Z.ai

GLM 5.2 260617

Z.ai按量收費
Alias:glm-5-2-260617

GLM-5.2 面向项目级编程和长任务推理,可理解大段代码与文档,梳理模块关系,并在工具支持下推进跨文件修改和验证。

text
起始價格
輸入 / 輸出 · 1M
上下文
1M
最大輸入窗口
最大輸出
131.1K
單次回應最大 token 數
模態
→

Pricing by Supplier

比較同一模型在不同供應商的價格與服務表現。

供應商3
USD · 每 1M tokens效能 · Last 24 hours
供應商Discount輸入/M輸出/M
official

官方接口直连

—
$75
$75
Volcengine

火山引擎官方接口

省8%
$69$75
$69$75
火山引擎特价

火山引擎官方接口,高并发,活动特价

省55%
$33.75$75
$33.75$75
刪除線金額為標準價。效能統計涵蓋最近 24 小時,實際表現隨請求變化。

左右滑動表格,查看完整價格與效能。

能力 / 支援的模態

推理函數呼叫工具
輸入
輸出

廠商與數據私隱

供應商
Zhipu AI文件
分詞器
GLM tokenizer
許可證
GLM-4 License開放權重
數據保留32 日預設不會用於上游訓練

效能

基準測試

標準化評測得分。百分比越高越好,並展示排名百分位。

指標來源:Artificial Analysis 2026-09-30·GLM 5.2 260617

目前基準快照不包含此模型。

缺少模型或測量值不代表零分。

基準圖表保留來源中的模型選擇和推理設定。缺少模型或測量值不代表零分,基準成本或速度也不是本站的服務承諾。

About GLM 5.2 260617

带着整个项目背景推进开发

GLM-5.2 是面向长程任务的文本模型,适合需要理解多份代码、接口契约和工程约束的开发工作。它可以先梳理系统结构,再协助处理模块解耦、接口迁移、SDK 适配和跨语言重构,让后续修改有明确的项目背景。

百万级 Token 上下文有助于容纳较完整的工程材料。与其只贴出报错的一行,可以提供相关调用链、数据结构、测试和编码规范,让模型判断修改会影响哪些位置。长上下文仍需要组织:标清文件路径、当前版本和关键限制,能让分析更容易追踪。

怎样让跨文件修改可检查?

先要求它列出模块职责、依赖和计划,再按阶段提交修改。每一阶段写清保留的接口行为、涉及文件和验证方式;对于迁移任务,尤其要检查旧调用方、配置与测试是否一起调整。让真实构建和测试结果驱动下一轮修正,比只阅读一份完整方案更有助于发现问题。

它可以自己运行项目吗?

工具调用需要编程应用实际提供命令执行、文件访问等能力。模型给出命令或补丁时,表示已经形成操作内容;只有工具执行并返回结果,才能说明项目确实运行过。移动端和小程序任务也需要相应设备、平台工具和运行日志配合验证。

适合从研究材料做原型吗?

可以辅助把算法说明、数据流程和实验要求转化为工程实现。应把已知设计与待补充假设分开,并通过可运行代码和指标检查逐步验证,避免把“代码看起来完整”当作复现已经成功。

Use cases and prompting

提交项目结构、相关源文件与工程要求,例如:“把当前通知模块从业务处理函数中解耦,保持消息内容、调用接口和失败重试行为一致。先画出调用关系,提出最小迁移步骤,再逐步修改;完成后检查原有测试,并验证重复发送和失败恢复。”

接入编程工具时明确文件范围、依赖限制和允许执行的命令。使用接口支持的思考设置,并给长任务留出足够输出预算。每阶段保留已完成、未验证和剩余事项,最终查看实际差异与运行结果,再决定是否合入。

API access

API 介面文件

呼叫示例

請求POST/v1/chat/completions
請求範例
參數
參數類型預設值 / 範圍說明資訊
temperature
number
=10 ~ 2
採樣溫度;越低越穩定
top_p
number
=10 ~ 1
核採樣累積概率
max_tokens
integer>= 1回應中最大 token 數
frequency_penalty
number
=0-2 ~ 2
懲罰高頻 token 的重複出現
presence_penalty
number
=0-2 ~ 2
鼓勵引入新話題
stop
array—最多 4 個停止生成的字串
seed
integer—盡量保證可復現的採樣種子
n
integer
=1>= 1
生成的候選條數
stream
boolean
=false
透過 SSE 串流返回 token
response_format
object—強制輸出 JSON 物件或符合 Schema 的結果
tools
array—模型可呼叫的工具 / 函數聲明
tool_choice
string
autononerequired
工具選擇策略或具體工具名
logprobs
boolean
=false
返回每個 token 的對數概率
top_logprobs
integer0 ~ 20每個 token 返回的 top 概率數量
logit_bias
object—按 token 的 logit 偏置映射
user
string—用於風險審計的終端用戶標識

替換 <YOUR_API_KEY> 替換為 API 金鑰頁面中的金鑰。

身份驗證

所有請求必須攜帶 Authorization: Bearer <TOKEN> 請求頭。Anthropic 格式的端點也接受 x-api-key 請求頭。

在「令牌」頁面生成 API Key,可以按模型、分組、IP、速率等維度精細化授權。

支援的參數

Generation parameters
參數類型預設值 / 範圍說明資訊
temperature
number
=10 ~ 2
採樣溫度;越低越穩定
top_p
number
=10 ~ 1
核採樣累積概率
max_tokens
integer>= 1回應中最大 token 數
frequency_penalty
number
=0-2 ~ 2
懲罰高頻 token 的重複出現
presence_penalty
number
=0-2 ~ 2
鼓勵引入新話題
stop
array—最多 4 個停止生成的字串
seed
integer—盡量保證可復現的採樣種子
n
integer
=1>= 1
生成的候選條數
stream
boolean
=false
透過 SSE 串流返回 token
response_format
object—強制輸出 JSON 物件或符合 Schema 的結果
tools
array—模型可呼叫的工具 / 函數聲明
tool_choice
string
autononerequired
工具選擇策略或具體工具名
logprobs
boolean
=false
返回每個 token 的對數概率
top_logprobs
integer0 ~ 20每個 token 返回的 top 概率數量
logit_bias
object—按 token 的 logit 偏置映射
user
string—用於風險審計的終端用戶標識

速率限制

供應商RPMTPMRPD
official無限制無限制無限制
Volcengine無限制無限制無限制
火山引擎特价無限制無限制無限制

無限制

Frequently asked questions about glm-5-2-260617

What is glm-5-2-260617?

GLM-5.2 面向项目级编程和长任务推理,可理解大段代码与文档,梳理模块关系,并在工具支持下推进跨文件修改和验证。

How do I call glm-5-2-260617?

Create an API key with access to glm-5-2-260617, then use the exact model ID and a supported endpoint from the API access section. Request fields depend on the selected endpoint.

How is glm-5-2-260617 priced?

Pricing depends on the selected provider group and the model billing unit. The current input, output, request, or media prices are shown on this page before sign-up.

What is the context window of glm-5-2-260617?

The model catalog lists a context window of 1048576 tokens. Check the selected endpoint for request limits.

What is the maximum output of glm-5-2-260617?

The model catalog lists a maximum output of 131072 tokens. Your request settings may set a lower limit.

How should I evaluate glm-5-2-260617 for my project?

Start with the use cases and prompting guidance on this page, then evaluate the model with representative inputs from your project.