Флагман Zhipu следующего поколения с множеством режимов мышления и мощным вызовом инструментов. 200K контекст / 128K максимальный вывод.
GLM 5 — это текстовая модель, разработанная компанией Z.ai, доступная через совместимый с OpenAI API OrcaRouter. Она принимает текстовые входные данные и предлагает контекстное окно размером 200 000…
GLM 5 поддерживает только текстовый ввод. Согласно предоставленным спецификациям, он не принимает изображения, аудио или видео. Это делает его чисто языковой моделью, оптимизированной для обработки письменного контента. Всё взаимодействие с моделью осуществляется через текстовые токены, и выходные данные также являются текстом. Если вашему приложению требуется мультимодальный ввод, вам нужно будет использовать другую модель, которая обрабатывает изображения или другие модальности. Для таких задач, как суммаризация транскрибированного аудио или извлечение текста из изображений, вам потребуется преобразовать эти входные данные в текст перед передачей их в GLM 5.
GLM 5 отлично справляется с задачами, выигрывающими от большого контекстного окна и высокого лимита вывода. Типичные варианты использования включают: тщательный анализ длинных юридических контрактов или нормативных документов; создание подробных резюме целых исследовательских работ или книг; поддержание связной истории диалогов в чат-ботах службы поддержки, охватывающих десятки реплик; а также выполнение сложных рассуждений, где модели необходимо обращаться к нескольким разделам длинного промпта. Показатель τ²-Bench 98,2 указывает на то, что модель особенно сильна в выполнении многошаговых задач в симулированных средах, таких как навигация по веб-сайтам или ввод данных.
Если ваша задача не требует полного контекста в 200K или вывода в 128K, более компактная или дешёвая модель может оказаться экономичнее. Например, простые вопросы и ответы, короткая классификация текстов или генерация одного абзаца могут выполняться моделями с меньшей стоимостью за токен. Цены на GLM 5 составляют $1,00 за миллион входных токенов и $3,20 за миллион выходных токенов, что выше, чем у многих компактных моделей. Кроме того, если ваш рабочий процесс включает очень короткие запросы и ответы, задержка и стоимость настройки модели с большим контекстом могут быть неоправданными. Оцените типичное использование токенов: если вы стабильно используете менее 32K токенов, скорее всего, достаточно будет модели меньшего размера.
GLM 5 доступен через совместимый с OpenAI API OrcaRouter, который поддерживает потоковые ответы и вызов функций. При использовании API вы можете установить параметр stream в значение true, чтобы получать токены инкрементально, что снижает воспринимаемую задержку для длинных выходных данных. Вызов функций позволяет модели запрашивать вызовы инструментов или структурированный вывод данных. Эти возможности являются стандартными для API, но зависят от поддержки конкретной модели. Согласно предоставленной информации, GLM 5 может использоваться с этими функциями. За подробностями реализации обращайтесь к документации API OrcaRouter.
τ²-Bench — это бенчмарк, оценивающий способность AI-агента выполнять многошаговые задачи в симулированной среде. Показатель представляет собой процент успешного выполнения разнообразных задач, таких как навигация по веб-страницам, заполнение форм и поиск информации. Оценка 98.2 означает, что GLM 5 успешно выполнил 98.2% задач бенчмарка. Это очень высокий результат, указывающий на то, что модель способна следовать сложным инструкциям и надёжно выполнять последовательности действий. Он не гарантирует идеальную работу в реальном мире, но предполагает сильные агентские способности для аналогичных типов структурированных задач.
Задержка для GLM 5 зависит от длины входных и выходных данных, а также от базовой инфраструктуры, предоставляемой Z.ai. OrcaRouter маршрутизирует к серверной части провайдера и не добавляет дополнительной задержки, кроме сетевых накладных расходов. Для коротких входов и выходов (например, 1 000 токенов на вход, 500 токенов на выход) время отклика может составлять несколько секунд. Для длинных генераций, приближающихся к максимуму в 128K, задержка может быть значительно выше — часто десятки секунд или более, потому что модель должна обработать и сгенерировать много токенов. Потоковая передача может смягчить воспринимаемое время ожидания. Конкретные значения задержки не приводятся, поэтому фактическую производительность следует тестировать на репрезентативных рабочих нагрузках.
Основное преимущество, выделяемое заголовочным бенчмарком, — высокая успешность GLM 5 в агентных задачах. Показатель τ²-Bench 98,2 указывает на эффективную работу с многошаговыми рассуждениями и использованием инструментов. Кроме того, большой контекстный окно (200K токенов) и максимальный вывод (128K токенов) позволяют модели сохранять связность в очень длинных текстах, что является значительным улучшением по сравнению с моделями с меньшими окнами. Другие результаты бенчмарков не приводятся, поэтому прямые сравнения по таким задачам, как понимание языка или математика, на основе этих данных невозможны. Вероятно, модель выигрывает от методологии обучения Z.ai и увеличенного масштаба.
GLM 5 — это модель, работающая только с текстом, поэтому она не может обрабатывать изображения или другие модальности. Ее производительность в задачах, требующих мультимодального понимания, равна нулю. Показатель τ²-Bench, хотя и высок, измерен в смоделированной среде; реальная агентная производительность может отличаться. Стоимость модели за токен относительно высока ($1.00 за миллион входных токенов / $3.20 за миллион выходных токенов), поэтому для длинных контекстов общая стоимость может быстро накапливаться. Не предоставлено информации о задержке под нагрузкой, поэтому вам следует провести бенчмаркинг для вашего конкретного случая использования. Также, как и все языковые модели, GLM 5 может выдавать некорректное или галлюцинированное содержимое, особенно в сценариях сложных рассуждений, выходящих за пределы его обучающего распределения.
GLM 5 стоит 1,00 доллара США за 1 миллион входных токенов и 3,20 доллара США за 1 миллион выходных токенов. Это тарифы провайдера Z.ai. OrcaRouter передает эти тарифы без дополнительной наценки, поэтому вы платите ровно цену провайдера. Токены подсчитываются стандартным методом токенизации (примерно 0,75 слова на токен для английского языка). Входные токены включают запрос и любые системные сообщения; выходные токены — это сгенерированный ответ модели. Отдельная плата за вызовы API или специальные функции не взимается, если иное не указано провайдером. Ценообразование является пото́кенным, поэтому стоимость растет линейно с объемом использования.
Поскольку GLM 5 взимает плату за токен, общая стоимость зависит как от длины промпта, так и от длины генерации. Для типичного взаимодействия с 10,000 входных токенов и 5,000 выходных токенов стоимость составит (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 за вызов. Для задач, использующих полный контекст, например 200,000 входных токенов и 128,000 выходных токенов, стоимость составит $0.20 + $0.4096 = $0.6096 за вызов. Если ваш вариант использования не требует таких экстремальных значений, более дешевая модель с меньшим контекстом может быть более экономичной. OrcaRouter позволяет сравнивать стоимость разных моделей перед развертыванием.
Предоставленная информация не упоминает кеширование или скидки за объем для GLM 5 через OrcaRouter. Ценообразование производится за токен по стандартной ставке провайдера. Если вам требуется экономия средств при больших объемах использования, рассмотрите, не будет ли выгоднее использовать другую модель или выделенное развертывание. Политика нулевой наценки OrcaRouter означает, что вы платите ту же цену, что и при прямом вызове Z.ai, без какой-либо платы за платформу. Для конкретных договоренностей о скидках вам необходимо договариваться с Z.ai или проверять наличие акций. По умолчанию кеширование не описано, поэтому предполагается, что каждый вывод оплачивается отдельно.
Чтобы использовать GLM 5, отправляйте запросы к совместимому с OpenAI API-эндпоинту OrcaRouter. Установите базовый URL на https://api.orcarouter.ai/v1. В теле запроса укажите идентификатор модели "z-ai/glm-5". Вы можете использовать любой OpenAI SDK или любой HTTP-клиент, поддерживающий эндпоинт chat completions. Пример на Python: 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"}]). Поддержка потоковой передачи, вызова функций и других параметров соответствует схеме OpenAI.
GLM 5 поддерживает все стандартные параметры формата чат-завершений OpenAI. Вы можете установить temperature (0-2), top_p, max_tokens (до 128,000), стоп-последовательности, frequency_penalty, presence_penalty, stream (логическое значение), а также tools/functions для вызова функций. Ограничение окна контекста составляет 200,000 токенов в сумме, включая сообщения и любой системный промпт. Если входные данные превышают это значение, вы должны обрезать или разделить контекст. OrcaRouter не выполняет автоматическое обрезание; запрос завершится ошибкой, если количество токенов превышает лимит. Используйте подсчёт токенизатора для обеспечения соответствия.
Миграция на OrcaRouter включает изменение базового URL и идентификатора модели. Если вы ранее использовали конечную точку OpenAI с моделью "gpt-4o", замените базовый URL на https://api.orcarouter.ai/v1 и установите модель "z-ai/glm-5". Никаких других изменений в коде не требуется, если вы уже используете формат OpenAI chat completions. Убедитесь, что ваш API-ключ действителен для OrcaRouter. Протестируйте с помощью небольшого запроса, чтобы проверить подключение и то, что модель отвечает должным образом. Обратите внимание, что подсчет токенов может незначительно отличаться из-за специфических для модели токенизаторов, но API обрабатывает это прозрачно.
Если совокупное количество токенов вашего ввода (системные сообщения, история разговора, запрос пользователя) превышает 200 000 токенов, API вернет ошибку, указывающую на превышение длины контекста. Вы должны уменьшить размер ввода. Аналогично, если вы установите max_tokens выше 128 000, запрос будет ограничен максимальным выводом модели; API либо отклонит параметр, либо обрежет его до предела. Лучше всего проверять количество токенов программно перед отправкой больших полезных нагрузок. OrcaRouter не обрезает подсказки автоматически, поэтому вы должны управлять длиной контекста самостоятельно.
Контекстное окно GLM 5 в 200 000 токенов и максимальный вывод в 128 000 токенов являются одними из самых больших среди доступных. Это выгодно отличается от многих моделей с закрытым исходным кодом, которые предлагают контексты в 128K или 32K. Его показатель τ²-Bench, равный 98,2, является высоким, что говорит о сильной агентской производительности. Однако цены выше, чем у некоторых альтернативных провайдеров; например, модель с аналогичной емкостью токенов, но более низкой стоимостью за токен может быть более экономичной для интенсивного использования. GLM 5 работает только с текстом, в то время как некоторые конкуренты поддерживают мультимодальные входные данные. Без других тестовых данных из предоставленных фактов прямые сравнения качества по задачам NLP невозможны.
Вы можете выбрать GLM 5, если вам нужен больший контекстный размер, чем у стандартных моделей OpenAI (которые обычно имеют 128K токенов). GLM 5 предлагает 200K контекста и 128K выходного размера, что позволяет обрабатывать более длинные входные данные без усечения. Кроме того, оценка τ²-Bench 98.2 может быть выше, чем у некоторых моделей OpenAI на агентных бенчмарках, хотя точные сравнения зависят от условий оценки. Если стоимость является главным приоритетом, сравните цены за токен; GLM 5 по цене $1.00/$3.20 за миллион токенов может быть конкурентоспособным в зависимости от альтернативы. Также, если вы предпочитаете использовать модель Z.ai для определенных характеристик производительности, GLM 5 является выбором.
По сравнению с более ранними моделями GLM (например, GLM 4), GLM 5 увеличивает контекстное окно с 128K до 200K токенов и максимальный выход с 64K до 128K токенов. Оценка τ²-Bench 98.2, вероятно, является улучшением, хотя оценки более старых моделей не предоставлены. Цены могли измениться; старые модели могут быть дешевле за токен. Если ваши задачи вписываются в меньший контекст старой модели, использование более дешёвой модели может быть более экономичным. Однако для задач, требующих полного контекста в 200K или большего вывода, GLM 5 является единственным вариантом в серии. Обновление также может принести улучшения качества в рассуждениях и следовании инструкциям.
Основываясь на предоставленной информации, GLM 5 достигает показателя 98,2 в тесте τ²-Bench, что является почти идеальным результатом для этого бенчмарка. Это предполагает, что модель очень сильна для агентных задач, аналогичных тем, что есть в бенчмарке. Однако оценки бенчмарков не гарантируют производительность в реальных условиях, и другие модели могут показывать разные результаты в вашей конкретной среде. Если ваши агентные задачи тесно соответствуют сценариям τ²-Bench, GLM 5 — отличный кандидат. Но если ваши задачи включают другие инструменты, языки или ограничения, стоит протестировать несколько моделей. OrcaRouter позволяет легко переключаться между моделями для сравнения результатов.
Совместимо с OpenAI — оставьте свой SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)do_sampleinclude_reasoningmax_tokensreasoningrequest_idresponse_formatstopstreamtemperaturethinkingtool_choicetool_streamtoolstop_puser_id| Ввод / 1M токенов | $1.00 |
| Вывод / 1M токенов | $3.20 |
| Чтение кэша / 1M | $0.260 |
| Валюта | USD |
Оценка по прайс-листу
Только оценка — фактическое число токенов зависит от токенизатора провайдера.
GET /api/public/models/z-ai/glm-5Открыть @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