Compact MoE sibling ของ GLM-4.5: รวม 106B / ใช้งาน 12B. สแต็กการให้เหตุผลแบบผสมผสานและการเรียกใช้เครื่องมือเดียวกันที่ปรับแต่งสำหรับการอนุมานที่ปริมาณงานสูงและต้นทุนต่ำ. บริบท 128K.
GLM 4.5 Air เป็นโมเดลภาษาแบบสร้างข้อความที่พัฒนาโดย Z.ai มีหน้าต่างบริบท 128,000 โทเค็น และสามารถสร้างข้อความได้สูงสุด 96,000 โทเค็นต่อการตอบสนองหนึ่งครั้ง…
GLM 4.5 Air เชี่ยวชาญด้านการสร้างข้อความ โดยเน้นการใช้เหตุผลเป็นอย่างมาก โดยเฉพาะการแก้ปัญหาทางคณิตศาสตร์ ดังที่เห็นได้จากคะแนน 96.5 ใน MATH-500 รุ่นนี้สามารถจัดการกับคำสั่งที่ซับซ้อนหลายขั้นตอน สร้างข้อความยาวที่สอดคล้องได้ถึง 96,000 โทเคน และคงบริบทได้ถึง 128,000 โทเคน ความสามารถรวมถึงการตอบคำถามเชิงข้อเท็จจริง การสรุปเอกสารยาว การแปลข้อความระหว่างภาษา การให้เหตุผลเชิงตรรกะ และการเขียนโค้ด โมเดลถูกออกแบบมาให้ทำตามคำแนะนำโดยละเอียดและสร้างผลลัพธ์ที่มีโครงสร้าง หน้าต่างบริบทที่ใหญ่ช่วยให้สามารถทำงานกับหนังสือทั้งเล่ม รายงานที่ยาว หรือบันทึกการสนทนาที่ยาว อย่างไรก็ตาม มันเป็นโมเดลที่ใช้ข้อความเท่านั้นและไม่สามารถประมวลผลรูปภาพหรือสื่ออื่นๆ สำหรับงานที่ไม่ต้องใช้เหตุผลหรือผลลัพธ์ยาว โมเดลที่เล็กกว่าหรือถูกกว่าอาจเพียงพอ
กรณีการใช้งานที่ดีที่สุดสำหรับ GLM 4.5 Air เกี่ยวข้องกับงานที่ได้รับประโยชน์จากหน้าต่างบริบทขนาดใหญ่และขีดจำกัดเอาต์พุตที่สูง ตัวอย่างเช่น การวิเคราะห์และสรุปเอกสารวิชาการยาวๆ การสร้างเอกสารทางเทคนิคโดยละเอียด การแก้ปัญหาคณิตศาสตร์ที่ซับซ้อนทีละขั้นตอน การสร้างคู่มือการศึกษาที่ครอบคลุม และการประมวลผลบันทึกผู้ใช้หรือประวัติการสนทนาจำนวนมาก โมเดลนี้ยังทำงานได้ดีกับงานเขียนโค้ดที่ต้องการความเข้าใจไฟล์โค้ดยาวๆ หรือการสร้างโค้ดเบสขนาดใหญ่ เนื่องจากโครงสร้างราคา – $0.20 สำหรับอินพุตและ $1.10 สำหรับเอาต์พุตต่อล้านโทเคน – จึงคุ้มค่าสำหรับสถานการณ์ที่อินพุตมีราคาถูกกว่าเอาต์พุต แอปพลิเคชันที่ต้องการเอาต์พุตจำนวนมาก เช่น การเขียนเนื้อหาแบบยาวหรือการสร้างขั้นตอนการใช้เหตุผลหลายขั้นตอน สามารถประหยัดได้เมื่อเทียบกับโมเดลที่มีค่าใช้จ่ายโทเคนเอาต์พุตสูงกว่า
แม้ว่า GLM 4.5 Air จะมีความสามารถในการให้เหตุผลที่แข็งแกร่งและบริบทขนาดใหญ่ แต่มันอาจจะเกินความจำเป็นสำหรับงานที่ง่ายกว่า ลองพิจารณาใช้โมเดลที่ถูกกว่าและเล็กกว่าเมื่องานไม่จำเป็นต้องใช้หน้าต่างบริบทหรือขีดจำกัดเอาต์พุตเต็มรูปแบบ ตัวอย่างเช่น หากคุณต้องการการจำแนกที่รวดเร็ว การแปลง่ายๆ หรือการสร้างคำตอบสั้นๆ โมเดลที่มีค่าใช้จ่ายโทเคนต่ำกว่าจะประหยัดกว่า นอกจากนี้ หากแอปพลิเคชันของคุณไม่เกี่ยวข้องกับการให้เหตุผลทางคณิตศาสตร์หรือการสร้างข้อความยาวๆ ค่าพรีเมียมสำหรับความสามารถของ GLM 4.5 Air อาจไม่คุ้มค่า ค่าใช้จ่ายเอาต์พุตของโมเดล ($1.10 ต่อ 1M โทเคน) สูงกว่าค่าใช้จ่ายอินพุต ดังนั้นงานที่สร้างเอาต์พุตจำนวนมาก (เช่น สรุปยาวจากอินพุตสั้น) อาจมีราคาแพงกว่าโมเดลทางเลือกที่มีค่าใช้จ่ายเอาต์พุตต่ำกว่า ควรประเมินการแลกเปลี่ยนระหว่างความสามารถและค่าใช้จ่ายสำหรับกรณีการใช้งานเฉพาะของคุณเสมอ
การวัดประสิทธิภาพ MATH-500 ประเมินความสามารถของโมเดลในการแก้ปัญหาทางคณิตศาสตร์ในระดับความยากต่างๆ รวมถึงพีชคณิต เรขาคณิต ทฤษฎีจำนวน และอื่นๆ คะแนน 96.5 บ่งชี้ว่า GLM 4.5 Air ตอบคำถามในชุดทดสอบได้ถูกต้อง 96.5% ซึ่งแสดงถึงความสามารถในการให้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่ง เทียบเท่าหรือเหนือกว่าโมเดลอื่นในประเภทเดียวกัน อย่างไรก็ตาม ไม่ได้รับประกันประสิทธิภาพที่สมบูรณ์แบบในปัญหาคณิตศาสตร์ทั้งหมด โดยเฉพาะปัญหาที่อยู่นอกขอบเขตการกระจายของการวัดประสิทธิภาพนี้ ผู้ใช้ควรตีความคะแนนนี้เป็นตัวบ่งชี้ความชำนาญของโมเดลในการใช้เหตุผลเชิงสัญลักษณ์และการแก้ปัญหาแบบทีละขั้นตอน การวัดประสิทธิภาพนี้ไม่ได้วัดทักษะสำคัญอื่นๆ เช่น ความคิดสร้างสรรค์ สามัญสำนึก หรือความถูกต้องตามข้อเท็จจริง สำหรับงานที่ไม่ใช่คณิตศาสตร์ การวัดประสิทธิภาพอื่นๆ จะให้การเปรียบเทียบที่เกี่ยวข้องมากกว่า
ไม่ได้ให้ข้อมูลเวลาแฝงเฉพาะของ GLM 4.5 Air บน OrcaRouter โดยทั่วไป ความเร็วในการตอบสนองขึ้นอยู่กับปัจจัยต่างๆ เช่น ความยาวของ token อินพุตและเอาต์พุต โหลดของเซิร์ฟเวอร์ และสภาวะเครือข่าย โมเดลที่มีหน้าต่างบริบทและข้อจำกัดเอาต์พุตที่ใหญ่กว่า อาจใช้เวลาประมวลผลนานขึ้นเมื่อสร้างการตอบสนองที่ยาวมาก เนื่องจาก GLM 4.5 Air สามารถส่งออกได้สูงสุด 96,000 token การสร้างเอาต์พุตสูงสุดจะใช้เวลานานกว่าการตอบสนองแบบสั้นอย่างมาก โครงสร้างพื้นฐาน API ของ OrcaRouter ได้รับการออกแบบมาเพื่อลดค่าใช้จ่าย แต่ความเร็วจริงจะแตกต่างกันไป สำหรับแอปพลิเคชันที่เวลาแฝงต่ำมีความสำคัญ ให้พิจารณาใช้โมเดลขนาดเล็กหรือความยาวเอาต์พุตที่สั้นลง ประสิทธิภาพของโมเดลบน MATH-500 บ่งบอกถึงการใช้เหตุผลที่มีประสิทธิภาพ แต่แอปพลิเคชันแบบเรียลไทม์ควรได้รับการทดสอบภายใต้โหลดที่คาดหวัง
จุดแข็ง: ความสามารถในการให้เหตุผลทางคณิตศาสตร์สูง (คะแนน MATH-500 96.5) หน้าต่างบริบทขนาดใหญ่ 128K ช่วยให้ประมวลผลข้อความยาวได้ ผลลัพธ์สูงสุด 96,000 โทเค็นช่วยให้สร้างเอกสารเต็มความยาวได้ การกำหนดราคาแบบไม่มีส่วนเพิ่มบน OrcaRouter ทำให้ต้นทุนโปร่งใส ข้อจำกัด: รูปแบบข้อความเท่านั้น ไม่สามารถประมวลผลภาพ เสียง หรือวิดีโอได้ ค่าใช้จ่ายในการสร้างผลลัพธ์ที่สูง ($1.10 ต่อ 1M โทเค็น) อาจเป็นอุปสรรคสำหรับแอปพลิเคชันที่ต้องสร้างคำตอบที่ยาวมากบ่อยครั้ง คะแนนเกณฑ์มาตรฐานสำหรับโดเมนอื่นๆ (เช่น ความรู้ทั่วไป การสร้างโค้ด) ไม่ได้ระบุไว้ ดังนั้นจึงไม่ทราบความสามารถรอบด้านโดยรวม เช่นเดียวกับโมเดลภาษาทั้งหมด มันอาจสร้างผลลัพธ์ที่ไม่ถูกต้องหรือมีอคติ โดยค่าเริ่มต้นมันไม่มีการเข้าถึงอินเทอร์เน็ตหรือความรู้แบบเรียลไทม์ ผู้ใช้ควรตรวจสอบผลลัพธ์สำหรับแอปพลิเคชันที่สำคัญ
การกำหนดราคาสำหรับ GLM 4.5 Air คิดค่าบริการตามอัตราของผู้ให้บริการ โดยไม่มีส่วนเพิ่มบน OrcaRouter ต้นทุนอยู่ที่ $0.20 ต่อ 1 ล้านโทเคนอินพุต และ $1.10 ต่อ 1 ล้านโทเคนเอาต์พุต โทเคนอินพุตประกอบด้วยข้อความทั้งหมดในพรอมต์ (ข้อความระบบ ผู้ใช้ และผู้ช่วย จนถึงการตอบกลับครั้งล่าสุด) โทเคนเอาต์พุตคือข้อความที่สร้างขึ้น ไม่มีค่าธรรมเนียมเพิ่มเติมหรือค่าใช้จ่ายเพิ่มเติมจากแพลตฟอร์ม คุณชำระตามอัตราของผู้ให้บริการพอดี โมเดลการกำหนดราคาแบบโปร่งใสนี้ช่วยให้คุณสามารถคาดการณ์ต้นทุนตามการใช้งานโทเคน การคิดค่าบริการโดยทั่วไปจะขึ้นอยู่กับจำนวนโทเคนที่ใช้ในแต่ละครั้งที่เรียกใช้ API นโยบายการแคชอาจมีผลบน OrcaRouter โปรดตรวจสอบเอกสารประกอบของแพลตฟอร์มเพื่อดูรายละเอียดว่าการเรียกซ้ำด้วยอินพุตที่เหมือนกันจะได้รับส่วนลดหรือไม่
การแลกเปลี่ยนหลักอยู่ระหว่างความสามารถและต้นทุน GLM 4.5 Air นำเสนอขีดจำกัดผลลัพธ์ที่สูงและการใช้เหตุผลที่แข็งแกร่ง แต่ต้นทุน token ผลลัพธ์ ($1.10 ต่อ 1M) ค่อนข้างสูง สำหรับงานที่สร้าง token ผลลัพธ์จำนวนมากจากอินพุตสั้น ต้นทุนสามารถสะสมได้อย่างรวดเร็ว ในทางกลับกัน งานที่มีอินพุตขนาดใหญ่แต่ผลลัพธ์สั้นจะได้รับประโยชน์จากต้นทุนอินพุตที่ต่ำกว่า ($0.20 ต่อ 1M) การกำหนดราคาแบบไม่มีมาร์กอัปบน OrcaRouter หมายความว่าคุณไม่ได้จ่ายเพิ่มเกินกว่าอัตราของผู้ให้บริการ แต่คุณยังคงต้องจัดการการใช้ token หากแอปพลิเคชันของคุณต้องการการตอบกลับที่กระชับเป็นหลัก โมเดลที่มีต้นทุนผลลัพธ์ต่ำกว่าอาจประหยัดกว่า สำหรับแอปพลิเคชันที่ต้องใช้ผลลัพธ์ยาวหรือการใช้เหตุผลหนัก GLM 4.5 Air อาจคุ้มค่าถึงแม้จะมีต้นทุนผลลัพธ์ที่สูงกว่าเนื่องจากประสิทธิภาพของมัน
OrcaRouter อาจใช้นโยบายการแคชที่ช่วยลดต้นทุนสำหรับโทเค็นอินพุตที่ซ้ำกัน แต่ไม่มีรายละเอียดส่วนลดเฉพาะสำหรับ GLM 4.5 Air โดยทั่วไป ส่วนลดจากการแคชจะใช้กับ prompt tokens ที่เคยถูกประมวลผลมาก่อน ซึ่งช่วยลดต้นทุนอินพุตที่มีประสิทธิภาพ ผู้ใช้ควรอ้างอิงเอกสารหรือฝ่ายสนับสนุนของ OrcaRouter เพื่อยืนยันแนวทางการแคชในปัจจุบัน เนื่องจากต้นทุนอินพุตพื้นฐานที่ $0.20 ต่อ 1 ล้านโทเค็นนั้นต่ำอยู่แล้ว การแคชอาจช่วยลดต้นทุนเพิ่มเติมสำหรับแอปพลิเคชันที่มีพรอมต์ซ้ำๆ โดยทั่วไป output tokens จะไม่ถูกแคชเพราะแตกต่างกันในแต่ละการเรียกใช้ ควรตรวจสอบข้อกำหนดการเรียกเก็บเงินล่าสุดโดยตรงกับ OrcaRouter เสมอเพื่อทำความเข้าใจส่วนลดหรือโปรโมชั่นที่มี
ในการใช้ GLM 4.5 Air ให้ส่งคำขอ HTTP ไปยังปลายทาง API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter: https://api.orcarouter.ai/v1 รวมคีย์ API ที่ถูกต้องในส่วนหัว Authorization ระบุโมเดลเป็น "z-ai/glm-4.5-air" ในเนื้อหาคำขอ API รองรับพารามิเตอร์ chat completion มาตรฐานของ OpenAI: messages (อาร์เรย์ของอ็อบเจกต์ที่มี role และ content), temperature, max_tokens, top_p, stop, frequency_penalty, presence_penalty และอื่นๆ ตัวอย่างเช่น ตั้งค่า "max_tokens" สูงสุดถึง 96000 เพื่อใช้ความสามารถเอาต์พุตเต็มที่ API จะคืนค่าการตอบสนอง JSON พร้อมผลลัพธ์การสร้างข้อความ การสตรีมรองรับโดยการตั้งค่า "stream": true ตรวจสอบให้แน่ใจว่าไลบรารีไคลเอนต์ของคุณใช้ base URL และชื่อโมเดลที่ถูกต้อง API ของ OrcaRouter เข้ากันได้กับ client SDK ของ OpenAI ดังนั้นการโยกย้ายจึงตรงไปตรงมา
GLM 4.5 Air รองรับพารามิเตอร์ที่หลากหลายผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter พารามิเตอร์ที่จำเป็น: model ("z-ai/glm-4.5-air") และ messages พารามิเตอร์ที่ไม่บังคับได้แก่: temperature (0.0 ถึง 2.0, ค่าเริ่มต้น 1.0) สำหรับควบคุมการสุ่ม; top_p (0.0 ถึง 1.0) สำหรับการสุ่มแบบ nucleus; max_tokens (สูงสุด 96000) สำหรับจำกัดความยาวของผลลัพธ์; stop (รายการของลำดับที่ใช้หยุดการสร้าง); frequency_penalty และ presence_penalty (ทั้งคู่มีค่า -2.0 ถึง 2.0) สำหรับลงโทษการซ้ำของโทเค็น; และ stream (boolean) สำหรับการส่งโทเค็นแบบเรียลไทม์ หน้าต่างบริบท (context window) มีขนาด 128000 โทเค็น ดังนั้นตรวจสอบให้แน่ใจว่าโทเค็นทั้งหมดใน messages รวมกับผลลัพธ์ที่สร้างขึ้นไม่เกินขีดจำกัดนั้น มิฉะนั้น คำขอจะถูกตัดทอนหรือปฏิเสธ OrcaRouter อาจรองรับพารามิเตอร์เพิ่มเติมเช่น logit_bias หรือ user; ให้ตรวจสอบเอกสาร อ้างอิงถึง API reference ล่าสุดเสมอสำหรับรายละเอียดที่แน่นอน
การย้ายไปใช้ GLM 4.5 Air บน OrcaRouter นั้นง่ายดายหากคุณใช้ API ที่เข้ากันได้กับ OpenAI อยู่แล้ว เปลี่ยน base URL เป็น https://api.orcarouter.ai/v1 แทนที่ชื่อโมเดลเป็น "z-ai/glm-4.5-air" และใช้คีย์ API ของ OrcaRouter ของคุณ ไม่จำเป็นต้องเปลี่ยนแปลงโครงสร้างคำขออื่นๆ หากคุณใช้พารามิเตอร์มาตรฐาน รูปแบบการตอบสนองจะเหมือนกับ chat completions ของ OpenAI หากคุณกำลังย้ายมาจากแพลตฟอร์มที่ไม่ใช่ OpenAI คุณจะต้องปรับเปลี่ยนโค้ดของคุณให้ใช้รูปแบบ chat completions OrcaRouter รองรับการเรียกใช้ฟังก์ชันและการใช้เครื่องมือด้วย แม้ว่าไม่ใช่ทุกโมเดลจะรองรับก็ตาม ตรวจสอบว่า GLM 4.5 Air รองรับสิ่งเหล่านี้หรือไม่ ทดสอบด้วยคำขอขนาดเล็กก่อนเพื่อตรวจสอบพฤติกรรมและค่าใช้จ่าย OrcaRouter ให้บริการเรียกเก็บเงินตามเครดิต ดังนั้นโปรดตรวจสอบให้แน่ใจว่าคุณมีเครดิตเพียงพอก่อนการย้าย
ภายในแคตตาล็อกของ OrcaRouter GLM 4.5 Air โดดเด่นด้วยการผสมผสานของหน้าต่างบริบทขนาดใหญ่ (128K), ขีดจำกัดเอาต์พุตสูง (96K), และการให้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่ง (MATH-500 96.5) เมื่อเปรียบเทียบกับโมเดลขนาดเล็ก มันให้การให้เหตุผลที่ลึกซึ้งกว่า แต่มีต้นทุนต่อโทเค็นเอาต์พุตที่สูงกว่า เมื่อเปรียบเทียบกับโมเดลขนาดใหญ่หรือโมเดล前沿 มันอาจขาดความกว้างของความรู้ทั่วไปหรือความสามารถหลายรูปแบบ แต่มีประสิทธิภาพด้านต้นทุนมากกว่าสำหรับงานที่เน้นข้อความและการให้เหตุผลอย่างหนัก การกำหนดราคาแบบไม่มีกำไรส่วนเพิ่มทำให้สามารถแข่งขันกับโมเดลที่มีความสามารถคล้ายกันซึ่งอาจมีค่าธรรมเนียมแพลตฟอร์ม สำหรับแอปพลิเคชันที่ไม่ต้องการคณิตศาสตร์หรือเอาต์พุตที่ยาว มีทางเลือกที่ถูกกว่า สำหรับงานที่ต้องการอินพุตหลายรูปแบบ โมเดลอื่นที่มีการประมวลผลภาพจะดีกว่า โดยรวมแล้ว มันครอบครองช่องว่างเฉพาะในฐานะเครื่องมือให้เหตุผลเฉพาะทางที่มีขีดจำกัดโทเค็นที่กว้างขวาง
GLM 4.5 Air เป็นรุ่นย่อยของตระกูล GLM-4 ของ Z.ai แม้ว่าจะไม่ได้มีการเปรียบเทียบเฉพาะเจาะจง แต่คำว่า "Air" โดยทั่วไปบ่งชี้ว่าเป็นรุ่นที่เบากว่าหรือปรับต้นทุนให้เหมาะสมเมื่อเทียบกับรุ่นพื้นฐาน GLM-4 อาจ牺牲ประสิทธิภาพบางส่วนเพื่อ latency หรือต้นทุนที่ต่ำกว่า แม้ว่าคะแนน MATH-500 ที่ 96.5 จะบ่งชี้ว่ายังคงรักษาความสามารถในการให้เหตุผลที่แข็งแกร่ง ขอบเขตของ context window (128K) และขีดจำกัด output (96K) มีมากมาย อาจใหญ่กว่ารุ่น GLM-4 ก่อนหน้า ราคา ($0.20/$1.10 ต่อ 1M tokens) แข่งขันได้ หากไม่มีการเปรียบเทียบ benchmark โดยตรง ผู้ใช้ควรทดสอบทั้งสองรุ่นกับงานเฉพาะของตน ความแตกต่างหลักอาจอยู่ในความเร็ว ประสิทธิภาพ หรือข้อมูลฝึกอบรมที่แตกต่างกันเล็กน้อย OrcaRouter อาจเสนอรุ่น GLM-4 อื่นๆ ที่มีราคาต่างกัน เปรียบเทียบต้นทุน token และประสิทธิภาพเพื่อเลือกแบบที่เหมาะสมที่สุด
GLM 4.5 Air เป็นโมเดลกรรมสิทธิ์จาก Z.ai ไม่ใช่แบบ open-weight เมื่อเทียบกับโมเดล open-weight เช่นจากตระกูล Llama หรือ Mistral แล้ว โมเดลนี้มีข้อได้เปรียบตรงที่ถูกโฮสต์และจัดการโดย OrcaRouter โดยไม่มีค่าใช้จ่ายในการโฮสต์ด้วยตนเอง การกำหนดราคาเป็นแบบต่อโทเค็น ในขณะที่โมเดลเปิดต้องการค่าใช้จ่ายด้านโครงสร้างพื้นฐานในการคำนวณ คะแนน MATH-500 สูง แต่โมเดลเปิดอาจมีจุดแข็งที่แตกต่างกัน (เช่น ความรู้ที่กว้างกว่า) หน้าต่างบริบท (128K) มีขนาดใหญ่ แต่โมเดลเปิดบางรุ่นก็มีบริบทที่ใกล้เคียงหรือใหญ่กว่า ขีดจำกัดเอาต์พุตที่ 96K โทเค็นสูงผิดปกติเมื่อเทียบกับโมเดลเปิดส่วนใหญ่ที่มักจำกัดที่ 4K-32K สำหรับผู้ใช้ที่ต้องการสร้างข้อความยาวมากโดยไม่ต้องจัดการโครงสร้างพื้นฐาน GLM 4.5 Air สะดวก สำหรับผู้ที่ต้องการความสามารถในการปรับแต่งหรือความเป็นเจ้าของข้อมูล โมเดล open-weight อาจเป็นที่ต้องการมากกว่า
GLM 4.5 Air เป็นแบบข้อความเท่านั้น จึงไม่สามารถประมวลผลภาพ เสียง หรือวิดีโอได้ หากแอปพลิเคชันของคุณต้องการความเข้าใจเนื้อหาที่เป็นภาพ (เช่น การวิเคราะห์แผนภูมิ การอ่านลายมือ การตีความรูปภาพ) คุณจะต้องใช้โมเดลแบบ multimodal เช่น GPT-4V หรือ Claude 3 ในทำนองเดียวกัน มันไม่สามารถสร้างภาพหรือเสียงพูดได้ สำหรับงานที่รวมการให้เหตุผลทางข้อความและภาพ โมเดลแบบ multimodal จะเป็นสิ่งจำเป็น จุดแข็งของ GLM 4.5 Air อยู่ที่การให้เหตุผลและการสร้างข้อความล้วนๆ ผู้ใช้ควรประเมินว่ากรณีการใช้งานของตนจำเป็นต้องมีอินพุตแบบ multimodal จริงหรือไม่ หรือแค่ข้อความก็เพียงพอแล้ว หากข้อความเพียงพอ GLM 4.5 Air อาจคุ้มค่ากว่าสำหรับงานที่เน้นการให้เหตุผลเมื่อเทียบกับโมเดลแบบ multimodal ซึ่งมักคิดอัตราค่า token สูงกว่าและอาจรวมความสามารถด้านภาพที่ไม่ได้ใช้
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-air",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)do_sampleinclude_reasoningmax_tokensreasoningrequest_idresponse_formatstopstreamtemperaturethinkingtool_choicetool_streamtoolstop_puser_id| อินพุต / 1M โทเค็น | $0.200 |
| เอาต์พุต / 1M โทเค็น | $1.10 |
| อ่านแคช / 1M | $0.030 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/z-ai/glm-4.5-airเปิด @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