新一代智谱旗艦，具備多種思考模式與強大的工具調用能力。200K上下文/128K最大輸出。
GLM 5 是由 Z.ai 開發的文字模型，可透過 OrcaRouter 的 OpenAI 相容 API 存取。它接受文字輸入，提供 20 萬個 token 的上下文視窗，最大輸出可達 12.8 萬個 token。該模型的定價為每百萬輸入 token 1.00 美元、每百萬輸出 token 3.20 美元，OrcaRouter 在供應商費率基礎上不加收任何費用。其在 τ²-Bench…
GLM 5 僅支援文字輸入。根據提供的規格，它不接受圖片、音訊或視訊。這使其成為專為處理書面內容而優化的純語言模型。所有與模型的溝通皆透過文字符號進行，輸出也為文字。若您的應用需要多模態輸入，您需使用其他可處理圖片或其他模態的模型。對於像是轉錄音訊摘要或從圖片中提取文字等任務，您需先將這些輸入轉換為文字後再傳遞給 GLM 5。
GLM 5 在受益於其大型上下文視窗和高輸出限制的任務中表現出色。常見用例包括：徹底分析冗長的法律合約或監管文件；生成整篇研究論文或書籍的詳細摘要；在客服聊天機器人中維持跨越數十輪對話的連貫歷史；以及執行需要模型參考長提示中多個部分的複雜推理。其 τ²-Bench 分數為 98.2，顯示它在模擬環境中執行多步驟任務時特別強大，例如瀏覽網站或執行資料輸入。
如果您的任務不需要完整的200K上下文或128K輸出，使用較小或較便宜的模型可能更具成本效益。例如，簡單的問答、短文分類或單段落生成可以由每token成本較低的模型處理。GLM 5的定價為每百萬輸入token $1.00，每百萬輸出token $3.20，高於許多緊湊型模型。此外，如果您的工作流程涉及非常短的提示和回應，設置大型上下文模型的延遲和成本可能不合理。評估您的典型token使用量：如果您始終使用少於32K token，則較小的模型可能就足夠了。
GLM 5 是透過 OrcaRouter 的 OpenAI 相容 API 存取的，該 API 支援串流回應和函式呼叫。使用 API 時，您可以將 stream 參數設為 true 以逐步接收 tokens，從而減少長輸出的感知延遲。函式呼叫允許模型請求工具調用或結構化資料輸出。這些功能是 API 的標準功能，但取決於特定模型的支持。根據提供的資訊，GLM 5 可以與這些功能一起使用。有關實作細節，請參閱 OrcaRouter API 文件。
τ²-Bench 是一個評估AI代理在模擬環境中完成多步驟任務能力的基準。分數代表在一系列多樣化任務（如網頁導航、表單填寫與資訊檢索）中的成功率。98.2分表示GLM 5成功完成了基準任務的98.2%。這是非常高的表現，顯示該模型能遵循複雜指令並可靠地執行一系列動作。雖然這不保證完美的真實世界表現，但對於類似結構化任務，它暗示了強大的代理能力。
GLM 5 的延遲取決於輸入與輸出長度，以及 Z.ai 提供的底層基礎設施。OrcaRouter 會將請求路由到供應商的後端，除了網路開銷外不會增加額外延遲。對於短輸入與輸出（例如，輸入 1,000 個 token、輸出 500 個 token），回應時間可能落在數秒的範圍內。對於接近 128K 上限的長內容生成，延遲可能會顯著增加——通常達數十秒或更長時間——因為模型必須處理並生成大量 token。串流（streaming）可以減輕感知上的等待時間。文中未提供具體的延遲數據，因此實際效能應使用代表性的工作負載進行測試。
該頭條基準測試所強調的主要優勢是 GLM 5 在代理任務上的高成功率。τ²-Bench 得分為 98.2，顯示其能有效處理多步驟推理與工具使用。此外，其較大的上下文視窗（200K tokens）與最大輸出（128K tokens）意味著它能在極長文本中維持連貫性，這相較於視窗較小的模型是一項有意義的進步。文中未提供其他基準測試分數，因此無法從此數據直接比較語言理解或數學等任務。該模型可能受益於 Z.ai 的訓練方法與規模擴增。
GLM 5 是純文字模型，因此無法處理圖片或其他模態資料。其在需要多模態理解的任務上表現為零。τ²-Bench 分數雖然很高，但是在模擬環境中測量的；現實世界中的代理效能可能有所不同。該模型的每 token 成本相對較高（每百萬 token 輸入 $1.00 / 輸出 $3.20），因此對於長上下文，總成本可能快速累積。未提供負載下的延遲資訊，因此您應根據自身特定使用場景進行基準測試。此外，與所有語言模型一樣，GLM 5 可能產生不正確或幻覺內容，特別是在超出其訓練分佈的複雜推理情境中。
GLM 5 的定價為每 100 萬個輸入令牌 1.00 美元，每 100 萬個輸出令牌 3.20 美元。這是 Z.ai 設定的供應商費率。OrcaRouter 以零加價方式傳遞這些費率，因此您支付的費用完全等同於供應商價格。令牌採用標準的分詞方法計算（英文約為每令牌 0.75 個單詞）。輸入令牌包含提示詞及任何系統訊息；輸出令牌則是模型生成的回應內容。除非供應商另有指定，否則 API 調用或特殊功能不會收取額外費用。定價按令牌計費，因此成本會隨使用量線性增長。
由於 GLM 5 按 token 計費，總成本取決於提示長度與生成長度。對於一組典型的 10,000 輸入 token 與 5,000 輸出 token 互動，每次呼叫成本為 (10,000/1,000,000)*$1.00 + (5,000/1,000,000)*$3.20 = $0.01 + $0.016 = $0.026。對於使用完整上下文的任務，例如 200,000 輸入 token 與 128,000 輸出 token，每次呼叫成本為 $0.20 + $0.4096 = $0.6096。若您的使用情境無需如此極端的規模，選擇較便宜且上下文較小的模型可能更經濟實惠。OrcaRouter 讓您能在部署前比較不同模型的成本。
提供的資訊並未提及透過 OrcaRouter 使用 GLM 5 時的快取或批量折扣。定價按每個 token 以標準供應商費率計費。如果您需要針對大量使用情況節省成本，可以考慮是否改用其他模型或專屬部署會更有利。OrcaRouter 的零加成政策意味著您支付的價格與直接呼叫 Z.ai 相同，無需額外平台費用。至於具體的折扣安排，您需要與 Z.ai 協商或查看是否有任何促銷活動。一般情況下，文件未描述快取機制，因此假設每次推理均獨立收費。
若要使用 GLM 5，請將請求發送至 OrcaRouter 的 OpenAI 相容 API 端點。將基礎 URL 設為 https://api.orcarouter.ai/v1。在請求主體中，指定模型 ID 為 "z-ai/glm-5"。您可以使用任何支援聊天補全端點的 OpenAI SDK 或任何 HTTP 用戶端。使用 Python 的範例：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"}])。對串流、函數呼叫及其他參數的支援，皆與 OpenAI 的架構相同。
GLM 5 支援 OpenAI 聊天補全格式的所有標準參數。您可以設定 temperature（0-2）、top_p、max_tokens（最高 128,000）、停止序列、frequency_penalty、presence_penalty、stream（布林值），以及用於函數呼叫的 tools/functions。上下文視窗限制為總共 200,000 個 token，包含訊息與任何系統提示。若輸入超過此限制，您必須截斷或拆分上下文。OrcaRouter 不會自動截斷；若 token 數超過限制，請求將會失敗。請使用分詞器的計數功能確保符合規範。
遷移至 OrcaRouter 需要更改基本 URL 和模型 ID。如果您之前使用 OpenAI 端點搭配模型 "gpt-4o"，則應將基本 URL 改為 https://api.orcarouter.ai/v1，並將模型設定為 "z-ai/glm-5"。如果您已在使用 OpenAI 聊天補全格式，則無需更改其他程式碼。請確保您的 API 金鑰對 OrcaRouter 有效。先用一個小型請求進行測試，以驗證連線能力並確認模型能如預期回應。請注意，由於模型專用的分詞器不同，Token 計數可能略有差異，但 API 會透明處理。
如果您的輸入（系統訊息、對話歷史、使用者提示）的合併 token 數量超過 200,000 個 token，API 將回傳一個錯誤，表示超出上下文長度。您必須減少輸入大小。同樣地，如果您將 max_tokens 設定高於 128,000，請求將被限制在模型的最大輸出；API 要麼拒絕該參數，要麼將其箝制到限制值。最好在發送大型資料負載前以程式方式檢查 token 數量。OrcaRouter 不會自動截斷提示，因此您必須自行管理上下文長度。
GLM 5 的 200,000 個 token 上下文視窗與 128,000 個 token 的最大輸出，是當前可用的最大規模之一。與許多僅提供 128K 或 32K 上下文的閉源模型相比，這顯然更具優勢。其在 τ²-Bench 上 98.2 的高分，顯示出強勁的代理效能。然而，其定價高於某些替代供應商；例如，對於大量使用的情況，具有相似 token 容量但每個 token 成本更低的模型可能更為經濟。GLM 5 僅支援文字，而部分競爭對手則支援多模態輸入。在所提供的資訊中缺乏其他基準測試數據，因此無法對 NLP 任務進行直接的品質比較。
若您需要的上下文窗口比OpenAI的标准模型（通常為128K tokens）更大，可考慮選擇GLM 5。GLM 5提供200K上下文與128K輸出，能容納更長的輸入內容而不被截斷。此外，其τ²-Bench評分98.2可能高於部分OpenAI模型在代理型基準測試中的表現，但確切比較需視評估條件而定。若成本為主要考量，可比較每token價格；GLM 5每百萬token收費$1.00/$3.20，依替代方案而定可能具有競爭力。另若您偏好使用Z.ai模型以獲得特定效能特性，GLM 5是一項選擇。
與較早期的GLM模型（如GLM 4）相比，GLM 5將上下文視窗從128K擴增至200K tokens，最大輸出則從64K提升至128K tokens。τ²-Bench評分達到98.2，很可能是一項改進，但未提供舊模型的分數。定價可能有所變動；舊模型每個token或許更便宜。若你的任務能夠適用於舊模型較小的上下文範圍，使用較低成本的模型會更划算。然而，對於需要完整200K上下文或更高輸出量的任務來說，GLM 5是該系列中的唯一選擇。升級也可能在推理與指令遵循方面帶來品質提升。
根據所提供的資訊，GLM 5 在 τ²-Bench 上取得了 98.2 的分數，接近該基準測試的滿分。這表示它在與該基準相似的代理任務中表現非常出色。然而，基準測試分數並不能保證真實世界的表現，其他模型在您的特定環境中可能會有不同的表現。如果您的代理任務與 τ²-Bench 的情境高度吻合，GLM 5 將是極佳的選擇。但若您的任務涉及不同的工具、語言或限制，則應測試多個模型。OrcaRouter 可讓您輕鬆切換不同模型以比較結果。
相容 OpenAI——沿用你現有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="z-ai/glm-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 | $1.00 |
| 輸出 / 1M tokens | $3.20 |
| 快取讀取 / 1M | $0.260 |
| 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_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