รุ่นเรือธงรุ่นถัดไปของ Zhipu ที่มีโหมดการคิดหลายโหมดและความสามารถในการเรียกใช้เครื่องมือที่แข็งแกร่ง บริบท 200K / ผลลัพธ์สูงสุด 128K
GLM 5 เป็นโมเดลข้อความที่พัฒนาโดย Z.ai สามารถเข้าถึงได้ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter รองรับอินพุตแบบข้อความและมีหน้าต่างบริบท (context window) 200,000 โทเค็น…
GLM 5 รองรับเฉพาะการป้อนข้อความเท่านั้น ตามข้อกำหนดที่ให้ไว้ มันไม่รองรับรูปภาพ เสียง หรือวิดีโอ ทำให้เป็นโมเดลภาษาบริสุทธิ์ที่ถูกปรับให้เหมาะสมสำหรับการประมวลผลเนื้อหาที่เป็นลายลักษณ์อักษร การสื่อสารทั้งหมดกับโมเดลเป็นผ่านโทเคนข้อความ และผลลัพธ์ก็เป็นข้อความเช่นกัน หากแอปพลิเคชันของคุณต้องการการป้อนข้อมูลแบบหลายรูปแบบ คุณจะต้องใช้โมเดลอื่นที่รองรับรูปภาพหรือรูปแบบอื่นๆ สำหรับงานต่างๆ เช่น การสรุปเสียงที่ถูกถอดความหรือการแยกข้อความจากรูปภาพ คุณจะต้องแปลงอินพุตเหล่านั้นเป็นข้อความก่อนที่จะส่งให้ GLM 5
GLM 5 ทำงานได้ดีเยี่ยมในงานที่ได้รับประโยชน์จากหน้าต่างบริบทขนาดใหญ่และขีดจำกัดการส่งออกที่สูง กรณีการใช้งานทั่วไปได้แก่: การวิเคราะห์สัญญาทางกฎหมายหรือเอกสารด้านกฎระเบียบที่ยาวอย่างละเอียด; การสร้างสรุปโดยละเอียดของงานวิจัยหรือหนังสือทั้งเล่ม; การรักษาประวัติการสนทนาที่สอดคล้องในแชทบอทบริการลูกค้าที่ครอบคลุมหลายรอบการสนทนา; และการดำเนินการให้เหตุผลที่ซับซ้อนซึ่งโมเดลต้องอ้างอิงหลายส่วนของพรอมต์ที่ยาว คะแนน τ²-Bench ที่ 98.2 ชี้ให้เห็นว่าโมเดลนี้มีความแข็งแกร่งเป็นพิเศษในการทำงานหลายขั้นตอนในสภาพแวดล้อมจำลอง เช่น การนำทางเว็บไซต์หรือการป้อนข้อมูล
หากงานของคุณไม่จำเป็นต้องใช้บริบทเต็ม 200K หรือเอาต์พุต 128K โมเดลที่เล็กลงหรือถูกกว่าอาจคุ้มค่ากว่า ตัวอย่างเช่น การถาม-ตอบง่ายๆ การจำแนกข้อความสั้น หรือการสร้างข้อความย่อหน้าเดียวสามารถจัดการได้โดยโมเดลที่มีต้นทุนต่อโทเคนต่ำกว่า ราคาของ GLM 5 อยู่ที่ $1.00 ต่อล้านโทเคนขาเข้า และ $3.20 ต่อล้านโทเคนขาออก ซึ่งสูงกว่าโมเดลขนาดกะทัดรัดหลายตัว นอกจากนี้ หากเวิร์กโฟลว์ของคุณเกี่ยวข้องกับพรอมต์และการตอบกลับที่สั้นมาก ความหน่วงและต้นทุนในการตั้งค่าโมเดลบริบทขนาดใหญ่อาจไม่คุ้มค่า ประเมินการใช้โทเคนโดยทั่วไปของคุณ: หากคุณใช้โทเคนน้อยกว่า 32K อย่างสม่ำเสมอ โมเดลที่เล็กลงก็น่าจะเพียงพอ
GLM 5 สามารถเข้าถึงได้ผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ซึ่งรองรับการตอบกลับแบบสตรีมและฟังก์ชันคอลลิ่ง เมื่อใช้ API คุณสามารถตั้งค่าพารามิเตอร์ stream เป็น true เพื่อรับโทเค็นทีละน้อย ซึ่งช่วยลดเวลาแฝงที่รับรู้ได้สำหรับเอาต์พุตที่ยาว ฟังก์ชันคอลลิ่งช่วยให้โมเดลสามารถขอเรียกใช้เครื่องมือหรือส่งออกข้อมูลที่มีโครงสร้าง ความสามารถเหล่านี้เป็นมาตรฐานสำหรับ API แต่ขึ้นอยู่กับการรองรับของโมเดลเฉพาะ จากข้อมูลที่ให้มา GLM 5 สามารถใช้กับคุณสมบัติเหล่านี้ได้ สำหรับรายละเอียดการใช้งาน โปรดดูเอกสาร API ของ OrcaRouter
τ²-Bench เป็นชุดการวัดสมรรถนะที่ใช้ประเมินความสามารถของเอเจนต์ AI ในการทำงานหลายขั้นตอนในสภาพแวดล้อมจำลอง คะแนนแสดงถึงอัตราความสำเร็จในชุดงานที่หลากหลาย เช่น การนำทางบนเว็บ การกรอกแบบฟอร์ม และการสืบค้นข้อมูล คะแนน 98.2 หมายความว่า GLM 5 สามารถทำงานในชุดวัดผลสำเร็จถึง 98.2% นี่เป็นประสิทธิภาพที่สูงมาก บ่งชี้ว่าโมเดลสามารถปฏิบัติตามคำแนะนำที่ซับซ้อนและดำเนินลำดับการกระทำได้อย่างน่าเชื่อถือ แม้จะไม่รับประกันประสิทธิภาพในโลกจริงที่สมบูรณ์แบบ แต่ก็บ่งบอกถึงความสามารถเชิงเอเจนต์ที่แข็งแกร่งสำหรับงานที่มีโครงสร้างคล้ายคลึงกัน
เวลาแฝงของ GLM 5 ขึ้นอยู่กับความยาวของอินพุตและเอาต์พุต รวมถึงโครงสร้างพื้นฐานที่ Z.ai จัดหาให้ OrcaRouter จะส่งเส้นทางไปยังแบ็กเอนด์ของผู้ให้บริการ และไม่เพิ่มเวลาแฝงเพิ่มเติมนอกเหนือจากโอเวอร์เฮดของเครือข่าย สำหรับอินพุตและเอาต์พุตสั้นๆ (เช่น โทเค็นเข้า 1,000 โทเค็น ออก 500 โทเค็น) เวลาตอบสนองอาจอยู่ในช่วงไม่กี่วินาที สำหรับการสร้างข้อความยาวๆ ที่ใกล้กับค่าสูงสุด 128K เวลาแฝงอาจสูงขึ้นอย่างมาก—มักเป็นสิบวินาทีหรือมากกว่า—เนื่องจากโมเดลต้องประมวลผลและสร้างโทเค็นจำนวนมาก การสตรีมสามารถช่วยลดเวลารอที่รับรู้ได้ ไม่มีตัวเลขเวลาแฝงที่เฉพาะเจาะจง ดังนั้นควรทดสอบประสิทธิภาพจริงด้วยภาระงานที่เป็นตัวแทน
จุดแข็งหลักที่ถูกเน้นย้ำโดยเกณฑ์มาตรฐานหัวข้อข่าวคืออัตราความสำเร็จสูงของ GLM 5 ในงานที่ต้องใช้ตัวแทน (agentic tasks) คะแนน τ²-Bench ที่ 98.2 บ่งชี้ว่าสามารถจัดการกับการให้เหตุผลแบบหลายขั้นตอนและการใช้เครื่องมือได้อย่างมีประสิทธิภาพ นอกจากนี้ หน้าต่างบริบทขนาดใหญ่ (200K โทเค็น) และเอาต์พุตสูงสุด (128K โทเค็น) หมายความว่าสามารถรักษาความต่อเนื่องในข้อความที่ยาวมากได้ ซึ่งเป็นการปรับปรุงที่มีความหมายเมื่อเทียบกับโมเดลที่มีหน้าต่างขนาดเล็กกว่า ไม่มีคะแนนเกณฑ์มาตรฐานอื่นให้มา ดังนั้นการเปรียบเทียบโดยตรงในงานต่างๆ เช่น ความเข้าใจภาษา หรือคณิตศาสตร์ จึงไม่สามารถทำได้จากข้อมูลนี้ โมเดลน่าจะได้รับประโยชน์จากวิธีการฝึกอบรมของ Z.ai และขนาดที่เพิ่มขึ้น
GLM 5 เป็นโมเดลที่ประมวลผลเฉพาะข้อความเท่านั้น จึงไม่สามารถประมวลผลภาพหรือรูปแบบข้อมูลอื่นใดได้ ผลการทำงานในงานที่ต้องอาศัยความเข้าใจแบบหลายรูปแบบจึงเป็นศูนย์ คะแนน τ²-Bench แม้จะสูง แต่ถูกวัดในสภาพแวดล้อมจำลอง ประสิทธิภาพเชิงปฏิบัติการในโลกจริงอาจแตกต่างกันไป ต้นทุนต่อโทเค็นของโมเดลนี้ค่อนข้างสูง (อินพุต $1.00 / เอาต์พุต $3.20 ต่อล้านโทเค็น) ดังนั้นสำหรับบริบทยาว ต้นทุนรวมอาจสะสมได้อย่างรวดเร็ว ไม่มีข้อมูลเกี่ยวกับความหน่วงภายใต้ภาระงาน ดังนั้นคุณควรทดสอบวัดประสิทธิภาพกับกรณีการใช้งานเฉพาะของคุณ นอกจากนี้ เช่นเดียวกับโมเดลภาษาทั้งหมด GLM 5 อาจให้เนื้อหาที่ไม่ถูกต้องหรือหลอน โดยเฉพาะในสถานการณ์การใช้เหตุผลที่ซับซ้อนเกินกว่าข้อมูลการฝึก
GLM 5 มีราคาอยู่ที่ $1.00 ต่อ 1 ล้านโทเค็นอินพุต และ $3.20 ต่อ 1 ล้านโทเค็นเอาต์พุต นี่คืออัตราของผู้ให้บริการที่กำหนดโดย Z.ai. OrcaRouter ส่งต่ออัตราเหล่านี้โดยไม่มีค่าธรรมเนียมเพิ่มเติมใด ๆ ดังนั้นคุณจึงจ่ายในราคาที่ผู้ให้บริการกำหนดเท่านั้น โทเค็นจะถูกนับโดยใช้วิธีการแบ่งโทเค็นมาตรฐาน (ประมาณ 0.75 คำต่อโทเค็นสำหรับภาษาอังกฤษ) โทเค็นอินพุตรวมถึงพรอมต์และข้อความระบบใด ๆ ส่วนโทเค็นเอาต์พุตคือการตอบกลับที่โมเดลสร้างขึ้น ไม่มีค่าใช้จ่ายแยกต่างหากสำหรับการเรียก API หรือคุณสมบัติพิเศษ เว้นแต่จะระบุโดยผู้ให้บริการ การกำหนดราคาเป็นแบบต่อโทเค็น ดังนั้นต้นทุนจะปรับตามการใช้งานแบบเส้นตรง
เนื่องจาก GLM 5 คิดค่าใช้จ่ายตามโทเค็น ต้นทุนทั้งหมดจึงขึ้นอยู่กับทั้งความยาวของพรอมพ์และความยาวของผลลัพธ์ สำหรับการโต้ตอบทั่วไปที่มีโทเค็นนำเข้า 10,000 โทเค็นและโทเค็นส่งออก 5,000 โทเค็น ต้นทุนจะเป็น (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 ต่อครั้ง สำหรับงานที่ใช้บริบทเต็ม เช่น โทเค็นนำเข้า 200,000 โทเค็นและโทเค็นส่งออก 128,000 โทเค็น ต้นทุนจะเป็น $0.20 + $0.4096 = $0.6096 ต่อครั้ง หากกรณีการใช้งานของคุณไม่ต้องการค่าที่สูงมากขนาดนั้น โมเดลที่ราคาถูกกว่าซึ่งมีบริบทที่เล็กกว่าอาจจะประหยัดกว่า OrcaRouter ช่วยให้คุณเปรียบเทียบต้นทุนระหว่างโมเดลก่อนการปรับใช้
ข้อมูลที่ให้มาไม่ได้กล่าวถึงการแคชหรือส่วนลดปริมาณสำหรับ GLM 5 ผ่าน OrcaRouter การเรียกเก็บค่าบริการเป็นแบบต่อโทเค็นในอัตรามาตรฐานของผู้ให้บริการ หากคุณต้องการประหยัดค่าใช้จ่ายสำหรับการใช้งานปริมาณมาก ให้พิจารณาว่าโมเดลอื่นหรือการปรับใช้เฉพาะอาจเป็นประโยชน์หรือไม่ นโยบายไม่บวกเพิ่มของ OrcaRouter หมายความว่าคุณจ่ายในราคาเดียวกับที่เรียก Z.ai โดยตรง โดยไม่มีค่าธรรมเนียมแพลตฟอร์ม สำหรับการจัดการส่วนลดเฉพาะ คุณจะต้องเจรจากับ Z.ai หรือตรวจสอบโปรโมชั่นใดๆ ตามมาตรฐาน การแคชไม่ได้อธิบายไว้ ดังนั้นให้ถือว่าการอนุมานแต่ละครั้งถูกเรียกเก็บเงินแยกกัน
หากต้องการใช้ GLM 5 ให้ส่งคำขอไปยังปลายทาง API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1 ในเนื้อหาคำขอของคุณ ให้ระบุรหัสโมเดลเป็น "z-ai/glm-5" คุณสามารถใช้ SDK ของ OpenAI หรือ HTTP client ใดๆ ที่รองรับปลายทาง chat completions ตัวอย่างการใช้ 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"}]) การรองรับสตรีมมิ่ง การเรียกฟังก์ชัน และพารามิเตอร์อื่นๆ จะเหมือนกับสคีมาของ OpenAI
GLM 5 รองรับพารามิเตอร์มาตรฐานทั้งหมดของรูปแบบการสนทนาแบบสมบูรณ์ของ OpenAI คุณสามารถตั้งค่า temperature (0-2), top_p, max_tokens (สูงสุด 128,000), stop sequences, frequency_penalty, presence_penalty, stream (boolean), และ tools/functions สำหรับการเรียกใช้ฟังก์ชัน ข้อจำกัดของหน้าต่างบริบทคือ 200,000 โทเค็นทั้งหมด ซึ่งรวมทั้งข้อความและ system prompt ใดๆ หากอินพุตเกินจำนวนนี้ คุณต้องตัดหรือแบ่งบริบท OrcaRouter จะไม่ตัดโดยอัตโนมัติ คำขอจะล้มเหลวหากจำนวนโทเค็นเกินขีดจำกัด ใช้การนับของ tokenizer เพื่อให้แน่ใจว่าเป็นไปตามข้อกำหนด
การโยกย้ายไปยัง OrcaRouter เกี่ยวข้องกับการเปลี่ยนแปลง base URL และ model ID หากคุณเคยใช้ OpenAI endpoint กับโมเดล "gpt-4o" คุณจะต้องแทนที่ base URL ด้วย https://api.orcarouter.ai/v1 และตั้งค่า model เป็น "z-ai/glm-5" ไม่จำเป็นต้องเปลี่ยนแปลงโค้ดอื่นๆ หากคุณใช้รูปแบบ OpenAI chat completions อยู่แล้ว ตรวจสอบให้แน่ใจว่าคีย์ API ของคุณใช้ได้กับ OrcaRouter ทดสอบด้วยคำขอขนาดเล็กเพื่อยืนยันการเชื่อมต่อและโมเดลตอบกลับตามที่คาดหวัง โปรดทราบว่าการนับโทเค็นอาจแตกต่างกันเล็กน้อยเนื่องจาก tokenizers เฉพาะโมเดล แต่ API จะจัดการอย่างโปร่งใส
หากจำนวนโทเค็นรวมของอินพุตของคุณ (ข้อความระบบ, ประวัติการสนทนา, ข้อความแจ้งผู้ใช้) เกิน 200,000 โทเค็น API จะส่งคืนข้อผิดพลาดที่ระบุว่าความยาวบริบทเกินขีดจำกัด คุณต้องลดขนาดอินพุตลง เช่นเดียวกัน หากคุณตั้งค่า max_tokens ไว้สูงกว่า 128,000 คำขอจะถูกจำกัดที่เอาต์พุตสูงสุดของโมเดล; API จะปฏิเสธพารามิเตอร์นั้นหรือปรับให้อยู่ในขีดจำกัด วิธีที่ดีที่สุดคือตรวจสอบจำนวนโทเค็นโดยทางโปรแกรมก่อนส่ง payload ขนาดใหญ่ OrcaRouter จะไม่ตัดทอนข้อความแจ้งโดยอัตโนมัติ ดังนั้นคุณต้องจัดการความยาวบริบทด้วยตนเอง
หน้าต่างบริบท 200,000 โทเค็นและเอาต์พุตสูงสุด 128,000 โทเค็นของ GLM 5 ถือเป็นหนึ่งในขนาดที่ใหญ่ที่สุดที่มีอยู่ ซึ่งเปรียบเทียบได้ดีกับโมเดล closed-source หลายรุ่นที่ให้บริบท 128K หรือ 32K คะแนน τ²-Bench ที่ 98.2 ของมันอยู่ในระดับสูง บ่งบอกถึงประสิทธิภาพแบบ agentic ที่แข็งแกร่ง อย่างไรก็ตาม ราคาสูงกว่าผู้ให้บริการทางเลือกบางราย ตัวอย่างเช่น โมเดลที่มีความจุโทเค็นใกล้เคียงกันแต่มีต้นทุนต่อโทเค็นต่ำกว่าอาจประหยัดกว่าสำหรับการใช้งานหนัก GLM 5 เป็นแบบข้อความเท่านั้น ในขณะที่คู่แข่งบางรายรองรับอินพุตแบบ multimodal หากไม่มีข้อมูลเกณฑ์มาตรฐานอื่นจากข้อเท็จจริงที่ให้มา การเปรียบเทียบคุณภาพโดยตรงในงาน NLP จึงไม่สามารถทำได้
คุณอาจเลือก GLM 5 หากคุณต้องการหน้าต่างบริบทที่ใหญ่กว่าโมเดลมาตรฐานของ OpenAI (ซึ่งโดยทั่วไปมี 128K โทเคน) GLM 5 มีบริบท 200K และเอาต์พุต 128K ซึ่งสามารถรองรับอินพุตที่ยาวกว่าได้โดยไม่ต้องตัดทิ้ง นอกจากนี้ คะแนน τ²-Bench ที่ 98.2 อาจสูงกว่าโมเดล OpenAI บางตัวในการวัดประสิทธิภาพแบบ agentic แม้ว่าการเปรียบเทียบที่แน่นอนจะขึ้นอยู่กับเงื่อนไขการประเมิน หากต้นทุนเป็นปัจจัยหลัก ให้เปรียบเทียบราคาต่อโทเคน GLM 5 ที่ $1.00/$3.20 ต่อล้านโทเคนอาจแข่งขันได้ขึ้นอยู่กับทางเลือกอื่น นอกจากนี้ หากคุณต้องการใช้โมเดล Z.ai สำหรับคุณลักษณะประสิทธิภาพเฉพาะ GLM 5 ก็เป็นตัวเลือก
เมื่อเปรียบเทียบกับโมเดล GLM รุ่นก่อนหน้า (เช่น GLM 4) GLM 5 ได้เพิ่มหน้าต่างบริบทจาก 128K เป็น 200K โทเคน และผลลัพธ์สูงสุดจาก 64K เป็น 128K โทเคน คะแนน τ²-Bench ที่ 98.2 น่าจะเป็นการปรับปรุงที่ดีขึ้น แม้ว่าจะไม่ได้ให้คะแนนของโมเดลรุ่นเก่าไว้ ราคาอาจมีการเปลี่ยนแปลง; โมเดลรุ่นเก่าอาจมีราคาถูกกว่าต่อโทเคน หากงานของคุณเหมาะสมกับบริบทที่เล็กกว่าของโมเดลรุ่นเก่า การใช้โมเดลที่มีต้นทุนต่ำกว่าอาจประหยัดกว่า อย่างไรก็ตาม สำหรับงานที่ต้องการบริบทเต็ม 200K หรือผลลัพธ์ที่สูงกว่า GLM 5 เป็นตัวเลือกเดียวในซีรีส์นี้ การอัปเกรดอาจนำมาซึ่งการปรับปรุงคุณภาพในด้านการให้เหตุผลและการทำตามคำสั่ง
จากข้อมูลที่ให้ไว้ GLM 5 ได้คะแนน τ²-Bench 98.2 ซึ่งเกือบจะสมบูรณ์แบบบนเกณฑ์วัดนั้น ซึ่งบ่งชี้ว่าโมเดลนี้แข็งแกร่งมากสำหรับงานแบบ agentic ที่คล้ายคลึงกับในเกณฑ์วัด อย่างไรก็ตาม คะแนนจากเกณฑ์วัดไม่ได้รับประกันประสิทธิภาพในโลกจริง และโมเดลอื่นอาจทำงานแตกต่างในสภาพแวดล้อมเฉพาะของคุณ หากงาน agentic ของคุณใกล้เคียงกับสถานการณ์ τ²-Bench GLM 5 ก็เป็นตัวเลือกที่ยอดเยี่ยม แต่ถ้างานของคุณเกี่ยวข้องกับเครื่องมือ ภาษา หรือข้อจำกัดที่แตกต่าง คุณควรทดสอบหลายโมเดล OrcaRouter ช่วยให้คุณสลับระหว่างโมเดลได้อย่างง่ายดายเพื่อเปรียบเทียบผลลัพธ์
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| เอาต์พุต / 1M โทเค็น | $3.20 |
| อ่านแคช / 1M | $0.260 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
@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