Spesifikasi teknikal GLM-5
| Item | GLM-5 (dilaporkan) |
|---|---|
| Keluarga model | GLM (Z.ai / Zhipu AI) — generasi perdana |
| Seni bina | Mixture-of-Experts (MoE) + perhatian jarang (pengoptimuman DeepSeek/DSA). |
| Jumlah parameter | ≈744–745B (kumpulan MoE). |
| Parameter aktif/dirutekan (setiap token) | ~40–44B aktif (bergantung pada perutean/pakar). |
| Token pra-latihan | ~28.5T token (dilaporkan). |
| Tetingkap konteks (input) | Sehingga 200,000 token (mod konteks panjang). |
| Token output maksimum | 128,000 token (penjanaan maksimum per panggilan yang dilaporkan). |
| Modaliti input | Teks sahaja (utama); direka untuk teks kaya → output (penjanaan doc/xlsx melalui alat). |
Apakah GLM-5
GLM-5 ialah model asas generasi seterusnya oleh Zhipu AI yang menskalakan siri GLM dengan reka bentuk perutean MoE dan pengoptimuman perhatian jarang untuk menyampaikan penaakulan konteks panjang dan aliran kerja agenik (perancangan berbilang langkah, orkestrasi kod & sistem). Ia diposisikan secara jelas sebagai pesaing open weights untuk tugas agenik dan kejuruteraan, dengan kebolehcapaian perusahaan melalui API dan hos sendiri.
🚀 Ciri Utama GLM-5
1. Kecerdasan Agenik & Penaakulan
GLM-5 dioptimumkan untuk aliran kerja di mana model menguraikan tugas panjang dan kompleks kepada langkah teratur dengan halusinasi yang dikurangkan — penambahbaikan besar berbanding versi GLM sebelumnya. Ia mendahului beberapa penanda aras model open weights tentang kebolehpercayaan pengetahuan dan produktiviti tugas.
2. Sokongan Konteks Panjang
Dengan tetingkap konteks 200K token, GLM-5 boleh mengekalkan perbualan yang sangat panjang, dokumen besar, dan rantaian penaakulan berlanjutan tanpa kehilangan koheren — keupayaan yang semakin kritikal untuk aplikasi profesional dunia sebenar.
3. DeepSeek Perhatian Jarang
Dengan mengintegrasikan mekanisme perhatian jarang, GLM-5 menskalakan jejak memori dengan cekap, membolehkan jujukan lebih panjang tanpa peningkatan kos secara linear.
4. Penyepaduan Alat & Format Output
Sokongan asli untuk output berstruktur dan penyepaduan alat luaran (JSON, panggilan API, penggunaan alat dinamik) menjadikan GLM-5 praktikal untuk aplikasi perusahaan seperti hamparan, laporan, dan pembantu pengaturcaraan automatik.
5. Kecekapan Kos
GLM-5 diposisikan sebagai berdaya saing dari segi kos berbanding pesaing proprietari, dengan harga input/output jauh lebih rendah daripada tawaran utama, menjadikannya menarik untuk pelaksanaan berskala besar.
Prestasi Penanda Aras GLM-5
Pelbagai penilaian bebas dan penanda aras industri awal menunjukkan GLM-5 berprestasi kukuh dalam kalangan model open weights:
- Ia mencapai kadar halusinasi terendah rekod pada Artificial Analysis Intelligence Index — ukuran kebolehpercayaan dan ketepatan — mengatasi model terdahulu dengan margin besar.
- Penanda aras berpusat agen menunjukkan peningkatan besar dalam pelaksanaan tugas kompleks berbanding GLM-4.7 dan model open lain.
- Metrik kos kepada prestasi meletakkan GLM-5 sebagai kuartil ke-4 untuk kelajuan tetapi peringkat teratas (terbaik) untuk kecerdasan dan harga dalam kalangan model open weights.
Skor Kuantitatif (Contoh daripada platform pemeringkatan):
- Indeks Kecerdasan: #1 dalam kalangan model open weights.
- Kecekapan Harga: Penarafan tinggi untuk kos input/output rendah.
Cara mengakses dan menggunakan API GLM-5
Langkah 1: Daftar untuk Kunci API
Log masuk ke cometapi.com. Jika anda belum menjadi pengguna kami, sila daftar terlebih dahulu. Log masuk ke CometAPI console. Dapatkan kunci API kelayakan akses untuk antara muka. Klik “Add Token” pada token API di pusat peribadi, dapatkan kunci token: sk-xxxxx dan hantar.
Langkah 2: Hantar Permintaan ke API glm-5
Pilih titik akhir “glm-5” untuk menghantar permintaan API dan tetapkan badan permintaan. Kaedah permintaan dan badan permintaan diperoleh daripada dokumen API laman web kami. Laman web kami juga menyediakan ujian Apifox untuk kemudahan anda. Gantikan <YOUR_API_KEY> dengan kunci CometAPI sebenar anda daripada akaun anda. Tempat untuk memanggilnya: format Chat.
Masukkan soalan atau permintaan anda ke dalam medan content — inilah yang akan dijawab oleh model. Proses respons API untuk mendapatkan jawapan yang dijana.
Langkah 3: Dapatkan dan Sahkan Keputusan
Proses respons API untuk mendapatkan jawapan yang dijana. Selepas diproses, API akan membalas dengan status tugas dan data output.