Flagship thế hệ mới của Zhipu với nhiều chế độ tư duy và khả năng gọi công cụ mạnh mẽ. Ngữ cảnh 200K / đầu ra tối đa 128K.
GLM 5 là mô hình văn bản do Z.ai phát triển, có thể truy cập thông qua API tương thích OpenAI của OrcaRouter. Mô hình chấp nhận đầu vào dạng văn bản và cung cấp cửa sổ ngữ cảnh 200.000 token với đầu…
GLM 5 chỉ hỗ trợ đầu vào dạng văn bản. Theo thông số kỹ thuật được cung cấp, nó không chấp nhận hình ảnh, âm thanh hoặc video. Điều này khiến nó trở thành một mô hình ngôn ngữ thuần túy được tối ưu hóa để xử lý nội dung viết. Mọi giao tiếp với mô hình đều thông qua các token văn bản và đầu ra cũng là văn bản. Nếu ứng dụng của bạn yêu cầu đầu vào đa phương thức, bạn sẽ cần sử dụng một mô hình khác có thể xử lý hình ảnh hoặc các phương thức khác. Đối với các tác vụ như tóm tắt âm thanh đã được chuyển đổi thành văn bản hoặc trích xuất văn bản từ hình ảnh, bạn sẽ cần chuyển đổi các đầu vào đó thành văn bản trước khi truyền chúng cho GLM 5.
GLM 5 vượt trội trong các tác vụ được hưởng lợi từ cửa sổ ngữ cảnh lớn và giới hạn đầu ra cao. Các trường hợp sử dụng phổ biến bao gồm: phân tích kỹ lưỡng các hợp đồng pháp lý dài hoặc tài liệu quy định; tạo ra các bản tóm tắt chi tiết của toàn bộ bài nghiên cứu hoặc sách; duy trì lịch sử hội thoại mạch lạc trong chatbot hỗ trợ khách hàng kéo dài nhiều lượt tương tác; và thực hiện suy luận phức tạp khi mô hình cần tham chiếu nhiều phần của một prompt dài. Điểm τ²-Bench 98.2 cho thấy nó đặc biệt mạnh trong việc thực hiện các tác vụ đa bước trong môi trường mô phỏng, như điều hướng trang web hoặc thực hiện nhập liệu.
Nếu nhiệm vụ của bạn không yêu cầu toàn bộ ngữ cảnh 200K hoặc đầu ra 128K, một mô hình nhỏ hơn hoặc rẻ hơn có thể tiết kiệm chi phí hơn. Ví dụ, các tác vụ hỏi đáp đơn giản, phân loại văn bản ngắn, hoặc tạo đoạn văn đơn lẻ có thể được xử lý bởi các mô hình có chi phí thấp hơn trên mỗi token. Giá của GLM 5 là $1.00 cho mỗi triệu token đầu vào và $3.20 cho mỗi triệu token đầu ra, cao hơn nhiều mô hình nhỏ gọn. Ngoài ra, nếu quy trình làm việc của bạn chỉ bao gồm các lời nhắc và phản hồi rất ngắn, độ trễ và chi phí khi thiết lập mô hình ngữ cảnh lớn có thể không được bù đắp. Hãy đánh giá mức sử dụng token điển hình của bạn: nếu bạn thường xuyên sử dụng dưới 32K token, một mô hình nhỏ hơn có khả năng là đủ.
GLM 5 được truy cập thông qua API tương thích với OpenAI của OrcaRouter, hỗ trợ streaming responses và function calling. Khi sử dụng API, bạn có thể đặt tham số stream thành true để nhận các token theo từng phần, giúp giảm độ trễ cảm nhận cho các đầu ra dài. Function calling cho phép mô hình yêu cầu gọi công cụ hoặc đầu ra dữ liệu có cấu trúc. Các khả năng này là tiêu chuẩn cho API nhưng phụ thuộc vào sự hỗ trợ của mô hình cụ thể. Dựa trên thông tin được cung cấp, GLM 5 có thể được sử dụng với các tính năng này. Để biết chi tiết triển khai, hãy tham khảo tài liệu API của OrcaRouter.
τ²-Bench là một chuẩn đánh giá khả năng hoàn thành các tác vụ đa bước của một tác nhân AI trong môi trường mô phỏng. Điểm số thể hiện tỷ lệ thành công trên nhiều tác vụ đa dạng, như duyệt web, điền biểu mẫu và truy xuất thông tin. Điểm 98,2 có nghĩa là GLM 5 đã hoàn thành thành công 98,2% các tác vụ trong chuẩn đánh giá. Đây là một hiệu suất rất cao, cho thấy mô hình có thể làm theo các hướng dẫn phức tạp và thực thi các chuỗi hành động một cách đáng tin cậy. Nó không đảm bảo hiệu suất hoàn hảo trong thế giới thực, nhưng cho thấy năng lực tác nhân mạnh mẽ đối với các loại tác vụ có cấu trúc tương tự.
Độ trễ của GLM 5 phụ thuộc vào độ dài đầu vào và đầu ra, cũng như cơ sở hạ tầng bên dưới do Z.ai cung cấp. OrcaRouter định tuyến đến hệ thống backend của nhà cung cấp và không làm tăng thêm độ trễ ngoài chi phí mạng. Đối với đầu vào và đầu ra ngắn (ví dụ: 1.000 token đầu vào, 500 token đầu ra), thời gian phản hồi có thể nằm trong khoảng vài giây. Đối với các thế hệ dài gần mức tối đa 128K, độ trễ có thể cao hơn đáng kể—thường là hàng chục giây hoặc hơn—vì mô hình phải xử lý và tạo ra nhiều token. Phát trực tuyến có thể giảm bớt thời gian chờ cảm nhận. Không có số liệu độ trễ cụ thể nào được cung cấp, do đó hiệu suất thực tế cần được kiểm tra với các khối lượng công việc đại diện.
Điểm mạnh chính được nhấn mạnh bởi benchmark chính là tỷ lệ thành công cao của GLM 5 trên các tác vụ tác nhân. Điểm τ²-Bench 98,2 cho thấy nó có thể xử lý suy luận nhiều bước và sử dụng công cụ một cách hiệu quả. Ngoài ra, cửa sổ ngữ cảnh lớn (200K token) và đầu ra tối đa (128K token) có nghĩa là nó có thể duy trì tính mạch lạc qua các văn bản rất dài, đây là một cải tiến đáng kể so với các mô hình có cửa sổ nhỏ hơn. Không có điểm benchmark nào khác được cung cấp, vì vậy không thể so sánh trực tiếp trên các tác vụ như hiểu ngôn ngữ hay toán học từ dữ liệu này. Mô hình có thể được hưởng lợi từ phương pháp huấn luyện của Z.ai và quy mô lớn hơn.
GLM 5 là một mô hình chỉ hỗ trợ văn bản, vì vậy nó không thể xử lý hình ảnh hoặc các phương thức khác. Hiệu suất của nó đối với các tác vụ yêu cầu hiểu biết đa phương thức là bằng không. Điểm τ²-Bench, mặc dù cao, được đo trong môi trường mô phỏng; hiệu suất tác nhân trong thế giới thực có thể khác. Chi phí cho mỗi token của mô hình tương đối cao ($1.00 đầu vào / $3.20 đầu ra trên một triệu token), vì vậy đối với các ngữ cảnh dài, tổng chi phí có thể tăng nhanh. Không có thông tin nào được cung cấp về độ trễ dưới tải, vì vậy bạn nên đo điểm chuẩn với trường hợp sử dụng cụ thể của mình. Ngoài ra, giống như tất cả các mô hình ngôn ngữ khác, GLM 5 có thể tạo ra nội dung không chính xác hoặc ảo giác, đặc biệt là trong các tình huống suy luận phức tạp ngoài phân phối huấn luyện của nó.
GLM 5 có giá $1,00 cho mỗi 1 triệu token đầu vào và $3,20 cho mỗi 1 triệu token đầu ra. Đây là mức giá nhà cung cấp do Z.ai đặt ra. OrcaRouter truyền các mức giá này mà không có bất kỳ khoản phụ phí nào, vì vậy bạn trả chính xác giá của nhà cung cấp. Token được đếm bằng phương pháp token hóa tiêu chuẩn (khoảng 0,75 từ trên mỗi token đối với tiếng Anh). Token đầu vào bao gồm lời nhắc và bất kỳ thông báo hệ thống nào; token đầu ra là phản hồi do mô hình tạo ra. Không có khoản phí riêng cho các lệnh gọi API hoặc tính năng đặc biệt trừ khi được nhà cung cấp chỉ rõ. Giá được tính theo từng token, do đó chi phí tăng tuyến tính theo mức sử dụng.
Bởi vì GLM 5 tính phí theo token, tổng chi phí phụ thuộc vào cả độ dài prompt và độ dài sinh. Đối với một tương tác điển hình với 10,000 token đầu vào và 5,000 token đầu ra, chi phí sẽ là (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026 mỗi lần gọi. Đối với các tác vụ sử dụng toàn bộ ngữ cảnh, như 200,000 token đầu vào và 128,000 token đầu ra, chi phí sẽ là $0.20 + $0.4096 = $0.6096 mỗi lần gọi. Nếu trường hợp sử dụng của bạn không yêu cầu các mức cực đoan như vậy, một mô hình rẻ hơn với ngữ cảnh nhỏ hơn có thể tiết kiệm hơn. OrcaRouter cho phép bạn so sánh chi phí giữa các mô hình trước khi triển khai.
Thông tin được cung cấp không đề cập đến bộ nhớ đệm (caching) hay chiết khấu theo khối lượng cho GLM 5 thông qua OrcaRouter. Giá được tính theo token với mức giá tiêu chuẩn của nhà cung cấp. Nếu bạn cần tiết kiệm chi phí cho khối lượng sử dụng lớn, hãy cân nhắc xem một mô hình khác hoặc một triển khai chuyên dụng có thể mang lại lợi ích hay không. Chính sách không tính thêm phí của OrcaRouter có nghĩa là bạn trả cùng mức giá như khi gọi trực tiếp Z.ai, không có bất kỳ khoản phí nền tảng nào. Đối với các thỏa thuận chiết khấu cụ thể, bạn cần thương lượng với Z.ai hoặc kiểm tra các chương trình khuyến mãi. Theo tiêu chuẩn, bộ nhớ đệm không được mô tả, vì vậy hãy giả định mỗi lần suy luận sẽ được tính phí riêng lẻ.
Để sử dụng GLM 5, hãy gửi yêu cầu đến điểm cuối API tương thích với OpenAI của OrcaRouter. Đặt base URL thành https://api.orcarouter.ai/v1. Trong phần thân yêu cầu, chỉ định ID mô hình là "z-ai/glm-5". Bạn có thể sử dụng bất kỳ SDK OpenAI nào hoặc bất kỳ HTTP client nào hỗ trợ điểm cuối chat completions. Ví dụ sử dụng 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"}]). Hỗ trợ streaming, function calling và các tham số khác tương tự schema của OpenAI.
GLM 5 hỗ trợ tất cả các tham số tiêu chuẩn của định dạng chat completions của OpenAI. Bạn có thể thiết lập temperature (0-2), top_p, max_tokens (tối đa 128.000), stop sequences, frequency_penalty, presence_penalty, stream (boolean), và tools/functions cho function calling. Giới hạn cửa sổ ngữ cảnh là tổng cộng 200.000 token, bao gồm cả tin nhắn và bất kỳ system prompt nào. Nếu đầu vào vượt quá giới hạn này, bạn phải cắt bớt hoặc chia nhỏ ngữ cảnh. OrcaRouter không tự động cắt bớt; yêu cầu sẽ thất bại nếu số lượng token vượt quá giới hạn. Hãy sử dụng số đếm của tokenizer để đảm bảo tuân thủ.
Việc chuyển đổi sang OrcaRouter bao gồm thay đổi URL cơ sở và ID mô hình. Nếu trước đây bạn sử dụng endpoint OpenAI với mô hình "gpt-4o", bạn sẽ thay thế URL cơ sở bằng https://api.orcarouter.ai/v1 và đặt mô hình thành "z-ai/glm-5". Không cần thay đổi mã nào khác nếu bạn đã sử dụng định dạng chat completions của OpenAI. Đảm bảo API key của bạn hợp lệ cho OrcaRouter. Kiểm tra bằng một yêu cầu nhỏ để xác minh kết nối và mô hình phản hồi như mong đợi. Lưu ý rằng việc đếm token có thể khác nhau một chút do tokenizer dành riêng cho mô hình, nhưng API xử lý điều đó một cách minh bạch.
Nếu tổng số token kết hợp của đầu vào (tin nhắn hệ thống, lịch sử hội thoại, lời nhắc người dùng) vượt quá 200,000 token, API sẽ trả về lỗi cho biết độ dài ngữ cảnh đã vượt quá giới hạn. Bạn phải giảm kích thước đầu vào. Tương tự, nếu bạn đặt max_tokens trên 128,000, yêu cầu sẽ bị giới hạn ở đầu ra tối đa của mô hình; API sẽ từ chối tham số hoặc giới hạn nó ở mức tối đa. Tốt nhất nên kiểm tra số lượng token theo chương trình trước khi gửi các tải trọng lớn. OrcaRouter không tự động cắt ngắn lời nhắc, vì vậy bạn phải tự quản lý độ dài ngữ cảnh.
Cửa sổ ngữ cảnh 200.000 token và đầu ra tối đa 128.000 token của GLM 5 nằm trong số lớn nhất hiện có. Điều này so sánh thuận lợi với nhiều mô hình mã nguồn đóng chỉ cung cấp ngữ cảnh 128K hoặc 32K. Điểm τ²-Bench 98.2 của nó cao, cho thấy hiệu suất tác nhân mạnh mẽ. Tuy nhiên, giá cao hơn một số nhà cung cấp thay thế; ví dụ, một mô hình có dung lượng token tương tự nhưng chi phí trên mỗi token thấp hơn có thể kinh tế hơn khi sử dụng nhiều. GLM 5 chỉ hỗ trợ văn bản, trong khi một số đối thủ hỗ trợ đầu vào đa phương thức. Không có dữ liệu điểm chuẩn khác từ các sự kiện được cung cấp, không thể so sánh chất lượng trực tiếp trên các tác vụ NLP.
Bạn có thể chọn GLM 5 nếu cần cửa sổ ngữ cảnh lớn hơn so với các mô hình tiêu chuẩn của OpenAI (thường là 128K token). GLM 5 cung cấp ngữ cảnh 200K và đầu ra 128K, có thể xử lý các đầu vào dài hơn mà không bị cắt bớt. Ngoài ra, điểm τ²-Bench 98.2 có thể cao hơn một số mô hình OpenAI trên các benchmark agentic, mặc dù so sánh chính xác phụ thuộc vào điều kiện đánh giá. Nếu chi phí là mối quan tâm chính, hãy so sánh giá trên mỗi token; GLM 5 với giá $1.00/$3.20 trên một triệu token có thể cạnh tranh tùy thuộc vào lựa chọn thay thế. Ngoài ra, nếu bạn muốn sử dụng mô hình Z.ai cho các đặc điểm hiệu suất cụ thể, GLM 5 là một lựa chọn.
So với các mô hình GLM trước đây (như GLM 4), GLM 5 mở rộng cửa sổ ngữ cảnh từ 128K lên 200K token và đầu ra tối đa từ 64K lên 128K token. Điểm τ²-Bench 98.2 có khả năng là một cải tiến, mặc dù điểm số của mô hình cũ không được cung cấp. Giá cả có thể đã thay đổi; các mô hình cũ hơn có thể rẻ hơn trên mỗi token. Nếu tác vụ của bạn phù hợp với ngữ cảnh nhỏ hơn của một mô hình cũ, sử dụng mô hình chi phí thấp hơn có thể tiết kiệm hơn. Tuy nhiên, đối với các tác vụ yêu cầu ngữ cảnh 200K đầy đủ hoặc đầu ra cao hơn, GLM 5 là lựa chọn duy nhất trong dòng. Nâng cấp cũng có thể mang lại cải thiện về chất lượng trong khả năng suy luận và làm theo hướng dẫn.
Dựa trên thông tin được cung cấp, GLM 5 đạt điểm τ²-Bench là 98.2, gần như hoàn hảo trên benchmark đó. Điều này cho thấy nó rất mạnh cho các tác vụ tác nhân tương tự như trong benchmark. Tuy nhiên, điểm benchmark không đảm bảo hiệu suất thực tế và các mô hình khác có thể hoạt động khác trong môi trường cụ thể của bạn. Nếu các tác vụ tác nhân của bạn khớp chặt chẽ với kịch bản τ²-Bench, GLM 5 là một ứng viên xuất sắc. Nhưng nếu tác vụ của bạn liên quan đến các công cụ, ngôn ngữ hoặc ràng buộc khác nhau, bạn nên thử nghiệm nhiều mô hình. OrcaRouter cho phép bạn dễ dàng chuyển đổi giữa các mô hình để so sánh kết quả.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| Đầu ra / 1M tokens | $3.20 |
| Đọc cache / 1M | $0.260 |
| 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_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