Zhipu (Z.ai) flagship open-source MoE: 355B tổng / 32B hoạt động. Suy luận kết hợp (chế độ tư duy / không tư duy), gọi công cụ gốc và bề mặt tác nhân, ngữ cảnh 128K.
GLM-4.5 là một mô hình ngôn ngữ chỉ văn bản do Z.ai phát triển, có thể truy cập thông qua API tương thích với OpenAI của OrcaRouter. Mô hình này cung cấp cửa sổ ngữ cảnh 128.000 token và có thể xuất…
GLM-4.5 vượt trội trong các tác vụ liên quan đến suy luận toán học, lập luận logic và giải quyết vấn đề theo từng bước. Mô hình đạt điểm 97.9 trên MATH-500, cho thấy độ chính xác cao trên nhiều dạng bài toán. Các trường hợp sử dụng mạnh khác bao gồm tạo mã nguồn và giải thích mã, đặc biệt là đối với thuật toán và tính toán toán học. Cửa sổ ngữ cảnh lớn (128K token) giúp mô hình phù hợp để xử lý các tài liệu dài, chẳng hạn như nghiên cứu khoa học, văn bản pháp lý hoặc sách hướng dẫn kỹ thuật. Ngoài ra, mô hình có thể xử lý các cuộc hội thoại nhiều lượt có tham chiếu đến các phần trước đó của cuộc trò chuyện, miễn là toàn bộ lịch sử nằm trong giới hạn 128K.
Đối với các tác vụ đơn giản như phân loại trực tiếp, tóm tắt văn bản ngắn, hoặc trả lời câu hỏi cơ bản, một mô hình nhỏ hơn có thể tiết kiệm chi phí hơn. GLM-4.5 được định giá $0.60 cho mỗi 1 triệu token đầu vào và $2.20 cho mỗi 1 triệu token đầu ra. Nếu ứng dụng của bạn không yêu cầu ngữ cảnh đầy đủ 128K hoặc khả năng suy luận toán học mạnh, bạn có thể tiết kiệm chi phí bằng cách chọn một mô hình có giá trên mỗi token thấp hơn. Ngoài ra, đối với các ứng dụng đa phương thức (ví dụ: chú thích hình ảnh hoặc phân tích video), GLM-4.5 không phù hợp vì nó chỉ xử lý văn bản. Trong những trường hợp đó, hãy cân nhắc các mô hình hỗ trợ đầu vào hình ảnh hoặc âm thanh.
Có, GLM-4.5 có thể tạo mã, đặc biệt là cho các vấn đề liên quan đến tính toán toán học hoặc logic thuật toán. Điểm MATH-500 cao (97.9) của nó cho thấy sự thành thạo trong suy luận trên các cấu trúc số và logic, dẫn đến đầu ra mã chính xác bằng các ngôn ngữ như Python, Java hoặc C++. Cửa sổ ngữ cảnh lớn cho phép mô hình xem xét toàn bộ cơ sở mã hoặc tài liệu dài trong khi tạo mã. Tuy nhiên, điểm mạnh chính của nó là suy luận chứ không phải các nhiệm vụ nặng về cú pháp. Đối với các nhiệm vụ yêu cầu kiến thức sâu về các framework hoặc thư viện cụ thể, một mô hình mã chuyên biệt có thể phù hợp hơn.
Một cửa sổ ngữ cảnh 128K có nghĩa là GLM-4.5 có thể xử lý tối đa khoảng 96.000 từ (hoặc 128.000 token phụ) trong một yêu cầu duy nhất. Điều này có lợi cho các tác vụ liên quan đến tài liệu dài, hội thoại kéo dài hoặc phân tích dữ liệu quy mô lớn trong một lời nhắc. Mô hình có thể duy trì tính mạch lạc trong suốt ngữ cảnh dài này, điều quan trọng cho việc tóm tắt, trả lời câu hỏi dựa trên văn bản dài và suy luận nhiều bước. Tuy nhiên, độ dài ngữ cảnh hiệu quả thực tế có thể thay đổi tùy thuộc vào độ phức tạp của nội dung. Người dùng nên thử nghiệm với các trường hợp sử dụng cụ thể để đảm bảo hiệu suất ổn định ở mức cao nhất của cửa sổ.
MATH-500 là một điểm chuẩn gồm 500 bài toán bao phủ nhiều cấp độ khó khác nhau, từ số học cơ bản đến các câu hỏi trình độ thi đấu nâng cao. Điểm số 97,9 có nghĩa là GLM-4.5 đã trả lời đúng 97,9% trong số các bài toán này. Điều này cho thấy khả năng suy luận toán học rất mạnh mẽ. Mô hình có lẽ sử dụng phương pháp suy luận từng bước nghiêm ngặt để đi đến câu trả lời. Người dùng cần lưu ý rằng điểm chuẩn này chỉ kiểm tra khả năng toán học thuần túy và có thể không phản ánh hiệu suất trong các tác vụ khác như viết sáng tạo hoặc hội thoại mở. Đây là một chỉ số hữu ích để đánh giá các mô hình dành cho ứng dụng STEM.
Các con số chính xác về tốc độ và độ trễ của GLM-4.5 không được Z.ai công bố công khai. Hiệu suất phụ thuộc vào các yếu tố như kích thước yêu cầu, độ dài đầu ra, điều kiện mạng và tải máy chủ. Thông qua OrcaRouter, người dùng có thể mong đợi độ trễ điển hình cho một mô hình có kích thước này. Là một mô hình chỉ xử lý văn bản với ngữ cảnh 128K, độ trễ có thể tăng tỷ lệ thuận với độ dài đầu vào. Tính năng phát trực tuyến (streaming) có sẵn để giảm thời gian cảm nhận đến token đầu tiên. Đối với các ứng dụng thời gian thực, chúng tôi khuyến nghị thực hiện kiểm tra tải với khối lượng công việc điển hình của bạn. Cơ sở hạ tầng của OrcaRouter được thiết kế để truy cập API đáng tin cậy, nhưng các điểm chuẩn tốc độ cụ thể nên được đo lường trong môi trường của riêng bạn.
Điểm mạnh chính của GLM-4.5 là khả năng suy luận toán học, được thể hiện qua điểm số 97.9 trên MATH-500. Mô hình này cũng xử lý hiệu quả các ngữ cảnh dài (128K token), phù hợp cho các tác vụ cấp tài liệu. Nó có thể tạo ra tới 96K token mỗi đầu ra, hữu ích cho các phản hồi dài hoặc chuỗi suy luận nhiều bước. Mô hình có mức giá cạnh tranh so với phân khúc hiệu năng của nó. Ngoài ra, nó được truy cập qua API tương thích OpenAI của OrcaRouter, giúp việc tích hợp trở nên dễ dàng đối với các nhà phát triển đã quen thuộc với hệ sinh thái đó. Mô hình chỉ hỗ trợ văn bản, giúp đơn giản hóa việc triển khai khi không yêu cầu hình ảnh hoặc âm thanh.
GLM-4.5 không hỗ trợ bất kỳ phương thức nhập liệu nào ngoài văn bản. Nó không thể xử lý hình ảnh, âm thanh hoặc video. Dữ liệu huấn luyện và thiết kế của nó tập trung vào suy luận và toán học; nó có thể hoạt động kém hơn trong các tác vụ sáng tạo hoặc chủ quan so với các mô hình đa năng. Điểm chuẩn MATH-500, mặc dù ấn tượng, là một đánh giá hẹp: hiệu suất của mô hình trên các điểm chuẩn khác (ví dụ: lập trình, logic, tính xác thực) không được cung cấp. Ngoài ra, giống như tất cả các mô hình ngôn ngữ lớn, nó có thể tạo ra lỗi hoặc ảo giác, đặc biệt là với các đầu vào mơ hồ hoặc nằm ngoài phân phối. Người dùng nên xác thực đầu ra cho các ứng dụng quan trọng. Cửa sổ ngữ cảnh lớn có thể làm tăng độ trễ và chi phí cho các lời nhắc rất dài.
GLM-4.5 có giá $0.60 cho mỗi 1 triệu token đầu vào và $2.20 cho mỗi 1 triệu token đầu ra. Đây là mức giá từ nhà cung cấp Z.ai và OrcaRouter không thêm bất kỳ khoản phí nào. Việc thanh toán dựa trên mức sử dụng: bạn chỉ trả tiền cho các token đã tiêu thụ. Token đầu vào bao gồm lời nhắc và bất kỳ tin nhắn hệ thống nào; token đầu ra do mô hình tạo ra. Một token tương đương khoảng 0.75 từ tiếng Anh. Đối với một yêu cầu điển hình với 10.000 token đầu vào và 5.000 token đầu ra, chi phí sẽ là (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017. Mức giá minh bạch này cho phép dễ dàng ước tính chi phí.
Với cấu trúc giá của mình, GLM-4.5 tiết kiệm chi phí nhất cho các ứng dụng được hưởng lợi từ khả năng suy luận toán học cao và ngữ cảnh dài của nó. Đối với các tác vụ đơn giản, các mô hình rẻ hơn có thể đủ, giảm chi phí vận hành. Cửa sổ ngữ cảnh 128K làm tăng mức sử dụng token cho mỗi yêu cầu, điều này có thể làm tăng chi phí nếu không được tối ưu hóa. Để quản lý chi phí, hãy cân nhắc rút gọn lời nhắc đến độ dài cần thiết và sử dụng giới hạn độ dài đầu ra. Ngoài ra, vì OrcaRouter không tính phụ phí, chi phí phản ánh sát giá của nhà cung cấp. Lưu vào bộ nhớ đệm có thể giảm thêm chi phí nếu bạn tái sử dụng các đoạn lời nhắc phổ biến, nhưng các chính sách lưu vào bộ nhớ đệm cụ thể phụ thuộc vào cách triển khai của bạn với OrcaRouter.
OrcaRouter không hỗ trợ caching một cách tự nhiên cho các yêu cầu GLM-4.5. Caching thường được triển khai ở phía client. Ví dụ: bạn có thể lưu trữ phản hồi cho các prompt giống hệt nhau để tránh tính phí nhiều lần. Ngoài ra, bạn có thể thiết kế ứng dụng của mình để tái sử dụng ngữ cảnh khi có thể. Vì GLM-4.5 được tính phí theo token, caching có thể giảm đáng kể chi phí cho các ứng dụng có khối lượng yêu cầu cao, đặc biệt nếu nhiều yêu cầu chia sẻ các tiền tố tương tự (ví dụ: hướng dẫn hệ thống). Nếu bạn cần caching phía máy chủ, hãy cân nhắc sử dụng các tính năng batch hoặc prompt caching của OrcaRouter nếu có—hãy kiểm tra tài liệu của họ để biết chi tiết.
GLM-4.5 hỗ trợ tối đa 96.000 token đầu ra mỗi yêu cầu. Con số này cao bất thường và có thể dẫn đến chi phí cao hơn cho mỗi yêu cầu nếu bạn tạo các phản hồi dài. Ví dụ, việc tạo 96.000 token đầu ra sẽ tốn 96.000/1.000.000 * $2,20 = $0,2112 mỗi yêu cầu. Mặc dù điều này cho phép tạo ra các nội dung rất dài, nhưng sẽ tiết kiệm hơn nếu giới hạn độ dài đầu ra bằng tham số 'max_tokens' trừ khi tác vụ thực sự yêu cầu đầu ra dài. Người dùng có ý thức về ngân sách nên đặt các giới hạn phù hợp. Số lượng token đầu vào và đầu ra được cộng dồn và tính phí riêng biệt theo mức giá tương ứng.
Bạn truy cập GLM-4.5 thông qua API tương thích OpenAI của OrcaRouter. Đặt base URL thành https://api.orcarouter.ai/v1. Sử dụng model ID "z-ai/glm-4.5" trong các yêu cầu của bạn. API chấp nhận các tham số OpenAI tiêu chuẩn như 'prompt', 'max_tokens', 'temperature', v.v. Ví dụ, một lệnh gọi chat completion sẽ sử dụng endpoint /v1/chat/completions. Xác thực yêu cầu một API key từ OrcaRouter. API hoạt động giống như API OpenAI, do đó bạn có thể dễ dàng di chuyển mã nguồn hiện có bằng cách thay đổi base URL và tên model. Tham khảo tài liệu của OrcaRouter để biết chi tiết về xác thực.
Common parameters include: 'model' (set to "z-ai/glm-4.5"), 'messages' (list of dicts with role and content), 'max_tokens' (up to 96000), 'temperature' (controls randomness, default unspecified), 'top_p' (nucleus sampling), 'stream' (boolean), and 'stop' (sequences at which generation stops). GLM-4.5 supports the OpenAI chat completion format. Not all advanced parameters (like logprobs or tool calls) may be supported; test your use case. If you need to set frequency or presence penalties, consult OrcaRouter's documentation for compatibility. The model accepts system messages to set behavior.
Việc di chuyển rất đơn giản. Cập nhật base URL trong mã nguồn của bạn thành https://api.orcarouter.ai/v1 và thay thế tên model bằng "z-ai/glm-4.5". Đảm bảo bạn có khóa API OrcaRouter hợp lệ. Định dạng yêu cầu và phản hồi giống hệt với OpenAI. Không cần thay đổi cấu trúc prompt hoặc tham số trừ khi bạn đang sử dụng các tính năng đặc thù của model mà OrcaRouter không hỗ trợ. Hãy thử nghiệm với một batch nhỏ để xác nhận hành vi. Nếu bạn đang sử dụng streaming, endpoint streaming tương tự vẫn hoạt động. Tài liệu của OrcaRouter cung cấp các bước khắc phục sự cố phổ biến.
Các giới hạn tốc độ và hạn ngạch sử dụng cho GLM-4.5 được OrcaRouter xác định dựa trên cấp tài khoản của bạn. Các giới hạn tốc độ điển hình được đo bằng số yêu cầu mỗi phút (RPM) và token mỗi phút (TPM). Đối với nhu cầu sử dụng khối lượng lớn, bạn có thể cần yêu cầu giới hạn cao hơn. API của OrcaRouter trả về các mã trạng thái HTTP chuẩn (ví dụ: 429 cho giới hạn tốc độ). Bạn nên triển khai cơ chế backoff theo cấp số nhân trong ứng dụng khách của mình. Không có đề cập đến hạn ngạch nghiêm ngặt trong thông tin được cung cấp; hãy liên hệ bộ phận hỗ trợ của OrcaRouter để biết giới hạn cụ thể. Cửa sổ ngữ cảnh và độ dài đầu ra của mô hình là các giới hạn cho mỗi yêu cầu, không được áp dụng định kỳ.
GLM-4.5 đạt điểm MATH-500 là 97,9, nằm trong số những mô hình có hiệu suất cao nhất về suy luận toán học. Nhiều mô hình khác đạt điểm từ 80 đến thấp 90 trên chuẩn đánh giá này, vì vậy 97,9 là mức đáng chú ý cao. Tuy nhiên, so sánh này chỉ giới hạn ở một chuẩn đánh giá. Trên các chỉ số khác (ví dụ: hiểu ngôn ngữ tổng quát, lập trình), hiệu suất có thể khác. GLM-4.5 chỉ hỗ trợ văn bản, trong khi một số đối thủ hỗ trợ thị giác. Cửa sổ ngữ cảnh (128K) của nó lớn hơn nhiều mô hình chỉ cung cấp 32K hoặc 64K. Giá cả có tính cạnh tranh trong phân khúc. Người dùng tập trung vào toán học có thể ưa thích GLM-4.5, nhưng nên đánh giá trên các tác vụ cụ thể của họ.
Các mô hình rẻ hơn có thể có cửa sổ ngữ cảnh nhỏ hơn (ví dụ: 4K-8K) và điểm chuẩn thấp hơn. Nếu tác vụ của bạn đơn giản và yêu cầu độ trễ thấp, một mô hình rẻ hơn có thể tiết kiệm chi phí hơn. Ví dụ, một mô hình có giá $0.15/$0.60 cho mỗi 1M token có thể đủ cho việc tóm tắt cơ bản. Lợi thế của GLM-4.5 nằm ở khả năng suy luận toán học mạnh mẽ và ngữ cảnh dài. Sự đánh đổi là chi phí mỗi token cao hơn. Bạn nên tính tổng chi phí cho mẫu sử dụng điển hình của mình. Nếu ứng dụng của bạn yêu cầu suy luận toán học chính xác hoặc tài liệu dài, chi phí cao hơn có thể là hợp lý.
Một số nhà cung cấp cung cấp các mô hình có cửa sổ ngữ cảnh tương tự. Mức giá của GLM-4.5 ($0,60/$2,20) nằm ở mức trung bình đến vừa phải. Một số mô hình có ngữ cảnh 128K có thể rẻ hơn trên mỗi token nhưng điểm toán thấp hơn. Một số khác có thể đắt hơn. Điểm MATH-500 của GLM-4.5 là 97,9, cao đặc biệt. Không có dữ kiện nào được cung cấp đề cập đến các điểm chuẩn khác, vì vậy không thể so sánh đầy đủ. Đối với người dùng cần hiệu suất toán học cao và ngữ cảnh dài, GLM-4.5 là một lựa chọn mạnh mẽ. Tuy nhiên, đối với việc viết sáng tạo hoặc đa dạng hóa, các mô hình khác có thể phù hợp hơn. Luôn thử nghiệm với dữ liệu cụ thể của bạn.
OrcaRouter cung cấp một API tương thích với OpenAI thống nhất để truy cập GLM-4.5 mà không cần quản lý cơ sở hạ tầng. Giá cả minh bạch với không có phụ phí trên giá nhà cung cấp. Bạn nhận được cùng mô hình như được lưu trữ bởi Z.ai, nhưng thông qua gateway của OrcaRouter có thể cung cấp các tính năng bổ sung như cân bằng tải, lưu trữ đệm, hoặc tùy chọn dự phòng (kiểm tra tài liệu của OrcaRouter). API được chuẩn hóa, vì vậy việc chuyển đổi sang các mô hình khác trong danh mục rất dễ dàng. OrcaRouter xử lý xác thực và giới hạn tốc độ. Nếu bạn đã sử dụng các mô hình khác trên OrcaRouter, việc thêm GLM-4.5 chỉ là thay đổi tên mô hình.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Đầu vào / 1M tokens | $0.600 |
| Đầu ra / 1M tokens | $2.20 |
| Đọc cache / 1M | $0.110 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
@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