智譜 (Z.ai) 旗艦開源 MoE：總參數 355B / 活躍 32B。混合推理（思考 / 非思考模式），原生工具調用與智能體介面，128K 上下文。
GLM-4.5 是 Z.ai 推出的純文字語言模型，可透過 OrcaRouter 的 OpenAI 相容 API 存取。它提供 128,000 個代幣的上下文窗口，每次請求最多可輸出 96,000 個代幣。該模型在數學推理方面特別強大，MATH-500 基準測試得分 97.9…
GLM-4.5在涉及數學推理、邏輯推導與逐步問題解決的任務中表現優異。其在MATH-500上獲得97.9分，顯示出在各種數學問題上的高度準確性。其他強項應用場景包括程式碼生成與解釋，尤其是針對演算法與數學計算。其大上下文視窗（128K tokens）使其適合處理長篇文件，例如研究論文、法律文本或技術手冊。此外，只要整個對話歷史不超過128K的限制，它也能處理需要參考先前對話內容的多輪對話。
對於像簡單分類、短文本摘要或基本問答這類簡單任務，使用較小的模型可能更具成本效益。GLM-4.5 的定價為每 1M 輸入 tokens 0.60 美元，每 1M 輸出 tokens 2.20 美元。如果您的應用不需要完整的 128K 上下文或強大的數學推理能力，選擇每個 token 定價更低的模型可能有助於節省成本。此外，對於多模態應用（例如圖像描述或影片分析），GLM-4.5 並不適用，因為它僅能處理文字。在這種情況下，請考慮支援視覺或音訊輸入的模型。
是的，GLM-4.5 可以生成程式碼，特別適合涉及數學計算或演算法邏輯的問題。其高 MATH-500 分數（97.9）顯示其在數值和邏輯結構上的推理能力，這能轉化為在 Python、Java 或 C++ 等語言中準確的程式碼輸出。大上下文視窗讓模型在生成程式碼時能考慮完整的程式碼庫或長篇文件。然而，它的主要優勢在於推理而非語法密集型任務。對於需要特定框架或函式庫深度知識的任務，專業程式碼模型可能更合適。
128K 的上下文視窗代表 GLM-4.5 可以在單次請求中處理約 96,000 個單詞（或 128,000 個子詞 token）。這對於需要處理長篇文件、長時間對話或單一提示中進行大規模數據分析的任務特別有利。該模型能夠在如此長的上下文中保持連貫性，這對於摘要生成、長文本問答以及多步驟推理至關重要。然而，實際的有效上下文長度可能會因內容的複雜度而有所差異。使用者應根據自身的具體應用場景進行測試，以確保在視窗上限仍能維持穩定的表現。
MATH-500 是一個由 500 道數學問題組成的基準測試，涵蓋從基礎算術到高階競賽題型的各種難度。97.9 的分數代表 GLM-4.5 正確回答了其中 97.9% 的問題，這顯示出極強的數學推理能力。該模型可能採用了嚴謹的逐步推理方式來得出答案。使用者應注意，此基準測試僅評估純數學能力，不一定能反映其他任務（如創意寫作或開放式對話）的表現。它是一項評估專為 STEM 應用設計模型的有用指標。
GLM-4.5 的確切速度與延遲數據並未由 Z.ai 公開提供。效能取決於請求大小、輸出長度、網路條件及伺服器負載等因素。透過 OrcaRouter，使用者可預期此規模模型的一般延遲表現。作為僅支援文字且具備 128K 上下文的模型，延遲可能隨輸入長度等比增加。支援串流輸出以減少感知上的首個 Token 延遲。若應用需要即時回應，建議以實際工作負載進行負載測試。OrcaRouter 的基礎架構旨在提供穩定的 API 存取，但具體速度基準應在您自身的環境中量測。
GLM-4.5 的主要優勢在於數學推理能力，其在 MATH-500 上獲得 97.9 分即可證明。它也能有效處理長上下文（128K tokens），適合用於文件層級的任務。該模型每次輸出最多可生成 96K tokens，對於長篇回覆或多步驟推理鏈相當實用。以其效能等級而言，定價具有競爭力。此外，可透過 OrcaRouter 的 OpenAI 相容 API 存取，讓已熟悉該生態系的開發者能輕鬆整合。此模型僅支援文字，在不需要視覺或音訊功能時可簡化部署。
GLM-4.5 僅支援文字輸入，無法處理圖片、音訊或影片。其訓練資料與設計專注於推理與數學，因此在創意或主觀任務上，表現可能不如通用型模型。MATH-500 基準測試的成績雖然亮眼，但評估範圍狹窄：該模型在其他基準測試（例如程式碼、邏輯、事實性）的表現並未提供。此外，與所有大型語言模型一樣，GLM-4.5 可能會產生錯誤或幻覺，特別是在處理模糊或分佈外輸入時。使用者應驗證輸出結果，以確保關鍵應用的可靠性。較大的上下文視窗可能導致極長提示的延遲與成本增加。
GLM-4.5 的定價為每100萬輸入代幣0.60美元，每100萬輸出代幣2.20美元。這是來自 Z.ai 的供應商費率，OrcaRouter 不加成。計費方式按用量計算：你只需為使用的代幣付費。輸入代幣包括提示詞和任何系統訊息；輸出代幣由模型生成。一個代幣大約相當於0.75個英文字詞。以一個典型的請求為例，有10,000個輸入代幣和5,000個輸出代幣，成本將為 (0.60 * 0.01) + (2.20 * 0.005) = $0.006 + $0.011 = $0.017。這種透明的定價方式便於估算成本。
考慮到其定價結構，GLM-4.5 對於需要高效數學推理與長上下文處理的應用最具成本效益。對於簡單任務，較便宜的模型可能已足夠，有助於降低營運成本。128K上下文窗口會增加每次請求的Token使用量，若未最佳化，可能導致成本上升。為管理支出，建議將提示截斷至必要長度，並設定輸出長度限制。此外，由於OrcaRouter不加收任何費用，成本幾乎直接反映提供者定價。若您重複使用常見提示片段，快取功能可進一步降低成本，但具體快取策略取決於您與OrcaRouter的實作方式。
OrcaRouter 本身並未提供針對 GLM-4.5 請求的快取功能。快取通常是在客戶端實作。舉例來說，你可以儲存相同提示詞的回應，以避免重複計費。或者，你也可以設計應用程式盡可能重複使用上下文。由於 GLM-4.5 是按 token 計費，對於高請求量的應用程式，快取能顯著降低成本，特別是當許多請求共用相似前綴（例如系統指令）時。如果你需要伺服器端快取，可考慮使用 OrcaRouter 的批次或提示詞快取功能（若有的話），詳情請查閱其文件。
GLM-4.5 每個請求最多支援 96,000 個輸出 token。這數值異常地高，若生成較長的回應，可能導致每個請求的成本上升。例如，生成 96,000 個輸出 token 的費用為 96,000/1,000,000 * $2.20 = $0.2112 每個請求。雖然這允許極長的生成內容，但除非任務確實需要長輸出，否則使用 'max_tokens' 參數限制輸出長度可能更經濟。注重預算的使用者應設定適當的限制。輸入和輸出 token 的數量會分別加總，並依各自的費率計費。
您可透過 OrcaRouter 的 OpenAI 相容 API 存取 GLM-4.5。將基礎 URL 設定為 https://api.orcarouter.ai/v1。在您的請求中使用模型 ID "z-ai/glm-4.5"。該 API 接受標準的 OpenAI 參數，例如 'prompt'、'max_tokens'、'temperature' 等。例如，聊天補全呼叫應使用端點 /v1/chat/completions。驗證需要來自 OrcaRouter 的 API 金鑰。該 API 的行為與 OpenAI API 相同，因此現有程式碼只需更改基礎 URL 和模型名稱即可輕鬆遷移。有關驗證詳細資訊，請參閱 OrcaRouter 的文件。
常见参数包括：'model'（设定为 "z-ai/glm-4.5"）、'messages'（包含 role 和 content 的字典列表）、'max_tokens'（最高 96000）、'temperature'（控制随机性，默认值未指定）、'top_p'（核采样）、'stream'（布尔值）以及 'stop'（停止生成的序列）。GLM-4.5 支援 OpenAI 聊天完成格式。并非所有进阶参数（如 logprobs 或工具呼叫）都可能获得支援；请测试您的使用情境。如果您需要设置频率惩罚或存在惩罚，请查阅 OrcaRouter 的文档以了解相容性。模型接受系统讯息以设定行为。
遷移非常簡單。只需將程式碼中的基礎URL更新為 https://api.orcarouter.ai/v1，並將模型名稱替換為「z-ai/glm-4.5」。請確保你擁有有效的 OrcaRouter API 金鑰。請求和回應格式與 OpenAI 完全相同。除非你之前使用了 OrcaRouter 不支援的模型特定功能，否則無需更改提示結構或參數。先用一個小批次進行測試，確認行為是否符合預期。如果你原本使用串流功能，相同的串流端點也可正常運作。OrcaRouter 的文件提供了常見問題的疑難排解步驟。
GLM-4.5 的速率限制和使用配額由 OrcaRouter 根據您的帳戶等級決定。典型的速率限制以每分鐘請求數 (RPM) 和每分鐘令牌數 (TPM) 來衡量。對於大量使用情況，您可能需要申請更高的限制。OrcaRouter 的 API 會回傳標準的 HTTP 狀態碼（例如 429 表示速率限制）。建議在您的客戶端中實作指數退避。提供的資訊中未提及嚴格的配額；請聯絡 OrcaRouter 支援以獲取具體限制。模型的上下文視窗和輸出長度是每個請求的限制，而非週期性強制執行。
GLM-4.5 在 MATH-500 基準中獲得 97.9 分，使其躋身數學推理表現最佳模型之列。許多模型在此基準上僅得到 80 幾分或 90 出頭，因此 97.9 分相當突出。然而，這項比較僅限於單一基準。在其他指標（例如通用語言理解、程式碼生成）上，表現可能有所不同。GLM-4.5 僅支援文字，而部分競爭對手則支援視覺。其上下文視窗（128K）大於許多僅提供 32K 或 64K 的模型。定價在其層級中具有競爭力。專注於數學的用戶可能偏好 GLM-4.5，但仍應針對自身特定任務進行評估。
較便宜的模型可能具有較小的上下文視窗（例如4K-8K）和較低的基準測試分數。如果您的任務簡單且需要低延遲，那麼較便宜的模型可能更具成本效益。例如，定價為每百萬個Token $0.15/$0.60的模型可能足以應付基本的摘要任務。GLM-4.5的優勢在於其強大的數學推理能力和長上下文支援。其取捨在於每個Token的成本較高。您應根據自身典型使用模式計算總成本。如果您的應用需要準確的數學推理或處理長篇文件，較高的成本或許是值得的。
多家提供商提供相近上下文長度的模型。GLM-4.5的定價（$0.60/$2.20）屬於中階範疇。部分支援128K上下文的模型每Token費用可能更低，但數學成績較差；另一些則可能更貴。GLM-4.5的MATH-500得分高達97.9，表現極為出色。目前提供的資料中未提及其他基準測試分數，因此無法進行全面比較。對於需要高數學性能與長上下文的用戶，GLM-4.5是強力候選。然而，若著重創意寫作或多樣性，其他模型可能更合適。請務必使用自身特定數據進行測試。
OrcaRouter 提供統一的 OpenAI 相容 API 來存取 GLM-4.5，無需管理基礎設施。定價透明，供應商費率無加價。您取得的模型與 Z.ai 託管的相同，但透過 OrcaRouter 的閘道器，可能提供額外功能如負載平衡、快取或備援選項（請參閱 OrcaRouter 的文件）。API 已標準化，因此可輕鬆遷移至目錄中的其他模型。OrcaRouter 處理驗證與速率限制。如果您已在 OrcaRouter 上使用其他模型，只需變更模型名稱即可加入 GLM-4.5。
相容 OpenAI——沿用你現有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 輸入 / 1M tokens | $0.600 |
| 輸出 / 1M tokens | $2.20 |
| 快取讀取 / 1M | $0.110 |
| 貨幣 | USD |
基於標價的估算
僅為估算——實際 Token 數取決於供應商的分詞器。
@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