智谱（Z.ai）旗舰开源MoE模型：总参数量355B，活跃参数32B。混合推理（思考/非思考模式），原生工具调用和智能体界面，128K上下文。
GLM-4.5是Z.ai推出的一款纯文本语言模型，可通过OrcaRouter兼容OpenAI的API进行访问。该模型拥有128,000个token的上下文窗口，单次请求最多可输出96,000个token。在数学推理方面表现尤为突出，MATH-500基准测试得分为97.9。其设计面向需要精准文本生成与分析能力的开发者、研究人员及企业用户，尤其适用于定量领域。模型定价透明：每100万输入token收费…
GLM-4.5 在涉及数学推理、逻辑演绎和逐步问题解决的任务中表现出色。它取得了 MATH-500 97.9 分的成绩，表明在多种数学问题上具有高准确性。其他强项应用包括代码生成与解释，特别是针对算法和数学计算。较大的上下文窗口（128K tokens）使其适合处理长文档，如研究论文、法律文本或技术手册。此外，它能处理多轮对话，并引用对话前文内容，前提是整个历史记录在128K限制内。
对于简单的任务，如直接分类、短文本摘要或基础问答，选择较小的模型可能更具成本效益。GLM-4.5的价格为每100万输入token 0.60美元，每100万输出token 2.20美元。如果您的应用不需要完整的128K上下文或强大的数学推理能力，选择每token定价更低的模型可以节省成本。此外，对于多模态应用（例如图像描述或视频分析），GLM-4.5并不适用，因为它只处理文本。在这种情况下，请考虑支持视觉或音频输入的模型。
是的，GLM-4.5 可以生成代码，尤其是在涉及数学计算或算法逻辑的问题上。其 MATH-500 的高分（97.9）表明它在数值与逻辑推理方面表现出色，这使其能生成准确的语言代码，如 Python、Java 或 C++。大上下文窗口使其在生成代码时能够考虑完整的代码库或长篇文档。然而，它的主要优势在于推理而非语法密集型任务。对于需要深入理解特定框架或库的任务，专门的代码模型可能更为合适。
128K上下文窗口意味着GLM-4.5可以在单次请求中处理多达约96,000个单词（或128,000个子词令牌）。这对于涉及长文档、长对话或在一个提示中进行大规模数据分析的任务非常有利。该模型能够在此长上下文中保持连贯性，这对于长文本摘要、长文本问答以及多步推理至关重要。然而，实际有效上下文长度可能因内容复杂程度而有所不同。用户应结合具体使用场景进行测试，以确保在窗口上限附近保持一致的性能表现。
MATH-500是一个包含500道数学题的基准测试，题目涵盖从基础算术到高级竞赛题的不同难度等级。得分97.9意味着GLM-4.5正确回答了其中97.9%的问题，这表明其数学推理能力非常强大。该模型可能采用了严谨的逐步推理来得出答案。用户应注意，此基准测试仅测试纯数学能力，可能无法反映在创意写作或开放式对话等其他任务上的表现。它是评估面向STEM应用的模型的一个有用指标。
Z.ai 并未公开发布 GLM-4.5 的精确速度与延迟数据。实际性能取决于请求大小、输出长度、网络状况和服务器负载等因素。通过 OrcaRouter，用户可以预期此类规模模型的典型延迟。作为一款仅支持文本、上下文窗口为 128K 的模型，延迟可能随输入长度成比例增加。流式输出可用于缩短用户感知的首个 Token 到达时间。对于实时应用，建议使用典型工作负载进行负载测试。OrcaRouter 的基础设施专为可靠的 API 访问而设计，但具体速度基准应在您自己的环境中测量。
GLM-4.5的主要优势在于数学推理，其在MATH-500上取得了97.9分的成绩。它还高效处理长上下文（128K tokens），适用于文档级任务。该模型每次输出最多可生成96K tokens，这对于长篇幅回答或多步骤推理链非常有用。在其性能级别中，定价具有竞争力。此外，它通过OrcaRouter的OpenAI兼容API进行访问，使得熟悉该生态系统的开发者能够轻松集成。该模型为纯文本模型，在不需要视觉或音频功能时可简化部署。
GLM-4.5 不支持文本以外的任何输入形式，无法处理图像、音频或视频。其训练数据和设计主要聚焦于推理与数学，因此在创意性或主观性任务上的表现可能不及通用模型。MATH-500 基准测试虽然表现出色，但评估范围较为狭窄：该模型在其他基准（如编码、逻辑、真实性）上的性能并未提供。此外，与所有大型语言模型一样，它在模糊或分布外的输入上可能产生错误或幻觉。对于关键应用场景，用户应验证输出结果。较大的上下文窗口可能导致超长提示词的延迟和成本增加。
GLM-4.5的定价为每100万输入代币0.60美元，每100万输出代币2.20美元。这是来自Z.ai的提供商费率，OrcaRouter不增加任何加价。计费基于用量：您只需为消耗的代币付费。输入代币包括提示和任何系统消息；输出代币由模型生成。一个代币大约相当于0.75个英文字词。对于一个典型的请求，包含10,000个输入代币和5,000个输出代币，成本计算为(0.60 * 0.01) + (2.20 * 0.005) = 0.006 + 0.011 = 0.017美元。这种透明的定价便于轻松估算成本。
基于其定价结构，GLM-4.5 对于受益于其高数学推理能力和长上下文的应用来说最具成本效益。对于简单任务，更便宜的模型可能就足够了，从而降低运营成本。128K 的上下文窗口增加了每次请求的 token 使用量，如果不加以优化，可能会增加成本。为了控制开支，请考虑将提示词截断到必要长度，并使用输出长度限制。此外，由于 OrcaRouter 不收取加价，其成本与提供商定价高度一致。如果您重复使用常见的提示词片段，缓存可以进一步降低成本，但具体的缓存策略取决于您使用 OrcaRouter 的实现方式。
OrcaRouter 本身不为 GLM-4.5 请求提供原生缓存功能。缓存通常需要在客户端实现。例如，你可以存储相同提示词的响应以避免重复计费。或者，你可以设计应用程序，尽可能复用上下文。由于 GLM-4.5 按 token 计费，对于请求量大的应用，缓存可以显著降低成本，尤其是当许多请求共享相似前缀（如系统指令）时。如果你需要服务器端缓存，可以考虑使用 OrcaRouter 的批处理或提示缓存功能（如果可用），具体请查阅其文档。
GLM-4.5 每次请求最多支持 96,000 个输出 token。这个数值异常高，如果生成较长的回复，可能会导致每次请求的成本增加。例如，生成 96,000 个输出 token，每次请求的成本为 96,000/1,000,000 * $2.20 = $0.2112。虽然这允许生成非常长的内容，但除非任务确实需要长输出，否则使用 'max_tokens' 参数限制输出长度可能更经济实惠。预算敏感的用户应设置合适的限制。输入和输出的 token 数量将分别按各自费率累加计费。
您通过OrcaRouter的OpenAI兼容API访问GLM-4.5。将基础URL设置为https://api.orcarouter.ai/v1。在请求中使用模型ID "z-ai/glm-4.5"。该API接受标准的OpenAI参数，例如'prompt'、'max_tokens'、'temperature'等。例如，聊天补全调用将使用端点/v1/chat/completions。身份验证需要OrcaRouter提供的API密钥。该API行为与OpenAI API一致，因此现有代码只需更改基础URL和模型名称即可轻松迁移。有关身份验证的详细信息，请参阅OrcaRouter的文档。
常见参数包括：'model'（设置为 "z-ai/glm-4.5"），'messages'（包含 role 和 content 的字典列表），'max_tokens'（最多 96000），'temperature'（控制随机性，默认未指定），'top_p'（核采样），'stream'（布尔值），以及 'stop'（停止生成的序列）。GLM-4.5 支持 OpenAI 聊天补全格式。并非所有高级参数（如 logprobs 或工具调用）都受支持；请测试您的用例。如需设置频率或存在惩罚，请查阅 OrcaRouter 的文档以了解兼容性。该模型接受系统消息以设置行为。
迁移非常简单。将代码的基础URL更新为https://api.orcarouter.ai/v1，并将模型名称替换为"z-ai/glm-4.5"。确保您拥有有效的OrcaRouter API密钥。请求和响应格式与OpenAI的完全相同。除非您之前使用了OrcaRouter不支持的特定模型功能，否则无需更改提示结构或参数。先用小批量测试以确认行为。如果您之前使用流式传输，相同的流式端点同样适用。OrcaRouter的文档提供了常见问题的故障排除步骤。
GLM-4.5的速率限制和使用配额由OrcaRouter根据您的账户层级决定。典型的速率限制以每分钟请求数（RPM）和每分钟令牌数（TPM）衡量。对于高用量场景，您可能需要申请更高的限制。OrcaRouter的API返回标准的HTTP状态码（例如，429表示达到速率限制）。建议在客户端中实现指数退避机制。所提供的信息中未提及严格的配额限制；如需了解具体限制，请联系OrcaRouter支持。模型的上下文窗口和输出长度是按请求的限制，而非周期性执行。
GLM-4.5在MATH-500上取得了97.9分，在数学推理方面跻身顶尖模型行列。该基准测试中许多模型得分为80多或90多分，因此97.9分相当高。不过，这一比较仅局限于一个基准。在其他指标（例如通用语言理解、编程）上，性能可能有所不同。GLM-4.5仅支持文本，而某些竞争对手支持视觉功能。其上下文窗口（128K）大于许多提供32K或64K的模型。定价在其层级中具有竞争力。专注于数学的用户可能会偏好GLM-4.5，但仍应根据具体任务进行评估。
价格更低的模型可能具有较小的上下文窗口（例如4K-8K）和较低的基准评分。如果您的任务简单且需要低延迟，那么价格较低的模型可能更具性价比。例如，定价为每百万token 0.15美元/0.60美元的模型可能足以完成基本的摘要任务。GLM-4.5的优势在于其强大的数学推理能力和长上下文支持，但代价是更高的每token成本。您需要根据典型使用模式计算总成本。如果您的应用要求精确的数学推理或处理长文档，那么较高的成本可能是合理的。
几家提供商都提供具有相似上下文窗口的模型。GLM-4.5 的定价（$0.60/$2.20）处于中档水平。一些具有128K上下文的模型可能在每token上更便宜，但数学得分较低。其他模型可能更贵。GLM-4.5 的MATH-500得分为97.9，异常高。所提供的资料中未提及其他基准分数，因此无法进行全面比较。对于需要高数学性能和长上下文的用户，GLM-4.5 是一个有力候选。然而，对于创意写作或多样性，其他模型可能更合适。务必使用你自己的特定数据进行测试。
OrcaRouter 提供统一的 OpenAI 兼容 API，无需管理基础设施即可访问 GLM-4.5。定价透明，供应商费率无加价。您可获得与 Z.ai 托管的相同模型，但通过 OrcaRouter 网关，该网关可能提供额外功能，如负载均衡、缓存或回退选项（请查阅 OrcaRouter 文档）。API 标准化，便于在目录中迁移至其他模型。OrcaRouter 负责处理身份验证和速率限制。如果您已在 OrcaRouter 上使用其他模型，添加 GLM-4.5 只需更改模型名称。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 输入 / 1M tokens | $0.600 |
| 输出 / 1M tokens | $2.20 |
| 缓存读取 / 1M | $0.110 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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