Stage#1
统一模型底座
GLM-5 使用单一统一底座，无需在思考与非思考场景间切换不同模型。
GLM-5 模型中心
GLM-5：Benchmark、Price、API 与 Architecture
评估 GLM-5 能力上限，对比 benchmark 分数，查看 API 价格，探索 架构细节 — 一站式完成。
总参数
744B
激活 MoE
40B
上下文窗口
200K
许可证
MIT
社区声音
大家怎么评价 GLM-5
来自 AI 社区的深度评测和教程视频，展示 GLM-5 的核心能力。
GLM-5 Fully Tested: I GOT EARLY ACCESS & YES, IT BEATS 4.6 OPUS!
完整实测覆盖编码质量、多步任务执行，以及在 Agent 编码基准中的多模型对比。
AICodeKing
44.2K views · 2026-02-11
GLM-5 Is HERE – Is THIS the BEST Open Source Coding Model?
以浏览器自动化、游戏生成和 Python 3D 任务做实操演示，评估真实代码生成质量。
Bijan Bowen
15K views · 2026-02-11
GLM-5: From Vibe Coding to Agentic Engineering
从快速编码提示到 Agent 工程管线的用例演示，探索 GLM-5 真实部署路径。
Fahd Mirza
3.5K views · 2026-02-11
概览
什么是 GLM-5
GLM-5 是智谱 AI 第五代大语言模型，面向复杂系统工程与长周期 Agent 任务。从 GLM-4.5 的 355B/32B 激活参数升级到 744B/40B 激活，预训练数据从 23T 提升到 28.5T tokens。
统一混合推理
Think / Non-think 共享同一模型底座，通过后训练策略区分推理风格。
长上下文与成本优化
DeepSeek Sparse Attention 降低推理成本，同时保留 200K 上下文处理能力。
开源 + API 双路径
GLM-5 权重已在 Hugging Face / ModelScope 发布，采用 MIT 许可证，同时支持多平台 API 接入。
架构
GLM-5 架构
GLM-5 采用统一模型架构，支持混合推理模式切换。Think / Non-think 共享同一底座，配合 DSA 长上下文优化与 slime 异步 RL 训练基建。
1
744B
总参数
2
40B
激活参数
3
28.5T Tokens
预训练数据
4
统一 Think/Non-think
推理模式
Stage#2
后训练模式分化
Think 与 Non-think 的差异来自后训练阶段，便于在质量与延迟之间灵活配置。
Stage#3
混合推理开关
支持按任务复杂度灵活启用混合推理模式，适配不同部署场景。
Stage#4
DSA 长上下文优化
DeepSeek Sparse Attention 在长上下文任务中降低推理成本，提升大输入序列处理效率。
Stage#5
异步 RL 训练基建
slime 框架提供异步强化学习能力，提高训练吞吐量并加快迭代周期。
Stage#6
函数调用与并行工具
GLM-5 支持 Function Calling 和并行工具调用，适配复杂多步 Agent 工作流。
上下文窗口
GLM-5 上下文窗口
GLM-5 在不同主流平台的上下文窗口与输出上限，不同平台展示的实际限制可能存在差异。
1
200K context / 最高 128K output
GLM-5（docs.z.ai）
2
202,752 context
GLM-5（OpenRouter）
3
最高 202,752
OpenRouter 最大完成
4
不同端点限制可能不同
平台差异说明
Stage#1
长文档与多文件任务
200K 上下文窗口可支撑长文档问答、跨文件代码分析和多轮计划执行。
Stage#2
输出上限可控
官方文档中 GLM-5 支持最高 128K 输出 tokens；不同平台与端点的实际输出上限可能不同。
Stage#3
平台展示差异
202,752 context 来自 OpenRouter 模型页，生产接入请核对目标平台实测限制。
Benchmark
GLM-5 Benchmark 总览
公开 benchmark 图表覆盖 Agentic、Reasoning、Coding 与 Long-horizon 任务，便于横向模型比较。
数据来源：docs.z.ai 与 z.ai/blog/glm-5，抓取日期 2026-02-12
GLM-4.7GLM-5Claude Opus 4.5Gemini 3.0 ProGPT-5.2
LLM Performance Evaluation
8 项公开 benchmark：Humanity's Last Exam、SWE-bench、Terminal-Bench、MCP-Atlas、Vending Bench 2 等。
CC-Bench-V2
真实工程场景下的 Frontend、Backend 与 Long-horizon 对比图。
77.8
SWE-bench Verified
GLM-5 在 SWE-bench Verified 上的得分，衡量真实代码修复能力。
73.3
SWE-bench Multilingual
多语言软件工程任务中的表现分数。
56.2
Terminal-Bench 2.0
终端代理任务基准分数，衡量命令行任务完成能力。
$4,432
Vending Bench 2
GLM-5 在商业模拟 benchmark 中达到的最终余额。
API 价格
GLM-5 API 价格对比
价格来自 docs.z.ai 与 OpenRouter，数据截至 2026-02-12。此处统一按 USD 展示，上线前请再次核对各平台最新报价。
1
$1.00 / 1M tokens
GLM-5 输入
2
$0.20 / 1M tokens
GLM-5 缓存输入
3
$3.20 / 1M tokens
GLM-5 输出
4
$1.20 输入 / $5.00 输出
GLM-5-Code
Stage#1
GLM-5 via docs.z.ai
输入 $1.00 / 1M、缓存输入 $0.20 / 1M、输出 $3.20 / 1M，美元计价。
Stage#2
GLM-5-Code via docs.z.ai
输入 $1.20 / 1M、缓存输入 $0.30 / 1M、输出 $5.00 / 1M，美元计价。
Stage#3
缓存存储费用
官方价格页标注 Cached Input Storage 为限时免费。
Stage#4
GLM-5 via OpenRouter
OpenRouter 页面显示 $1 / 1M 输入、$3.20 / 1M 输出，美元计价。
Stage#5
统一计价单位
docs.z.ai 与 OpenRouter 均以每 1M tokens 为单位展示价格，接入前请核对平台计费粒度。
Stage#6
平台账单差异
跨平台最终账单可能受路由策略、平台加价与缓存行为影响。
价值
为什么团队在 2026 年评估 GLM-5
GLM-5 在系统工程负载、长周期 Agent 任务、竞争力价格与超低幻觉率方面表现突出。
GLM-5 面向复杂系统工程与高复杂度执行工作流，支持多步工具调用。
FAQ
GLM-5 常见问题
关于 GLM-5 benchmark、API 价格、上下文窗口与模型能力的常见问题。
GLM-5 API 价格是多少？
截至 2026-02-12，docs.z.ai 上 GLM-5 为输入 $1.00/1M、缓存输入 $0.20/1M、输出 $3.20/1M；GLM-5-Code 为输入 $1.20/1M、缓存输入 $0.30/1M、输出 $5.00/1M。OpenRouter 上 GLM-5 为 $1/1M 输入、$3.20/1M 输出。
GLM-5 的上下文窗口多大？
官方文档显示 GLM-5 支持 200K 上下文窗口、最高 128K 输出。OpenRouter 当前展示 202,752 context；不同平台端点的实际限制可能不同。
GLM-5 是 MoE 模型吗？
是的。GLM-5 总参数 744B，每个 token 激活 40B，采用 256 个专家、每次激活 8 个的稀疏 MoE 架构。
GLM-5 和其他前沿模型比表现如何？
GLM-5 在 SWE-bench Verified 上得分 77.8。公开对比图中，Claude Opus 4.5 为 80.9，Gemini 3.0 Pro 为 76.2。GLM-5 在 Vending Bench 2 中排名开源权重模型第一。
OpenRouter 价格为什么和 api.z.ai 不一样？
OpenRouter 是路由平台，可能存在平台级路由与加价策略。上线前请分别核对各平台的最终计费规则与单位。
GLM-5 权重是否开源？
是的。GLM-5 权重已在 Hugging Face 和 ModelScope 发布，MIT 许可证，支持 vLLM、SGLang 本地部署。