GLM-4.5 的紧凑型 MoE 姊妹模型：总参数量 1060 亿 / 激活参数量 120 亿。沿用相同的混合推理与工具调用栈，专为高吞吐、低成本推理调优。支持 128K 上下文。
GLM 4.5 Air 是由 Z.ai 开发的文本生成语言模型。它提供 128,000 个 token 的上下文窗口，并能在单次响应中生成最多 96,000 个 token。该模型针对数学和逻辑推理任务进行了优化，在 MATH-500 基准测试中取得了 96.5 分。它只能通过 OrcaRouter 兼容 OpenAI 的 API 访问，无需除标准 API 密钥外的特殊凭证。模型 ID 为…
GLM 4.5 Air专注于文本生成，特别注重推理能力，在MATH-500上取得了96.5分的成绩，这体现了其在数学问题求解方面的突出表现。它能处理复杂的多步骤指令，生成连贯的长篇文本（最长可达96,000个token），并在128,000个token的上下文中保持一致性。其能力包括回答事实性问题、总结长文档、进行语言翻译、执行逻辑推理以及编写代码。该模型旨在遵循详细提示并生成结构化输出。凭借其大上下文窗口，它可以处理整本书籍、长篇报告或长对话记录。然而，它是一个纯文本模型，无法处理图像或其他媒体。对于不需要推理或长输出的任务，使用更小或更便宜的模型可能就足够了。
GLM 4.5 Air 的最佳用例涉及那些能够受益于其大上下文窗口和高输出限制的任务。例如：分析和总结长篇幅学术论文、生成详细的技术文档、逐步解决复杂数学问题、创建全面的学习指南，以及处理大量用户日志或聊天记录。该模型在处理需要理解长代码文件或生成大型代码库的编码任务时也表现出色。由于其定价结构——每百万Token输入0.20美元、输出1.10美元——在输入成本低于输出的场景中具有成本效益。需要输出大量Token的应用，如撰写长篇内容或生成多个推理步骤，与输出Token成本较高的模型相比，可能更为经济。
虽然GLM 4.5 Air具备强大的推理能力和大上下文，但对于简单任务而言可能有些大材小用。当任务不需要其完整的上下文窗口或输出限制时，建议考虑使用更便宜、更小的模型。例如，若需快速分类、简单翻译或生成简短答案，选择令牌成本更低的模型会更经济。此外，如果应用不涉及数学推理或长文本生成，那么为GLM 4.5 Air的能力支付溢价可能并不合理。该模型的输出成本（每百万令牌$1.10）高于其输入成本，因此生成大量输出的任务（例如基于短输入生成长摘要）可能比输出成本较低的替代模型更昂贵。请务必针对具体使用场景权衡能力与成本。
MATH-500基准测试评估模型在不同难度级别下解决数学问题的能力，涵盖代数、几何、数论等多个领域。96.5的得分表明GLM 4.5 Air在测试集中正确回答了96.5%的问题。这体现出其强大的数学推理能力，达到或超越了同类模型的水平。但这一成绩并不保证在所有数学问题上都表现完美，尤其是当问题超出基准测试的分布范围时。用户应将此得分视为模型在符号推理和逐步解题方面能力的参考指标。该基准测试未衡量其他重要能力，如创造性、常识判断或事实准确性。对于非数学任务，其他基准测试能提供更具参考价值的对比。
OrcaRouter上GLM 4.5 Air的具体延迟数据未提供。一般来说，响应速度取决于输入和输出令牌长度、服务器负载以及网络状况等因素。具有较大上下文窗口和输出限制的模型在生成长响应时可能会表现出更长的处理时间。由于GLM 4.5 Air最多可输出96,000个令牌，生成最大输出所需的时间将远长于短响应。OrcaRouter的API基础设施旨在最小化开销，但实际速度会有所变化。对于对低延迟要求较高的应用，建议使用较小的模型或较短的输出长度。该模型在MATH-500上的表现表明其推理效率较高，但实时应用应在预期负载下进行测试。
优势：数学推理能力强（MATH-500得分96.5）。128K的大上下文窗口可处理长文本。最大输出96,000个token，能生成完整文档。OrcaRouter采用零加价定价，成本透明。局限：仅支持文本模态，无法处理图像、音频或视频。高输出成本（每100万token 1.10美元）可能会让需要频繁生成超长响应的应用望而却步。未提供其他领域（如通用知识、代码生成）的基准测试分数，因此整体通用性未知。与所有语言模型一样，可能产生错误或有偏见的输出。默认情况下不具备互联网访问或实时知识。对于关键应用，用户应验证输出结果。
GLM 4.5 Air 的定价按提供商费率计费，在 OrcaRouter 上不加价。成本为每 100 万输入标记 0.20 美元，每 100 万输出标记 1.10 美元。输入标记包括提示中的所有文本（系统、用户以及最后一次回复之前的助手消息）。输出标记为生成的文本。无额外费用或平台附加费。您只需支付提供商费率。这种透明的定价模式使您能够根据标记用量预测成本。计费通常基于每次 API 调用所消耗的标记数量。OrcaRouter 可能应用缓存策略；请查阅平台文档，了解相同输入的重复调用是否享有折扣。
主要的权衡在于能力与成本之间。GLM 4.5 Air提供高输出限制和强大的推理能力，但其输出token成本（每1M输出$1.10）相对较高。对于需要从短输入生成大量输出token的任务，成本会迅速累积。相反，输入大但输出短的任务则受益于较低的输入成本（每1M输入$0.20）。OrcaRouter上的零加价定价意味着您无需在供应商费率之外支付额外费用，但仍需管理token使用量。如果您的应用主要需要简洁的回复，那么输出成本更低的模型可能更经济。对于需要长输出或大量推理的应用，GLM 4.5 Air尽管输出成本较高，但其性能使其仍具成本效益。
OrcaRouter 可能实现缓存策略，以降低重复相同输入令牌的成本。GLM 4.5 Air 的具体折扣详情尚未提供。通常，缓存折扣适用于之前已处理过的提示令牌，从而降低有效输入成本。用户应参考 OrcaRouter 的文档或支持渠道来确认当前的缓存实践。由于基础输入成本已经很低，仅为每 100 万令牌 0.20 美元，缓存可以进一步降低具有重复提示的应用的成本。输出令牌通常不会被缓存，因为它们随每次调用而变化。请务必直接与 OrcaRouter 核实最新计费条款，以了解可用的任何折扣或促销活动。
要使用GLM 4.5 Air，请向OrcaRouter兼容OpenAI的API端点发送HTTP请求：https://api.orcarouter.ai/v1。在Authorization标头中包含有效的API密钥。在请求正文中将模型指定为"z-ai/glm-4.5-air"。该API支持标准的OpenAI聊天补全参数：messages（包含role和content的对象数组）、temperature、max_tokens、top_p、stop、frequency_penalty、presence_penalty等。例如，将"max_tokens"设为最高96000可使用完整输出容量。API返回包含生成补全内容的JSON响应。通过设置"stream": true支持流式输出。确保您的客户端库使用正确的基URL和模型名称。OrcaRouter的API与OpenAI的客户端SDK兼容，因此迁移非常简单。
GLM 4.5 Air 通过 OrcaRouter 的 OpenAI 兼容 API 支持一系列参数。必填项：model（"z-ai/glm-4.5-air"）和 messages。可选参数包括：temperature（0.0 到 2.0，默认 1.0），用于控制随机性；top_p（0.0 到 1.0），用于核采样；max_tokens（最大 96000），用于限制输出长度；stop（停止生成的序列列表）；frequency_penalty 和 presence_penalty（均为 -2.0 到 2.0），用于惩罚 token 重复；以及 stream（布尔值），用于实时 token 传输。上下文窗口为 128000 个 token，因此请确保 messages 中的总 token 数加上生成的输出不超过该限制；否则，请求将被截断或拒绝。OrcaRouter 可能还支持其他参数，如 logit_bias 或 user；请查阅文档。始终参考最新的 API 参考文档以获取确切细节。
如果你已经在使用兼容 OpenAI 的 API，那么迁移到 OrcaRouter 上的 GLM 4.5 Air 非常简单。将基础 URL 改为 https://api.orcarouter.ai/v1，模型名称替换为 "z-ai/glm-4.5-air"，并使用你的 OrcaRouter API 密钥。如果使用标准参数，则无需对请求结构做其他更改。响应格式与 OpenAI 的聊天补全完全相同。如果你是从非 OpenAI 平台迁移，则需要调整代码以使用聊天补全格式。OrcaRouter 还支持函数调用和工具使用，但并非所有模型都支持；请检查 GLM 4.5 Air 是否支持这些功能。先用小请求进行测试，以验证行为和成本。OrcaRouter 采用基于信用额度的计费方式，因此请确保在迁移前有足够的余额。
在OrcaRouter的产品目录中，GLM 4.5 Air因其大上下文窗口（128K）、高输出限制（96K）以及强大的数学推理能力（MATH-500得分96.5）而脱颖而出。与较小的模型相比，它提供了更深入的推理能力，但每个输出token的成本更高。与更大或前沿的模型相比，它可能在通用知识广度或多模态能力上有所欠缺，但对于纯文本、推理密集型任务而言更具成本效益。零加价定价使其在能力相似的模型中具有竞争力，因为其他模型可能包含平台费用。对于不需要数学运算或长输出的应用，存在更便宜的替代方案。对于需要多模态输入的任务，其他具备图像处理能力的模型更为合适。总体而言，它定位为一款专用推理引擎，并拥有慷慨的token限制。
GLM 4.5 Air 是 Z.ai 的 GLM-4 系列的一个变体。虽然未提供具体对比，但“Air”这一名称通常意味着相较于基础 GLM-4 模型更为轻量或成本更优的版本。它可能在性能上有所妥协以换取更低的延迟或成本，不过 MATH-500 得分 96.5 表明其仍保留了强大的推理能力。上下文窗口（128K）和输出限制（96K）相当充裕，可能大于早期的 GLM-4 迭代。定价（每 1M tokens $0.20/$1.10）具有竞争力。在没有直接基准测试对比的情况下，用户应针对具体任务对两个模型进行测试。主要差异可能体现在速度、效率，或者训练数据的略微不同。OrcaRouter 可能提供其他定价不同的 GLM-4 模型；请比较 token 成本和性能以选择最适合的方案。
GLM 4.5 Air 是 Z.ai 的专有模型，并非开放权重。与 Llama 或 Mistral 等开放权重模型相比，它的优势在于由 OrcaRouter 托管和管理，无需自托管开销。其定价按 token 计费，而开放模型则需要计算基础设施成本。MATH-500 得分较高，但开放模型可能有不同优势（例如更广泛的知识）。上下文窗口（128K）较大，但部分开放模型也提供类似或更大的上下文。96K token 的输出限制异常高，远超大多数开放模型通常的 4K-32K 上限。对于需要超长生成内容但不想管理基础设施的用户，GLM 4.5 Air 非常便捷。而对于需要定制化或数据主权的用户，开放权重模型可能更合适。
GLM 4.5 Air 仅支持文本，因此无法处理图像、音频或视频。如果你的应用需要理解视觉内容（例如分析图表、识别手写文字、解释照片），则需要多模态模型，例如 GPT-4V 或 Claude 3。同样，它无法生成图像或语音。对于需要结合文本和图像推理的任务，多模态模型是必不可少的。GLM 4.5 Air 的优势纯粹在于文本推理和生成。用户应评估自己的使用场景是否真正需要多模态输入，还是纯文本即可满足需求。如果纯文本足够，那么对于推理密集型任务，GLM 4.5 Air 可能比多模态模型更具成本效益，因为多模态模型通常收取更高的 Token 费用，并且可能包含未使用的视觉能力。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-4.5-air",
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 | $0.200 |
| 输出 / 1M tokens | $1.10 |
| 缓存读取 / 1M | $0.030 |
| 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_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