Zhipu (Z.ai) โมเดล MoE โอเพนซอร์สระดับเรือธง: 355B รวม / 32B ที่ทำงานอยู่ การใช้เหตุผลแบบผสม (โหมดคิด / โหมดไม่คิด), การเรียกใช้เครื่องมือแบบเนทีฟและพื้นผิวตัวแทน, บริบท 128K
GLM-4.5 เป็นโมเดลภาษาที่ใช้ข้อความเท่านั้นจาก Z.ai ซึ่งสามารถเข้าถึงได้ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter มีหน้าต่างบริบทขนาด 128,000 โทเค็น และสามารถส่งออกได้สูงสุด 96,000 โทเค็นต่อคำขอ…
GLM-4.5 มีความโดดเด่นในงานที่ต้องใช้การให้เหตุผลทางคณิตศาสตร์ การอนุมานเชิงตรรกะ และการแก้ปัญหาแบบเป็นขั้นตอน โดยทำคะแนนได้ 97.9 ใน MATH-500 ซึ่งบ่งชี้ถึงความแม่นยำสูงในปัญหาทางคณิตศาสตร์หลากหลายประเภท กรณีการใช้งานที่แข็งแกร่งอื่นๆ ได้แก่ การสร้างและอธิบายโค้ด โดยเฉพาะอัลกอริทึมและการคำนวณทางคณิตศาสตร์ หน้าต่างบริบทขนาดใหญ่ (128K tokens) ทำให้เหมาะสำหรับการประมวลผลเอกสารยาว เช่น งานวิจัย เอกสารทางกฎหมาย หรือคู่มือทางเทคนิค นอกจากนี้ยังสามารถจัดการสนทนาหลายรอบที่ต้องอ้างอิงส่วนก่อนหน้าของการสนทนาได้ โดยที่ประวัติทั้งหมดต้องอยู่ในขีดจำกัด 128K
สำหรับงานง่ายๆ เช่น การจำแนกประเภทตรงไปตรงมา การสรุปข้อความสั้น หรือการตอบคำถามพื้นฐาน โมเดลขนาดเล็กอาจคุ้มค่ากว่าด้านต้นทุน GLM-4.5 มีราคาอยู่ที่ $0.60 ต่อ 1M โทเค็นนำเข้า และ $2.20 ต่อ 1M โทเค็นส่งออก หากแอปพลิเคชันของคุณไม่จำเป็นต้องใช้บริบทเต็ม 128K หรือการให้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่ง คุณอาจประหยัดต้นทุนได้โดยการเลือกโมเดลที่มีราคาต่อโทเค็นต่ำกว่า นอกจากนี้ สำหรับแอปพลิเคชันแบบหลายรูปแบบ (เช่น การสร้างคำบรรยายภาพหรือการวิเคราะห์วิดีโอ) GLM-4.5 ไม่เหมาะสมเพราะประมวลผลได้เฉพาะข้อความ ในกรณีเหล่านั้น ให้พิจารณาโมเดลที่รองรับอินพุตภาพหรือเสียง
ใช่ GLM-4.5 สามารถสร้างโค้ดได้ โดยเฉพาะอย่างยิ่งสำหรับปัญหาที่เกี่ยวข้องกับการคำนวณทางคณิตศาสตร์หรือตรรกะเชิงอัลกอริทึม คะแนน MATH-500 ที่สูง (97.9) บ่งชี้ถึงความเชี่ยวชาญในการใช้เหตุผลกับโครงสร้างเชิงตัวเลขและเชิงตรรกะ ซึ่งนำไปสู่การสร้างโค้ดที่แม่นยำในภาษาเช่น Python, Java หรือ C++ หน้าต่างบริบทขนาดใหญ่ช่วยให้โมเดลพิจารณาฐานโค้ดทั้งหมดหรือเอกสารยาวๆ ขณะสร้างโค้ด อย่างไรก็ตาม จุดแข็งหลักของมันอยู่ที่การใช้เหตุผลมากกว่างานที่เน้นไวยากรณ์หนัก สำหรับงานที่ต้องการความรู้เชิงลึกเกี่ยวกับเฟรมเวิร์กหรือไลบรารีเฉพาะ โมเดลโค้ดเฉพาะทางอาจเหมาะสมกว่า
หน้าต่างบริบทขนาด 128K หมายความว่า GLM-4.5 สามารถประมวลผลข้อความได้สูงสุดประมาณ 96,000 คำ (หรือ 128,000 โทเคนย่อย) ในคำขอเดียว ซึ่งมีประโยชน์สำหรับงานที่เกี่ยวข้องกับเอกสารยาว การสนทนาที่ยาว หรือการวิเคราะห์ข้อมูลขนาดใหญ่ในพรอมต์เดียว โมเดลสามารถคงความสอดคล้องกันตลอดบริบทที่ยาวนี้ ซึ่งสำคัญต่อการสรุปความ การตอบคำถามจากข้อความยาว และการให้เหตุผลหลายขั้นตอน อย่างไรก็ตาม ความยาวบริบทที่มีประสิทธิภาพจริงอาจแตกต่างกันไปขึ้นอยู่กับความซับซ้อนของเนื้อหา ผู้ใช้ควรทดสอบกับกรณีการใช้งานเฉพาะของตนเพื่อให้มั่นใจถึงประสิทธิภาพที่สม่ำเสมอในส่วนบนของหน้าต่าง
MATH-500 เป็นเกณฑ์มาตรฐานที่ประกอบด้วยโจทย์คณิตศาสตร์ 500 ข้อ ครอบคลุมระดับความยากต่าง ๆ ตั้งแต่เลขคณิตพื้นฐานไปจนถึงคำถามระดับแข่งขันที่ซับซ้อน คะแนน 97.9 หมายความว่า GLM-4.5 ตอบโจทย์เหล่านี้ได้ถูกต้อง 97.9% ซึ่งบ่งชี้ถึงความสามารถในการให้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่งมาก โมเดลน่าจะใช้การให้เหตุผลแบบทีละขั้นตอนอย่างเข้มงวดเพื่อให้ได้คำตอบ ผู้ใช้ควรทราบว่าเกณฑ์มาตรฐานนี้ทดสอบความสามารถทางคณิตศาสตร์ล้วน ๆ และอาจไม่สะท้อนประสิทธิภาพในงานอื่น ๆ เช่น การเขียนเชิงสร้างสรรค์หรือบทสนทนาแบบเปิดกว้าง มันเป็นเมตริกที่มีประโยชน์สำหรับการประเมินโมเดลที่มีไว้สำหรับการใช้งานด้าน STEM
ตัวเลขความเร็วและความหน่วงที่แน่นอนสำหรับ GLM-4.5 ไม่ได้ถูกเปิดเผยต่อสาธารณะโดย Z.ai ประสิทธิภาพขึ้นอยู่กับปัจจัยต่างๆ เช่น ขนาดคำขอ ความยาวของเอาต์พุต สภาพเครือข่าย และโหลดของเซิร์ฟเวอร์ ผ่าน OrcaRouter ผู้ใช้สามารถคาดหวังความหน่วงโดยทั่วไปสำหรับโมเดลขนาดนี้ ในฐานะโมเดลที่ใช้เฉพาะข้อความพร้อมบริบท 128K ความหน่วงอาจเพิ่มขึ้นตามสัดส่วนของความยาวอินพุต มีการสตรีมเพื่อลดเวลาที่รับรู้จนถึงโทเค็นแรก สำหรับแอปพลิเคชันแบบเรียลไทม์ เราแนะนำให้ทำการทดสอบโหลดกับปริมาณงานทั่วไปของคุณ โครงสร้างพื้นฐานของ OrcaRouter ออกแบบมาเพื่อการเข้าถึง API ที่เชื่อถือได้ แต่เกณฑ์มาตรฐานความเร็วเฉพาะควรวัดในสภาพแวดล้อมของคุณเอง
จุดแข็งหลักของ GLM-4.5 คือการให้เหตุผลทางคณิตศาสตร์ ดังที่เห็นได้จากคะแนน 97.9 บน MATH-500 นอกจากนี้ยังจัดการบริบทที่ยาว (128K โทเค็น) ได้อย่างมีประสิทธิภาพ ทำให้เหมาะสำหรับงานระดับเอกสาร โมเดลสามารถสร้างเอาต์พุตได้สูงสุด 96K โทเค็นต่อครั้ง ซึ่งมีประโยชน์สำหรับการตอบกลับที่ยาวหรือห่วงโซ่การให้เหตุผลหลายขั้นตอน ราคาแข่งขันได้ในระดับประสิทธิภาพนั้น นอกจากนี้ยังเข้าถึงได้ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ทำให้การรวมระบบเป็นเรื่องง่ายสำหรับนักพัฒนาที่คุ้นเคยกับระบบนิเวศนั้นอยู่แล้ว โมเดลเป็นแบบข้อความเท่านั้น ซึ่งทำให้การปรับใช้งานง่ายขึ้นเมื่อไม่ต้องการภาพหรือเสียง
GLM-4.5 ไม่รองรับรูปแบบอินพุตใดๆ นอกเหนือจากข้อความ ไม่สามารถประมวลผลรูปภาพ เสียง หรือวิดีโอ ข้อมูลการฝึกอบรมและการออกแบบเน้นที่การให้เหตุผลและคณิตศาสตร์ อาจทำงานได้ไม่ดีในงานสร้างสรรค์หรืองานเชิงอัตวิสัยเมื่อเทียบกับโมเดลวัตถุประสงค์ทั่วไป เกณฑ์มาตรฐาน MATH-500 แม้จะน่าประทับใจ แต่เป็นการประเมินที่แคบ: ไม่มีการให้ข้อมูลประสิทธิภาพของโมเดลบนเกณฑ์มาตรฐานอื่นๆ (เช่น การเขียนโค้ด ตรรกะ ความถูกต้องตามข้อเท็จจริง) นอกจากนี้ เช่นเดียวกับโมเดลภาษาขนาดใหญ่ทั้งหมด มันสามารถสร้างข้อผิดพลาดหรือภาพหลอน โดยเฉพาะอย่างยิ่งกับอินพุตที่คลุมเครือหรือนอกการกระจาย ผู้ใช้ควรตรวจสอบผลลัพธ์สำหรับแอปพลิเคชันที่สำคัญ หน้าต่างบริบทที่ใหญ่อาจเพิ่มเวลาแฝงและต้นทุนสำหรับพร้อมท์ที่ยาวมาก
GLM-4.5 มีราคาอยู่ที่ $0.60 ต่อ 1 ล้าน input tokens และ $2.20 ต่อ 1 ล้าน output tokens นี่คืออัตราของผู้ให้บริการจาก Z.ai และ OrcaRouter ไม่มีการบวกเพิ่ม (zero markup) การเรียกเก็บเงินขึ้นอยู่กับการใช้งาน: คุณจ่ายเฉพาะ tokens ที่ใช้ไปเท่านั้น Input tokens รวมถึง prompt และข้อความระบบต่างๆ ส่วน output tokens ถูกสร้างโดยโมเดล หนึ่ง token มีค่าประมาณ 0.75 คำในภาษาอังกฤษ สำหรับคำขอทั่วไปที่มี input tokens 10,000 และ output tokens 5,000 ต้นทุนจะเป็น (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017 การกำหนดราคาที่โปร่งใสนี้ช่วยให้สามารถประมาณการต้นทุนได้ง่าย
เมื่อพิจารณาจากโครงสร้างการกำหนดราคา GLM-4.5 มีความคุ้มค่าที่สุดสำหรับแอปพลิเคชันที่ได้รับประโยชน์จากความสามารถในการให้เหตุผลทางคณิตศาสตร์ที่สูงและบริบทที่ยาว สำหรับงานที่เรียบง่าย โมเดลที่ถูกกว่าอาจเพียงพอ ซึ่งช่วยลดต้นทุนการดำเนินงาน หน้าต่างบริบท 128K จะเพิ่มการใช้งานโทเค็นต่อคำขอ ซึ่งอาจทำให้ต้นทุนสูงขึ้นหากไม่ได้รับการปรับให้เหมาะสม ในการจัดการค่าใช้จ่าย ควรพิจารณาการตัดทอนพร้อมต์ให้เหลือความยาวที่จำเป็น และใช้ขีดจำกัดความยาวของผลลัพธ์ นอกจากนี้ เนื่องจาก OrcaRouter ไม่คิดค่าธรรมเนียมเพิ่ม ต้นทุนจึงสะท้อนราคาของผู้ให้บริการอย่างใกล้ชิด การแคชสามารถลดต้นทุนเพิ่มเติมได้หากคุณใช้ส่วนพร้อมต์ทั่วไปซ้ำ แต่นโยบายการแคชเฉพาะขึ้นอยู่กับการใช้งานของคุณกับ OrcaRouter
OrcaRouter ไม่มีฟีเจอร์การแคชสำหรับคำขอ GLM-4.5 โดยตรง โดยปกติแล้วการแคชจะถูกนำไปใช้ในฝั่งไคลเอ็นต์ ตัวอย่างเช่น คุณสามารถเก็บการตอบสนองสำหรับพรอมต์ที่เหมือนกันเพื่อหลีกเลี่ยงการเรียกเก็บเงินซ้ำ หรือคุณสามารถออกแบบแอปพลิเคชันของคุณให้นำบริบทกลับมาใช้ใหม่ได้เมื่อเป็นไปได้ เนื่องจาก GLM-4.5 คิดค่าบริการตามโทเค็น การแคชสามารถลดต้นทุนได้อย่างมากสำหรับแอปพลิเคชันที่มีปริมาณคำขอสูง โดยเฉพาะอย่างยิ่งหากคำขอหลายรายการมีคำนำหน้าที่เหมือนกัน (เช่น คำแนะนำระบบ) หากคุณต้องการการแคชฝั่งเซิร์ฟเวอร์ ให้พิจารณาใช้ฟีเจอร์การแคชแบบแบตช์หรือการแคชพรอมต์ของ OrcaRouter หากมีให้ใช้งาน—ตรวจสอบเอกสารประกอบของพวกเขาสำหรับรายละเอียด
GLM-4.5 รองรับโทเค็นเอาต์พุตสูงสุด 96,000 โทเค็นต่อคำขอ ซึ่งถือว่าสูงผิดปกติ และอาจทำให้ค่าใช้จ่ายต่อคำขอสูงขึ้นหากคุณสร้างการตอบกลับที่ยาว ตัวอย่างเช่น การสร้างโทเค็นเอาต์พุต 96,000 โทเค็นจะมีค่าใช้จ่าย 96,000/1,000,000 * $2.20 = $0.2112 ดอลลาร์ต่อคำขอ แม้ว่าจะทำให้สามารถสร้างข้อความที่ยาวมากได้ แต่การจำกัดความยาวเอาต์พุตโดยใช้พารามิเตอร์ 'max_tokens' อาจประหยัดกว่า เว้นแต่ว่างานนั้นต้องการเอาต์พุตที่ยาวจริงๆ ผู้ใช้ที่คำนึงถึงงบประมาณควรกำหนดขีดจำกัดที่เหมาะสม จำนวนโทเค็นอินพุตและเอาต์พุตจะถูกรวมและคิดค่าบริการแยกกันในอัตราที่กำหนด
คุณเข้าถึง GLM-4.5 ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1 ใช้ model ID "z-ai/glm-4.5" ในคำขอของคุณ API รองรับพารามิเตอร์มาตรฐานของ OpenAI เช่น 'prompt', 'max_tokens', 'temperature' ฯลฯ ตัวอย่างเช่น การเรียก chat completion จะใช้ endpoint /v1/chat/completions การยืนยันตัวตนต้องใช้ API key จาก OrcaRouter API ทำงานเหมือนกับ OpenAI API ดังนั้นโค้ดที่มีอยู่สามารถย้ายได้ง่ายโดยเปลี่ยน base URL และชื่อ model ดูรายละเอียดการยืนยันตัวตนได้จากเอกสารของ OrcaRouter
พารามิเตอร์ทั่วไปได้แก่: 'model' (ตั้งค่าเป็น "z-ai/glm-4.5"), 'messages' (รายการของ dict ที่มี role และ content), 'max_tokens' (สูงสุด 96000), 'temperature' (ควบคุมความสุ่ม, ค่าเริ่มต้นไม่ระบุ), 'top_p' (nucleus sampling), 'stream' (บูลีน), และ 'stop' (ลำดับที่การสร้างจะหยุด) GLM-4.5 รองรับรูปแบบ OpenAI chat completion พารามิเตอร์ขั้นสูงบางตัว (เช่น logprobs หรือ tool calls) อาจไม่ได้รับการสนับสนุน; ทดสอบกรณีการใช้งานของคุณ หากคุณต้องการตั้งค่า frequency หรือ presence penalties ให้ปรึกษาเอกสารของ OrcaRouter เพื่อความเข้ากันได้ โมเดลยอมรับ system messages เพื่อกำหนดพฤติกรรม
การโยกย้ายเป็นเรื่องง่ายดาย อัปเดต base URL ในโค้ดของคุณเป็น https://api.orcarouter.ai/v1 และเปลี่ยนชื่อโมเดลเป็น "z-ai/glm-4.5" ตรวจสอบให้แน่ใจว่าคุณมีคีย์ API ของ OrcaRouter ที่ถูกต้อง รูปแบบคำขอและการตอบกลับเหมือนกับของ OpenAI ไม่จำเป็นต้องเปลี่ยนแปลงโครงสร้างพรอมต์หรือพารามิเตอร์ เว้นแต่คุณจะใช้ฟีเจอร์เฉพาะของโมเดลที่ OrcaRouter ไม่รองรับ ทดสอบกับชุดข้อมูลขนาดเล็กเพื่อยืนยันพฤติกรรม หากคุณใช้สตรีมมิ่ง ปลายทางสตรีมมิ่งเดียวกันก็ใช้งานได้ เอกสารของ OrcaRouter มีขั้นตอนการแก้ไขปัญหาสำหรับปัญหาทั่วไป
ขีดจำกัดอัตราและโควตาการใช้งานสำหรับ GLM-4.5 ถูกกำหนดโดย OrcaRouter ตามระดับบัญชีของคุณ โดยทั่วไปขีดจำกัดอัตราจะวัดเป็นจำนวนคำขอต่อนาที (RPM) และจำนวนโทเค็นต่อนาที (TPM) สำหรับการใช้งานปริมาณสูง คุณอาจต้องขอขีดจำกัดที่สูงขึ้น API ของ OrcaRouter ส่งคืนรหัสสถานะ HTTP มาตรฐาน (เช่น 429 สำหรับการจำกัดอัตรา) แนะนำให้ใช้การหน่วงเวลาแบบเอกซ์โปเนนเชียลในไคลเอนต์ของคุณ ไม่มีการกล่าวถึงโควตาที่เข้มงวดในข้อมูลที่ให้ไว้ ติดต่อฝ่ายสนับสนุน OrcaRouter สำหรับขีดจำกัดเฉพาะที่ กรอบบริบทและความยาวเอาต์พุตของโมเดลเป็นขีดจำกัดต่อคำขอ ไม่ได้บังคับใช้เป็นระยะ
GLM-4.5 ทำคะแนน MATH-500 ได้ 97.9 ทำให้เป็นหนึ่งในโมเดลที่ทำผลงานได้ดีเยี่ยมในด้านการให้เหตุผลทางคณิตศาสตร์ โมเดลหลายตัวได้คะแนนในช่วง 80 หรือ 90 ต้นๆ ในการวัดนี้ ดังนั้น 97.9 จึงสูงอย่างเห็นได้ชัด อย่างไรก็ตาม การเปรียบเทียบนี้จำกัดเพียงการวัดเดียวเท่านั้น ในเมตริกอื่นๆ (เช่น ความเข้าใจภาษาทั่วไป การเขียนโค้ด) ประสิทธิภาพอาจแตกต่างกัน GLM-4.5 เป็นแบบข้อความเท่านั้น ในขณะที่คู่แข่งบางรายรองรับภาพ ขอบเขตบริบท (128K) ใหญ่กว่าโมเดลหลายตัวที่ให้ 32K หรือ 64K การกำหนดราคาแข่งขันได้ในระดับเดียวกัน ผู้ใช้ที่เน้นคณิตศาสตร์อาจชอบ GLM-4.5 แต่ควรประเมินตามงานเฉพาะของตน
โมเดลที่ราคาถูกกว่าอาจมีหน้าต่างบริบทที่เล็กกว่า (เช่น 4K-8K) และคะแนนการวัดประสิทธิภาพที่ต่ำกว่า หากงานของคุณเรียบง่ายและต้องการความหน่วงต่ำ โมเดลที่ถูกกว่าอาจคุ้มค่ากว่า ตัวอย่างเช่น โมเดลที่ราคา $0.15/$0.60 ต่อ 1M tokens อาจเพียงพอสำหรับงานสรุปความพื้นฐาน จุดเด่นของ GLM-4.5 อยู่ที่ความสามารถในการให้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่งและบริบทที่ยาว ข้อเสียคือต้นทุนที่สูงกว่าต่อ token คุณควรคำนวณต้นทุนรวมสำหรับรูปแบบการใช้งานทั่วไปของคุณ หากแอปพลิเคชันของคุณต้องการการให้เหตุผลทางคณิตศาสตร์ที่แม่นยำหรือเอกสารยาว ต้นทุนที่สูงกว่าอาจคุ้มค่า
ผู้ให้บริการหลายรายเสนอโมเดลที่มีหน้าต่างบริบทใกล้เคียงกัน ราคาของ GLM-4.5 ($0.60/$2.20) อยู่ในช่วงกลางถึงปานกลาง โมเดลบางรุ่นที่มีบริบท 128K อาจมีราคาถูกกว่าต่อโทเค็น แต่มีคะแนนคณิตศาสตร์ต่ำกว่า บางรุ่นอาจมีราคาแพงกว่า คะแนน MATH-500 ของ GLM-4.5 ที่ 97.9 สูงเป็นพิเศษ ไม่มีข้อเท็จจริงที่ให้ไว้กล่าวถึงคะแนน benchmark อื่นๆ ดังนั้นจึงไม่สามารถเปรียบเทียบทั้งหมดได้ สำหรับผู้ใช้ที่ต้องการประสิทธิภาพทางคณิตศาสตร์สูงและบริบทยาว GLM-4.5 เป็นตัวเลือกที่แข็งแกร่ง อย่างไรก็ตาม สำหรับการเขียนเชิงสร้างสรรค์หรือความหลากหลาย โมเดลอื่นอาจดีกว่า ควรทดสอบด้วยข้อมูลเฉพาะของคุณเสมอ
OrcaRouter ให้บริการ API ที่เข้ากันได้กับ OpenAI แบบรวมศูนย์ เพื่อเข้าถึง GLM-4.5 โดยไม่ต้องจัดการโครงสร้างพื้นฐาน ราคาโปร่งใส ไม่มีค่าธรรมเนียมเพิ่มจากอัตราของผู้ให้บริการ คุณได้รับโมเดลเดียวกับที่โฮสต์โดย Z.ai แต่ผ่านเกตเวย์ของ OrcaRouter ซึ่งอาจมีฟีเจอร์เพิ่มเติม เช่น การปรับสมดุลโหลด การแคช หรือตัวเลือกสำรอง (ตรวจสอบเอกสารของ OrcaRouter) API เป็นมาตรฐาน ดังนั้นการย้ายไปใช้โมเดลอื่นในแคตตาล็อกจึงทำได้ง่าย OrcaRouter จัดการการตรวจสอบสิทธิ์และข้อจำกัดอัตราการใช้งาน หากคุณใช้โมเดลอื่นบน OrcaRouter อยู่แล้ว การเพิ่ม GLM-4.5 ก็แค่เปลี่ยนชื่อโมเดล
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| อินพุต / 1M โทเค็น | $0.600 |
| เอาต์พุต / 1M โทเค็น | $2.20 |
| อ่านแคช / 1M | $0.110 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/z-ai/glm-4.5เปิด @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