Tekniske specifikationer for GLM-5
| Element | GLM-5 (rapporteret) |
|---|---|
| Modelfamilie | GLM (Z.ai / Zhipu AI) — flagskibsgeneration |
| Arkitektur | Mixture-of-Experts (MoE) + sparsom opmærksomhed (DeepSeek/DSA-optimeringer). |
| Samlet antal parametre | ≈744–745B (MoE-pulje). |
| Aktive / routede parametre (pr. token) | ~40–44B aktive (afhænger af routing/eksperter). |
| Prætræningstokens | ~28.5T tokens (rapporteret). |
| Kontekstvindue (input) | Op til 200,000 tokens (langkontekst-tilstand). |
| Maks. output-tokens | 128,000 tokens (maks. generering pr. kald rapporteret). |
| Inputmodaliteter | Kun tekst (primær); konstrueret til rig tekst → output (doc/xlsx-generering via værktøjer). |
Hvad er GLM-5
GLM-5 er Zhipu AIs næste generation af foundation-model, der skalerer GLM-serien med et MoE-routningsdesign og optimeringer for sparsom opmærksomhed for at levere ræsonnering over lange kontekster og agentiske arbejdsgange (flertrinsplanlægning, kode- og systemorkestrering). Den er eksplicit positioneret som en open-weights-udfordrer til agentiske og tekniske opgaver, med virksomhedsadgang via API'er og self-hosting.
🚀 Hovedfunktioner i GLM-5
1. Agentisk intelligens og ræsonnering
GLM-5 er optimeret til arbejdsgange, hvor modellen nedbryder lange, komplekse opgaver i ordnede trin med reducerede hallucinationer — en markant forbedring i forhold til tidligere GLM-versioner. Den fører visse benchmarks for open-weights-modeller på videnpålidelighed og arbejdsproduktivitet.
2. Understøttelse af lang kontekst
Med et kontekstvindue på 200K tokens kan GLM-5 opretholde meget lange samtaler, store dokumenter og udvidede ræsonneringskæder uden at miste sammenhæng — en stadig mere kritisk evne for professionelle anvendelser i den virkelige verden.
3. DeepSeek Sparse Attention
Ved at integrere en mekanisme for sparsom opmærksomhed skalerer GLM-5 effektivt sit hukommelsesfodaftryk, hvilket muliggør længere sekvenser uden lineære stigninger i omkostninger.
4. Værktøjsintegration og outputformater
Indbygget understøttelse af strukturerede output og integrationer med eksterne værktøjer (JSON, API-kald, dynamisk værktøjsbrug) gør GLM-5 praktisk til virksomhedsapplikationer som regneark, rapporter og automatiserede kodeassistenter.
5. Omkostningseffektivitet
GLM-5 er positioneret som omkostningskonkurrencedygtig sammenlignet med proprietære modparter, med input/output-priser, der er væsentligt lavere end de store udbud, hvilket gør den attraktiv til udrulning i stor skala.
Benchmark-ydelse for GLM-5
Flere uafhængige evalueringer og tidlige branchebenchmarks viser, at GLM-5 klarer sig stærkt blandt open-weights-modeller:
- Den opnåede rekordlave hallucinationsrater på Artificial Analysis Intelligence Index — et mål for pålidelighed og sandfærdighed — og overgår tidligere modeller markant.
- Agent-centriske benchmarks indikerer betydelige forbedringer i udførelse af komplekse opgaver sammenlignet med GLM-4.7 og andre åbne modeller.
- Metrikker for forholdet mellem omkostning og ydelse placerer GLM-5 i 4. kvartil for hastighed, men topniveau (bedst) for intelligens og pris blandt open-weights-modeller.
Kvantitative scorer (eksempel fra rangeringsplatform):
- Intelligence Index: nr. 1 blandt open-weights-modeller.
- Pricing Efficiency: Høje vurderinger for lave input-/outputomkostninger.
Sådan får du adgang til og bruger GLM-5-API'et
Trin 1: Tilmeld dig for at få en API-nøgle
Log ind på cometapi.com. Hvis du endnu ikke er vores bruger, skal du først registrere dig. Log ind på din CometAPI console. Hent API-adgangsnøglen til grænsefladen. Klik på “Add Token” ved API-token i det personlige center, hent token-nøglen: sk-xxxxx og indsend.
Trin 2: Send forespørgsler til glm-5 API'et
Vælg endepunktet “glm-5” for at sende API-forespørgslen og angiv anmodningskroppen. Anmodningsmetoden og anmodningskroppen fås fra vores websteds API-dokumentation. Vores websted tilbyder også Apifox-test for din bekvemmelighed. Erstat <YOUR_API_KEY> med din faktiske CometAPI-nøgle fra din konto. Hvor det skal kaldes: Chat-format.
Indsæt dit spørgsmål eller din anmodning i feltet content — det er dette, modellen svarer på. Behandl API-svaret for at få det genererede svar.
Trin 3: Hent og verificér resultater
Behandl API-svaret for at få det genererede svar. Efter behandlingen svarer API'et med opgavens status og outputdata.