Spesifikasi teknis GLM-5
| Item | GLM-5 (dilaporkan) |
|---|---|
| Model family | GLM (Z.ai / Zhipu AI) — generasi andalan |
| Architecture | Mixture-of-Experts (MoE) + sparse attention (optimisasi DeepSeek/DSA). |
| Total parameters | ≈744–745B (pool MoE). |
| Active / routed params (per token) | ~40–44B aktif (tergantung pada perutean/pakar). |
| Pre-training tokens | ~28.5T token (dilaporkan). |
| Context window (input) | Hingga 200,000 token (mode konteks panjang). |
| Max output tokens | 128,000 token (generasi maksimum per panggilan, dilaporkan). |
| Input modalities | Hanya teks (utama); direkayasa untuk teks kaya → keluaran (pembuatan doc/xlsx melalui alat). |
Apa itu GLM-5
GLM-5 adalah model fondasi generasi berikutnya dari Zhipu AI yang meningkatkan lini GLM dengan desain perutean MoE dan optimisasi sparse attention untuk menghadirkan penalaran konteks panjang dan alur kerja berbasis agen (perencanaan multi-langkah, orkestrasi kode & sistem). Model ini secara eksplisit diposisikan sebagai penantang open-weights untuk tugas-tugas agen dan rekayasa, dengan aksesibilitas enterprise melalui API dan self-hosting.
🚀 Fitur Utama GLM-5
1. Kecerdasan Berbasis Agen & Penalaran
GLM-5 dioptimalkan untuk alur kerja di mana model memecah tugas panjang dan kompleks menjadi langkah-langkah berurutan dengan halusinasi yang berkurang — peningkatan besar dibanding versi GLM sebelumnya. Model ini memimpin beberapa open weights model benchmarks dalam keandalan pengetahuan dan produktivitas tugas.
2. Dukungan Konteks Panjang
Dengan jendela konteks 200K token, GLM-5 dapat mempertahankan percakapan sangat panjang, dokumen besar, dan rantai penalaran yang diperluas tanpa kehilangan koherensi — kemampuan yang semakin krusial untuk aplikasi profesional dunia nyata.
3. Sparse Attention DeepSeek
Dengan mengintegrasikan mekanisme sparse attention, GLM-5 menskalakan jejak memori secara efisien, memungkinkan urutan yang lebih panjang tanpa peningkatan biaya linear.
4. Integrasi Alat & Format Keluaran
Dukungan bawaan untuk keluaran terstruktur dan integrasi alat eksternal (JSON, panggilan API, penggunaan alat dinamis) menjadikan GLM-5 praktis untuk aplikasi enterprise seperti spreadsheet, laporan, dan asisten pengodean otomatis.
5. Efisiensi Biaya
GLM-5 diposisikan sebagai kompetitif dari sisi biaya dibandingkan rekan tertutup, dengan harga input/output yang jauh lebih rendah daripada penawaran utama, sehingga menarik untuk penerapan skala besar.
Kinerja Benchmark GLM-5
Beberapa evaluasi independen dan benchmark industri awal menunjukkan GLM-5 berkinerja kuat di antara model open weights:
- Mencapai tingkat halusinasi terendah pada Artificial Analysis Intelligence Index — ukuran keandalan dan kebenaran — melampaui model sebelumnya dengan margin yang besar.
- Benchmark berfokus pada agen mengindikasikan peningkatan substansial dalam eksekusi tugas kompleks dibandingkan GLM-4.7 dan model terbuka lainnya.
- Metrik biaya-terhadap-kinerja menempatkan GLM-5 pada kuartil ke-4 untuk kecepatan tetapi tingkat teratas (terbaik) pada kecerdasan dan harga di antara model open-weights.
Skor Kuantitatif (Contoh dari platform pemeringkatan):
- Indeks Kecerdasan: #1 di antara model open weights.
- Efisiensi Harga: Peringkat tinggi untuk biaya input/output yang rendah.
Cara mengakses dan menggunakan API GLM-5
Langkah 1: Daftar untuk Kunci API
Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, harap daftar terlebih dahulu. Masuk ke CometAPI console. Dapatkan kunci API kredensial akses antarmuka. Klik “Add Token” pada token API di pusat pribadi, dapatkan kunci token: sk-xxxxx dan kirimkan.
Langkah 2: Kirim Permintaan ke API glm-5
Pilih endpoint “glm-5” untuk mengirim permintaan API dan atur badan permintaan. Metode permintaan dan badan permintaan diperoleh dari dokumen API situs web kami. Situs kami juga menyediakan uji Apifox untuk kenyamanan Anda. Ganti <YOUR_API_KEY> dengan kunci CometAPI aktual dari akun Anda. Di mana memanggilnya: format [Chat].
Masukkan pertanyaan atau permintaan Anda ke bidang content—itulah yang akan direspons oleh model. Proses respons API untuk mendapatkan jawaban yang dihasilkan.
Langkah 3: Ambil dan Verifikasi Hasil
Proses respons API untuk mendapatkan jawaban yang dihasilkan. Setelah pemrosesan, API merespons dengan status tugas dan data keluaran.