ข้อมูลจำเพาะทางเทคนิคของ GLM-5
| รายการ | GLM-5 (ตามที่รายงาน) |
|---|---|
| ตระกูลโมเดล | GLM (Z.ai / Zhipu AI) — เจเนอเรชันเรือธง |
| สถาปัตยกรรม | Mixture-of-Experts (MoE) + sparse attention (การเพิ่มประสิทธิภาพของ DeepSeek/DSA). |
| พารามิเตอร์ทั้งหมด | ≈744–745B (พูล MoE). |
| พารามิเตอร์ที่ทำงาน/ถูกจัดเส้นทาง (ต่อโทเคน) | ~40–44B ที่ทำงานอยู่ (ขึ้นกับการจัดเส้นทาง/ผู้เชี่ยวชาญ). |
| โทเคนพรีเทรน | ~28.5T โทเคน (ตามที่รายงาน). |
| หน้าต่างบริบท (อินพุต) | สูงสุด 200,000 โทเคน (โหมดบริบทยาว). |
| โทเคนเอาต์พุตสูงสุด | 128,000 โทเคน (จำนวนการสร้างต่อการเรียกสูงสุดตามรายงาน). |
| รูปแบบอินพุต | ข้อความเท่านั้น (หลัก); ออกแบบเพื่อสร้างผลลัพธ์ rich text → (การสร้าง doc/xlsx ผ่านเครื่องมือ). |
GLM-5 คืออะไร
GLM-5 คือโมเดลฐานยุคถัดไปของ Zhipu AI ที่ขยายสายผลิตภัณฑ์ GLM ด้วยการออกแบบการจัดเส้นทางแบบ MoE และการเพิ่มประสิทธิภาพด้วยความสนใจแบบเบาบาง เพื่อส่งมอบความสามารถในการให้เหตุผลบนบริบทยาวและเวิร์กโฟลว์เชิงตัวแทน (การวางแผนหลายขั้นตอน การประสานงานโค้ดและระบบ) โดยวางตำแหน่งอย่างชัดเจนให้เป็นผู้ท้าชิงแบบ open-weights สำหรับงานเชิงตัวแทนและวิศวกรรม พร้อมการเข้าถึงระดับองค์กรผ่าน API และการโฮสต์ด้วยตนเอง
🚀 คุณสมบัติเด่นของ GLM-5
1. สติปัญญาเชิงตัวแทนและการให้เหตุผล
GLM-5 ได้รับการปรับให้เหมาะกับเวิร์กโฟลว์ที่โมเดลแยกงานที่ยาวและซับซ้อนออกเป็นขั้นตอนที่เป็นลำดับ พร้อมลดการหลอนข้อมูล — เป็นการพัฒนาครั้งสำคัญเหนือ GLM รุ่นก่อนๆ นำหน้าในบางเกณฑ์มาตรฐานของโมเดลแบบ open weights ด้านความน่าเชื่อถือของความรู้และประสิทธิภาพการทำงาน
2. การรองรับบริบทยาว
ด้วยหน้าต่างบริบทขนาด 200K โทเคน GLM-5 สามารถรักษาบทสนทนาที่ยาวมาก เอกสารขนาดใหญ่ และสายโซ่การให้เหตุผลที่ยืดยาวโดยไม่สูญเสียความสอดคล้อง — ความสามารถที่สำคัญขึ้นเรื่อยๆ สำหรับการใช้งานระดับมืออาชีพในโลกจริง
3. กลไกความสนใจแบบเบาบางของ DeepSeek
ด้วยการผสานกลไกความสนใจแบบเบาบาง GLM-5 สามารถขยายขนาดการใช้หน่วยความจำได้อย่างมีประสิทธิภาพ ทำให้รองรับลำดับที่ยาวขึ้นโดยไม่เพิ่มต้นทุนแบบเชิงเส้น
4. การผสานเครื่องมือและรูปแบบผลลัพธ์
รองรับโดยกำเนิดสำหรับผลลัพธ์เชิงโครงสร้างและการผสานเครื่องมือภายนอก (JSON, การเรียก API, การใช้เครื่องมือแบบไดนามิก) ทำให้ GLM-5 ใช้งานได้จริงสำหรับแอปพลิเคชันองค์กร เช่น สเปรดชีต รายงาน และผู้ช่วยเขียนโค้ดอัตโนมัติ
5. ความคุ้มค่าด้านต้นทุน
GLM-5 ถูกวางตำแหน่งให้ มีความสามารถในการแข่งขันด้านต้นทุน เมื่อเทียบกับคู่แข่งแบบ proprietary โดยมีราคาอินพุต/เอาต์พุตต่ำกว่ามาก ทำให้น่าดึงดูดสำหรับการปรับใช้ในสเกลใหญ่
ผลการทดสอบมาตรฐานของ GLM-5
การประเมินโดยอิสระหลายชุดและเกณฑ์มาตรฐานในอุตสาหกรรมช่วงต้นแสดงให้เห็นว่า GLM-5 ทำผลงานโดดเด่นท่ามกลางโมเดลแบบเปิดน้ำหนัก:
- ทำได้อัตราการหลอนข้อมูลต่ำเป็นสถิติบน Artificial Analysis Intelligence Index — ตัวชี้วัดด้านความน่าเชื่อถือและความจริง — แซงหน้ารุ่นก่อนๆ อย่างมีนัยสำคัญ
- เกณฑ์มาตรฐานเชิงตัวแทนบ่งชี้ว่า มีพัฒนาการมาก ในการทำงานที่ซับซ้อนเมื่อเทียบกับ GLM-4.7 และโมเดลแบบเปิดอื่นๆ
- เมตริกต้นทุนต่อประสิทธิภาพจัดวาง GLM-5 ให้อยู่ใน ควอไทล์ที่ 4 ด้านความเร็ว แต่ ระดับท็อป (ดีที่สุด) ด้านสติปัญญาและราคา ในบรรดาโมเดลแบบ open weights
คะแนนเชิงปริมาณ (ตัวอย่างจากแพลตฟอร์มการจัดอันดับ):
- ดัชนีสติปัญญา: อันดับ #1 ในบรรดาโมเดลแบบ open weights
- ประสิทธิภาพด้านราคา: ได้รับคะแนนสูงสำหรับต้นทุนอินพุต/เอาต์พุตที่ต่ำ
วิธีเข้าถึงและใช้งาน GLM-5 API
ขั้นตอนที่ 1: ลงทะเบียนเพื่อรับ API Key
เข้าสู่ระบบที่ cometapi.com หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดลงทะเบียนก่อน จากนั้นเข้าสู่ระบบที่ CometAPI console รับ API key เพื่อใช้เข้าถึงอินเทอร์เฟซ คลิก “Add Token” ที่ส่วน API token ในศูนย์ส่วนบุคคล รับคีย์โทเคน: sk-xxxxx แล้วส่ง
ขั้นตอนที่ 2: ส่งคำขอไปยัง API glm-5
เลือกเอ็นด์พอยต์ “glm-5” เพื่อส่งคำขอ API และกำหนด request body วิธีการร้องขอและรายละเอียด request body สามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ของเรายังมีการทดสอบผ่าน Apifox เพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วยคีย์ CometAPI จริงจากบัญชีของคุณ จุดที่เรียกใช้งาน: รูปแบบ Chat
ใส่คำถามหรือคำร้องขอของคุณในช่อง content — นี่คือสิ่งที่โมเดลจะตอบกลับ ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น หลังการประมวลผล API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์