GLM-5.2 est le modèle phare de Z.AI conçu pour l'ère des tâches à long horizon, portant la fenêtre de contexte à 1M de tokens avec jusqu'à 128K en sortie ; la documentation insiste sur le fait de rendre le contexte de 1M réellement utilisable pour un travail à l'échelle du projet.
- Entrée
- texte $1.4/M
- Sortie
- texte $4.4/M
- Lecture de cache
- $0.26/M
- Contexte
- 1M
- vs GPT-4o
- ~72% moins cher
Benchmarks
Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Le prix en perspective
Position du prix parmi 68 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 1 000 000 |
|---|---|
| Sortie max (spéc. fournisseur) | 131 072 |
Mise en cache
| Mode | automatique |
|---|
Réflexion
| Paramètre du fournisseur | thinking.type + reasoning_effort |
|---|---|
| Valeurs acceptées | thinking.type enabled · disabled; reasoning_effort none · minimal · low · medium · high · xhigh · max (none and minimal skip thinking, low and medium map to high, xhigh maps to max) |
| Valeur par défaut | enabled, avec reasoning_effort à max: le seul GLM doté d'un curseur d'effort, et il est réglé par défaut au maximum appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement de la réflexion | La trace revient dans reasoning_content ; les traces des tours précédents sont effacées par défaut sur l'endpoint API standard, et les blocs de réflexion doivent être renvoyés avec les résultats d'outils pour que la réflexion entrelacée fonctionne. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high paramètres exposés par la passerelle ; la correspondance avec ceux du fournisseur, ci-dessus, s'applique |
Modèle
| Modalités | texte → texte |
|---|---|
| Paramètres | 744B au total · 40B actifs MoE |
| Licence | MIT |
Fleuron de longue portée (744B-A40B) avec un contexte exploitable de 1M de tokens / 128K de sortie maximale, des niveaux d'effort de réflexion configurables et l'efficacité de l'attention creuse IndexShare en contexte 1M.
selon docs officielles Z.ai ↗
Un prompt, mesuré via la passerelle
GLM-5.2 réussi · 3 sentences
Enabling reasoning means the LLM now generates thousands of invisible "thinking" tokens to systematically work through complex problems before producing a final answer. Because our cloud providers bill for these internal processing steps at the same rate as standard output, our billable token volume per query has doubled. While this increases our direct API costs, it drastically reduces error rates and manual review labor, ultimately lowering our total cost per resolved transaction.
sortie 1223 tok (+1138 réflexion) latence 17.1 s
Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.
GLM-5.2 manqué · 1/8 cases (fails [1])
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 […]
sortie 4097 tok (+4036 réflexion) latence 58.4 s
La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.
GLM-5.2 réussi · 5/5 fields, guidance "withheld"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld" } ```
sortie 1947 tok (+1893 réflexion) latence 30.9 s
Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.
GLM-5.2 réussi · 120 words, 0 banned, 1 question
We are introducing Caching for our API Gateway, the smartest way to optimize your workflows. Why pay for the exact same response twice? Now, you can automatically store and reuse prompt results across multiple AI providers, drastically reducing latency and overall operational costs. If a user submits a duplicate query, the gateway serves the cached answer instantly, regardless of whether you route to OpenAI, Anthropic, or others. This directly translates to faster applications and significantly lower monthly API bills. You can easily configure your specific caching rules within the developer dashboard and watch your efficiency soar. Stop wasting your valuable tokens on completely redundant computations. Upgrade to the latest gateway version today and experience the future of intelligent prompt management.
sortie 11125 tok (+10984 réflexion) latence 114.8 s
Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.
Utilisez GLM-5.2 en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="glm-5.2",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "glm-5.2",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.2",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "glm-5.2",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("glm-5.2")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de GLM-5.2
- Par rapport à GLM-5.1, la page officielle met en avant une exécution plus stable des tâches à long horizon, une cohérence accrue dans le respect des standards d'ingénierie sur des contextes étendus, une compréhension à l'échelle du projet avec refactoring multi-fichiers, et des boucles de débogage complètes sur appareil pour le développement mobile et client, aux côtés du développement de mini-programmes et de petits jeux et de la reproduction de travaux de recherche.
- L'efficacité derrière cette fenêtre allongée est publiée elle aussi : un schéma IndexShare permet à un indexeur léger de desservir chaque groupe de quatre couches de transformeur, réduisant le calcul par token à 1M de contexte, avec une couche de prédiction multi-tokens améliorée qui augmente le taux d'acceptation du décodage spéculatif.
- C'est aussi le seul modèle de la lignée doté d'un contrôle reasoning_effort, un ensemble documenté de niveaux qui se ramènent en pratique à sauter la réflexion, à un réglage élevé et à un réglage maximal, l'API hébergée retenant le maximum par défaut : une requête qui ne règle rien est donc une requête qui réfléchit beaucoup.
- La réflexion se comporte par ailleurs comme partout dans la lignée GLM-5, renvoyant sa trace dans un champ distinct, et l'appel d'outils, MCP, la sortie JSON et la mise en cache automatique sont repris.
- Les poids sont sous licence MIT.
- Quand vous appelez GLM-5.2 sur Synthorai, l'endpoint compatible OpenAI en fait une mise à niveau directe pour les charges d'agent en contexte long.
FAQ
Peut-on essayer l'API GLM-5.2 gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $1.4/M de tokens en entrée, ce crédit couvre à lui seul environ 89 requêtes de ~8K tokens sur GLM-5.2.
Quels sont les points forts de GLM-5.2 ?
Contexte étendu à 1M de tokens exploitables ; compréhension à l'échelle du projet avec refactorisation multi-fichiers ; boucles de débogage sur l'appareil pour le développement mobile. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte GLM-5.2 ?
Sur Synthorai, GLM-5.2 coûte $1.4 par million de tokens en entrée et $4.4 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.26/M.
Quelle est la fenêtre de contexte de GLM-5.2 ?
GLM-5.2 dispose d'une fenêtre de contexte de 1M tokens sur Synthorai. Une réponse peut compter jusqu'à 131,072 tokens.
GLM-5.2 prend-il en charge la mise en cache des prompts ?
Oui, automatiquement : les prompts servis par Z.ai sont mis en cache sans modification de code. Les tokens d'entrée en cache sont facturés $0.26/M contre $1.4/M hors cache. Guide de mise en cache des prompts →
Comment obtenir l'accès à GLM-5.2 ?
Dans votre SDK OpenAI actuel, indiquez base_url="https://synthorai.io/v1" et model="glm-5.2", et c'est tout. Une seule clé API donne accès à tous les modèles de la passerelle.
GLM-5.2 est-il open source ?
Oui : les poids sont publiés sous licence MIT (dépôt officiel lié dans la section À propos). Vous pouvez aussi vous passer de GPU : la version hébergée ici est facturée à l'usage, sans infrastructure à gérer. Exécuter des modèles à poids ouverts →
Modèles associés
Comparer
Chaque valeur de cette page est reprise de la documentation du fournisseur (lien ci-dessus) et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue. Quand les fournisseurs ne définissent pas une spécification de la même façon, la différence est signalée et la valeur n'est pas mise en graphique. Nous ne mesurons rien ici et nous n'attribuons aucune note.