od Z.ai. Choć nie podano bezpośrednich porównań, oznaczenie „Air” zazwyczaj sugeruje lżejszą lub bardziej zoptymalizowaną kosztowo wersję w porównaniu z podstawowym modelem GLM-4. Prawdopodobnie poświęca część wydajności na rzecz niższych opóźnień lub kosztów, jednak wynik 96,5 w teście MATH-500 wskazuje, że zachowuje silne umiejętności rozumowania. Okno kontekstu (128 tys.) i limit wyjścia (96 tys.) są hojne, prawdopodobnie większe niż we wcześniejszych iteracjach GLM-4. Cena (0,20 USD/1,10 USD za 1 mln tokenów) jest konkurencyjna. Bez bezpośrednich porównań benchmarkowych użytkownicy powinni przetestować oba modele na swoich konkretnych zadaniach. Główne różnice mogą dotyczyć szybkości, wydajności lub nieco innego zestawu danych treningowych. OrcaRouter może oferować inne modele GLM-4 z różną ceną; porównaj koszty tokenów i wydajność, aby wybrać najlepsze dopasowanie.
GLM 4.5 Air to zastrzeżony model firmy Z.ai, który nie ma otwartych wag. W porównaniu z modelami o otwartych wagach, takimi jak te z rodziny Llama lub Mistral, oferuje on zalety bycia hostowanym i zarządzanym przez OrcaRouter, bez konieczności samodzielnego hostowania. Ceny naliczane są za token, podczas gdy modele otwarte wymagają kosztów infrastruktury obliczeniowej. Wynik MATH-500 jest wysoki, ale modele otwarte mogą mieć inne mocne strony (np. szerszą wiedzę). Okno kontekstu (128K) jest duże, ale niektóre modele otwarte oferują podobne lub większe konteksty. Limit wyjściowy 96K tokenów jest niezwykle wysoki w porównaniu z większością otwartych modeli, które zazwyczaj ograniczają się do 4K–32K. Dla użytkowników potrzebujących bardzo długich generacji bez zarządzania infrastrukturą, GLM 4.5 Air jest wygodny. Dla tych, którzy wymagają możliwości dostosowania lub suwerenności danych, preferowane mogą być modele o otwartych wagach.
GLM 4.5 Air jest modelem wyłącznie tekstowym, więc nie może przetwarzać obrazów, dźwięku ani wideo. Jeśli Twoja aplikacja wymaga rozumienia treści wizualnych (np. analizowania wykresów, odczytywania odręcznego pisma, interpretowania zdjęć), potrzebujesz modelu multimodalnego, takiego jak GPT-4V lub Claude 3. Podobnie nie może generować obrazów ani mowy. W przypadku zadań łączących wnioskowanie tekstowe i obrazowe niezbędny będzie model multimodalny. Mocną stroną GLM 4.5 Air są wyłącznie wnioskowanie i generowanie tekstu. Użytkownicy powinni ocenić, czy ich przypadek faktycznie wymaga danych multimodalnych, czy wystarczy sam tekst. Jeżeli tekst jest wystarczający, GLM 4.5 Air może być bardziej opłacalny w zadaniach wymagających intensywnego wnioskowania niż modele multimodalne, które często pobierają wyższe stawki za tokeny i mogą oferować funkcje wizyjne, które pozostaną niewykorzystane.
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-air",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)do_sampleinclude_reasoningmax_tokensreasoningrequest_idresponse_formatstopstreamtemperaturethinkingtool_choicetool_streamtoolstop_puser_id| Wejście / 1M tokenów | $0.200 |
| Wyjście / 1M tokenów | $1.10 |
| Odczyt cache / 1M | $0.030 |
| Waluta | USD |
Szacunek na podstawie cennika
Tylko szacunek — rzeczywista liczba tokenów zależy od tokenizatora dostawcy.
GET /api/public/models/z-ai/glm-4.5-airOtwórz @misc{orcarouter_glm_4_5_air,
title = {GLM 4.5 Air API},
author = {Z.ai},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/z-ai/glm-4.5-air}
}Z.ai. (2025). GLM 4.5 Air API. OrcaRouter. https://www.orcarouter.ai/models/z-ai/glm-4.5-air