المواصفات التقنية لـ GLM-5
| العنصر | GLM-5 (المُبلّغ عنه) |
|---|---|
| عائلة النموذج | GLM (Z.ai / Zhipu AI) — الجيل الرائد |
| البنية | مزيج من الخبراء (MoE) + انتباه متفرق (sparse attention) (تحسينات DeepSeek/DSA). |
| إجمالي المعلمات | ≈744–745B (مجموعة MoE). |
| المعلمات النشطة / المُوجَّهة (لكل رمز) | ~40–44B نشطة (يعتمد ذلك على التوجيه/الخبراء). |
| رموز ما قبل التدريب | ~28.5T رمزًا (وفقًا للتقارير). |
| نافذة السياق (الإدخال) | حتى 200,000 رمز (وضع السياق الطويل). |
| الحد الأقصى لرموز الإخراج | 128,000 رمز (الحد الأقصى المُبلّغ عنه للتوليد لكل استدعاء). |
| أنماط الإدخال | نص فقط (أساسي)؛ مُهندَس لمخرجات النصوص الغنية → (إنشاء doc/xlsx عبر الأدوات). |
ما هو GLM-5
GLM-5 هو نموذج الأساس من الجيل التالي من Zhipu AI الذي يوسّع سلسلة GLM بتصميم توجيه MoE وتحسينات الانتباه المتفرق لتقديم استدلال بسياق طويل وتدفّقات عمل وكيلية (تخطيط متعدد الخطوات، وتنسيق الكود والأنظمة). ويتموضع صراحةً كمنافس بأوزان مفتوحة للمهام الوكيلية والهندسية، مع إمكانية وصول مؤسسية عبر واجهات API والاستضافة الذاتية.
🚀 الميزات الرئيسية لـ GLM-5
1. الذكاء الوكيلي والاستدلال
تم تحسين GLM-5 لتدفّقات العمل التي يقوم فيها النموذج بتقسيم المهام الطويلة والمعقدة إلى خطوات مرتبة مع تقليل الهلوسة — وهو تحسن كبير مقارنةً بإصدارات GLM السابقة. ويتصدر بعض معايير نماذج الأوزان المفتوحة في موثوقية المعرفة وإنتاجية المهام.
2. دعم السياق الطويل
بفضل نافذة سياق تبلغ 200K رمزًا، يمكن لـ GLM-5 الحفاظ على محادثات طويلة جدًا، ووثائق كبيرة، وسلاسل استدلال ممتدة دون فقدان التماسك — وهي قدرة تزداد أهميتها للتطبيقات المهنية الواقعية.
3. انتباه DeepSeek المتفرق
من خلال دمج آلية انتباه متفرق، يوسّع GLM-5 نطاق الذاكرة بكفاءة، مما يسمح بتسلسلات أطول دون زيادات خطية في التكلفة.
4. تكامل الأدوات وتنسيقات الإخراج
إن الدعم الأصلي للمخرجات المنظمة وتكامل الأدوات الخارجية (JSON، واستدعاءات API، والاستخدام الديناميكي للأدوات) يجعل GLM-5 عمليًا لتطبيقات المؤسسات مثل جداول البيانات، والتقارير، ومساعدي البرمجة الآليين.
5. كفاءة التكلفة
يتموضع GLM-5 على أنه منافس من حيث التكلفة مقارنةً بنظرائه الاحتكاريين، مع تسعير للإدخال/الإخراج أقل بكثير من العروض الكبرى، مما يجعله جذابًا للنشر واسع النطاق.
أداء GLM-5 في الاختبارات المعيارية
تُظهر عدة تقييمات مستقلة واختبارات معيارية صناعية مبكرة أن GLM-5 يقدّم أداءً قويًا بين نماذج الأوزان المفتوحة:
- حقق أدنى معدلات هلوسة مسجلة على مؤشر Artificial Analysis Intelligence Index — وهو مقياس للموثوقية والصدق — متفوقًا على النماذج السابقة بفارق كبير.
- تشير الاختبارات المعيارية المتمحورة حول الوكلاء إلى تحسنات كبيرة في تنفيذ المهام المعقدة مقارنةً بـ GLM-4.7 وغيره من النماذج المفتوحة.
- تضع مقاييس التكلفة مقابل الأداء GLM-5 في الربع الرابع من حيث السرعة ولكن ضمن الفئة العليا (الأفضل) في الذكاء والسعر بين نماذج الأوزان المفتوحة.
الدرجات الكمية (مثال من منصة تصنيف):
- مؤشر الذكاء: #1 بين نماذج الأوزان المفتوحة.
- كفاءة التسعير: تقييمات مرتفعة لانخفاض تكاليف الإدخال/الإخراج.
كيفية الوصول إلى واجهة GLM-5 API واستخدامها
الخطوة 1: التسجيل للحصول على مفتاح API
سجّل الدخول إلى cometapi.com. إذا لم تكن مستخدمًا لدينا بعد، فيُرجى التسجيل أولاً. سجّل الدخول إلى وحدة تحكم CometAPI الخاصة بك. احصل على مفتاح API الخاص ببيانات اعتماد الوصول للواجهة. انقر على “Add Token” في قسم API token في المركز الشخصي، واحصل على مفتاح الرمز: sk-xxxxx ثم أرسله.
الخطوة 2: إرسال الطلبات إلى واجهة glm-5 API
حدّد نقطة النهاية “glm-5” لإرسال طلب API واضبط نص الطلب. يتم الحصول على طريقة الطلب ونص الطلب من توثيق API على موقعنا. كما يوفّر موقعنا أيضًا اختبار Apifox لراحتك. استبدل <YOUR_API_KEY> بمفتاح CometAPI الفعلي من حسابك. مكان الاستدعاء: تنسيق Chat.
أدرج سؤالك أو طلبك في حقل content — وهذا ما سيرد عليه النموذج. عالج استجابة API للحصول على الإجابة المُولَّدة.
الخطوة 3: استرجاع النتائج والتحقق منها
عالج استجابة API للحصول على الإجابة المُولَّدة. بعد المعالجة، تستجيب واجهة API بحالة المهمة وبيانات الإخراج.