下一代智谱旗舰模型，拥有多思维模式和强大的工具调用能力。200K上下文 / 128K最大输出
GLM 5 是由 Z.ai 开发的一款文本模型，可通过 OrcaRouter 的 OpenAI 兼容 API 访问。它接受文本输入，提供 200,000 个 token 的上下文窗口，最大输出可达 128,000 个 token。该模型定价为每百万输入 token 1.00 美元，每百万输出 token 3.20 美元，OrcaRouter 在提供商费率基础上不加价。其在 τ²-Bench 上的…
GLM 5 仅支持文本输入。根据提供的规范，它不接受图像、音频或视频。这使得它成为一个纯语言模型，专为处理书面内容而优化。与模型的所有通信均通过文本令牌进行，输出也是文本形式。如果您的应用程序需要多模态输入，则需要使用其他能够处理图像或其他模态的模型。对于诸如总结转录音频或从图像中提取文本等任务，您需要先将这些输入转换为文本，然后再传递给 GLM 5。
GLM 5 在受益于其大上下文窗口和高输出限制的任务中表现出色。常见用例包括：深入分析冗长的法律合同或监管文件；生成整篇研究论文或书籍的详细摘要；在客户支持聊天机器人中维护跨越数十轮对话的连贯历史；以及执行需要模型引用长提示中多个部分的复杂推理。98.2的τ²-Bench分数表明，它在模拟环境中执行多步骤任务方面尤为强大，例如浏览网站或执行数据录入。
如果您的任务不需要完整的200K上下文或128K输出，那么较小或较便宜的模型可能更具成本效益。例如，简单的问答、短文本分类或单段落生成可以由每令牌成本更低的模型处理。GLM 5的定价为每百万输入令牌1.00美元，每百万输出令牌3.20美元，这比许多紧凑型模型更高。此外，如果您的工作流程涉及非常短的提示和响应，那么大上下文模型的延迟和成本可能不划算。评估您典型的令牌使用情况：如果您始终使用少于32K令牌，那么较小的模型可能就足够了。
GLM 5 通过 OrcaRouter 的 OpenAI 兼容 API 进行访问，该 API 支持流式响应和函数调用。使用该 API 时，可将 stream 参数设置为 true，以增量方式接收令牌，从而减少长输出场景下的感知延迟。函数调用功能允许模型请求工具调用或输出结构化数据。这些功能是 API 的标准特性，但取决于具体模型的支持。根据提供的信息，GLM 5 可使用这些功能。有关实现细节，请参阅 OrcaRouter API 文档。
τ²-Bench 是一个评估AI智能体在模拟环境中完成多步骤任务能力的基准测试。其得分代表在一系列多样化任务（如网页导航、表单填写和信息检索）中的成功率。98.2分意味着GLM 5成功完成了基准测试中98.2%的任务。这是一个非常高的表现，表明该模型能够遵循复杂指令并可靠地执行动作序列。这并不能保证完美的现实世界表现，但表明它对类似结构化任务具有强大的智能体能力。
GLM 5的延迟取决于输入和输出长度，以及Z.ai提供的底层基础设施。OrcaRouter将请求路由到服务提供商的后端，除网络开销外不会增加额外延迟。对于短输入和输出（例如，输入1,000个token，输出500个token），响应时间可能在几秒范围内。对于接近128K最大长度的长生成任务，延迟可能显著增加——通常达到数十秒或更多——因为模型需要处理和生成大量token。流式传输可以减轻感知等待时间。未提供具体延迟数据，因此实际性能应使用代表性工作负载进行测试。
标题基准测试凸显的主要优势是GLM 5在代理任务上的高成功率。τ²-Bench评分达到98.2，表明它能够有效处理多步骤推理和工具使用。此外，其庞大的上下文窗口（200K个token）和最大输出（128K个token）意味着它能在极长文本中保持连贯性，这相较于窗口较小的模型是一项实质性改进。由于未提供其他基准测试评分，因此无法从这些数据中直接比较语言理解或数学等任务的表现。该模型很可能受益于Z.ai的训练方法和规模提升。
GLM 5 是纯文本模型，无法处理图像或其他模态。其在需要多模态理解的任务中表现为零。τ²-Bench 评分虽高，但仅在模拟环境中测得；实际场景中的智能体性能可能存在差异。该模型的每 token 成本相对较高（每百万 token 输入 $1.00 / 输出 $3.20），因此对于长上下文，总成本可能迅速累积。未提供负载下的延迟信息，建议您根据具体用例进行基准测试。此外，与其他语言模型一样，GLM 5 可能生成错误或幻觉内容，尤其是在超出其训练分布的复杂推理场景中。
GLM 5的定价为每100万个输入token $1.00，每100万个输出token $3.20。这些是由Z.ai设定的提供商费率。OrcaRouter以零附加加价传递这些费率，因此您只需支付提供商价格。token使用标准分词方法计数（对于英文，大约0.75个单词对应1个token）。输入token包括提示词和任何系统消息；输出token是模型生成的回复。除非提供商特别说明，否则不存在单独的API调用或特殊功能收费。定价按token计算，因此成本与使用量呈线性关系。
由于GLM 5按token计费，总费用取决于提示长度和生成长度。对于典型的交互，假设输入10,000个token、输出5,000个token，每次调用的费用为 (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026。对于使用完整上下文的场景，比如输入200,000个token、输出128,000个token，每次调用费用为 $0.20 + $0.4096 = $0.6096。如果您的使用场景不需要如此极端的上下文长度，选择上下文较小的更便宜的模型可能更经济。OrcaRouter允许您在部署前跨模型比较费用。
提供的信息中没有提到通过OrcaRouter使用GLM 5的缓存机制或批量折扣。定价按照标准提供商费率按token计费。如果您需要降低高使用量的成本，可以考虑是否更适合使用其他模型或专用部署。OrcaRouter的零加价政策意味着您支付的费用与直接调用Z.ai相同，不收取任何平台费。对于具体的折扣安排，您需要与Z.ai协商或查看是否有任何促销活动。默认情况下，没有描述缓存机制，因此假设每次推理单独计费。
要使用GLM 5，请向OrcaRouter的OpenAI兼容API端点发送请求。将基础URL设置为https://api.orcarouter.ai/v1。在请求体中，将模型ID指定为"z-ai/glm-5"。您可以使用任何OpenAI SDK或任何支持聊天补全端点的HTTP客户端。使用Python的示例：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"}])。对流式传输、函数调用和其他参数的支持与OpenAI schema一致。
GLM 5 支持 OpenAI 聊天补全格式的所有标准参数。您可以设置 temperature（0-2）、top_p、max_tokens（最高 128,000）、停止序列、frequency_penalty、presence_penalty、stream（布尔值）以及用于函数调用的 tools/functions。上下文窗口限制为总共 200,000 个 token，其中包括消息和任何系统提示。如果输入超过此限制，您必须截断或拆分上下文。OrcaRouter 不会自动截断；如果 token 数超过限制，请求将失败。请使用分词器的计数来确保合规。
迁移到OrcaRouter涉及更改基础URL和模型ID。如果您之前使用OpenAI端点且模型为"gpt-4o"，则需要将基础URL替换为https://api.orcarouter.ai/v1，并将模型设置为"z-ai/glm-5"。如果您已在使用OpenAI聊天补全格式，则无需更改其他代码。确保您的API密钥对OrcaRouter有效。通过一个小的请求测试连接性，并验证模型按预期响应。请注意，由于模型特定的分词器，令牌计数可能略有不同，但API会透明处理。
如果输入内容（系统消息、对话历史、用户提示）的合并 token 数超过 200,000 个，API 将返回错误，提示超出上下文长度。您必须减少输入规模。同样，如果将 max_tokens 设置为高于 128,000，请求将被限制为模型的最大输出；API 会拒绝该参数或将其钳制到上限。最好在发送大型负载之前以编程方式检查 token 数。OrcaRouter 不会自动截断提示，因此您需要自行管理上下文长度。
GLM 5 的 20 万令牌上下文窗口和 12.8 万令牌最大输出量属于当前可用的最大规模之一。这优于许多提供 12.8 万或 3.2 万上下文的闭源模型。其 τ²-Bench 分数高达 98.2，表明其强大的代理性能。然而，其定价高于某些替代提供商；例如，对于重度使用场景，拥有相似令牌容量但每令牌成本更低的模型可能更经济。GLM 5 仅支持文本输入，而部分竞争对手支持多模态输入。由于所提供的事实中缺乏其他基准数据，无法直接对自然语言处理任务上的质量进行比较。
如果您需要比OpenAI标准模型（通常为128K令牌）更大的上下文窗口，您可能会选择GLM 5。GLM 5提供200K上下文和128K输出，可以容纳更长的输入而无需截断。此外，τ²-Bench得分为98.2，可能高于某些OpenAI模型在代理基准测试中的表现，但具体比较取决于评估条件。如果成本是主要考虑因素，请比较每个令牌的价格；GLM 5每百万令牌$1.00/$3.20的价格可能根据替代方案具有竞争力。此外，如果您希望使用Z.ai模型以获得特定的性能特征，GLM 5是一个选择。
与早期GLM模型（如GLM 4）相比，GLM 5将上下文窗口从128K提升至200K token，最大输出从64K提升至128K token。τ²-Bench得分98.2很可能有所提升，但未提供旧模型分数。定价可能已调整；旧模型可能每token更便宜。如果任务适配旧模型的较小上下文，使用低成本模型可能更经济。但对于需要完整200K上下文或更高输出量的任务，GLM 5是该系列唯一选择。升级也可能在推理和指令遵循方面带来质量改进。
根据提供的信息，GLM 5 在 τ²-Bench 上取得了 98.2 的分数，接近该基准的满分。这表明它在类似基准测试的代理任务中表现非常出色。然而，基准分数并不能保证实际场景中的表现，其他模型在您的特定环境中可能会有不同的结果。如果您的代理任务与 τ²-Bench 场景高度匹配，GLM 5 是一个极佳的选择。但若您的任务涉及不同的工具、语言或约束条件，建议测试多个模型。OrcaRouter 可让您轻松切换不同模型以对比结果。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| 输出 / 1M tokens | $3.20 |
| 缓存读取 / 1M | $0.260 |
| 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_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