GLM-5.1 è il modello di fondazione di punta di Z.AI progettato per i compiti a lungo orizzonte, descritto ufficialmente come in grado di lavorare in modo continuo e autonomo su un singolo compito fino a 8 ore, coprendo pianificazione, esecuzione, test, correzione e consegna.
- Input
- testo $1.4/M
- Output
- testo $4.4/M
- Lettura cache
- $0.26/M
- Contesto
- 203K
- vs GPT-4o
- ~72% più economico
Il prezzo a confronto
Dove si colloca il prezzo tra 68 modelli confrontabili
La barra mostra dove si colloca il prezzo di questo modello tra tutti i modelli dello stesso tipo su Synthorai. Alle due estremità sono indicati il più economico e il più caro. Sono tariffe base; gli sconti per batch, regione e scrittura in cache sono nella pagina dei prezzi.
Specifiche e limiti
Token
| Finestra di contesto (specifica del provider) | 200.000 |
|---|---|
| Output massimo (specifica del provider) | 131.072 |
Prompt caching
| Modalità | automatico |
|---|
Ragionamento
| Parametro del provider | thinking.type |
|---|---|
| Valori accettati | enabled · disabled |
| Valore di default | enabled, ed è il modello a determinare automaticamente se pensare applicato se la richiesta non specifica nulla |
| Disattivabile | Sì |
| Comportamento del ragionamento | La traccia viene restituita in reasoning_content; le tracce dei turni precedenti vengono cancellate di default (clear_thinking true), e i blocchi di interleaved thinking vanno conservati e restituiti insieme ai risultati degli strumenti. Nessun controllo reasoning_effort: è documentato solo per GLM-5.2. |
| Parametro | reasoning_effort |
| Valori | minimal · low · medium · high parametri esposti dal gateway: vale la mappatura del provider indicata sopra |
Modello
| Modalità | testo → testo |
|---|---|
| Parametri | 744B totali · 40B attivi MoE |
| Licenza | MIT |
- Flagship di nuova generazione per l'ingegneria agentica (744B-A40B): lavora in autonomia fino a 8 ore in una singola esecuzione attraverso migliaia di chiamate a strumenti
- 200K di contesto / 128K di output massimo
Un solo prompt, misurato attraverso il gateway
GLM-5.1 superato · 3 sentences
Enabling reasoning shifts the LLM from generating quick answers to producing hidden "chain-of-thought" tokens that systematically explore multiple solution paths before responding. Because billing is based on total tokens processed, these invisible reasoning tokens drastically increase input and output volume per query, often adding thousands of compute-intensive tokens to a single prompt. Consequently, our bill doubled not from higher per-token rates or increased user volume, but from the exponentially deeper computational work required to deliver higher-quality, more reliable outputs.
out 98 tok latenza 7.8 s
Rispetto delle istruzioni (esattamente tre frasi: si contano), adattamento al destinatario (registro da CFO) e lo scarto di fatturazione dovuto al ragionamento nascosto, che i contatori di token qui sotto mettono in luce.
GLM-5.1 superato · 8/8 cases
```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 best = max(best, cur) else: cur = 1 return best ``` **Explanation:** The original function initialized `cur` and `best` to `0` and only incremented `cur` when a duplicate was found. This counts the number of *extra* equal items in a run rather than the total run length, so every run is reported as one shorter than it actually is—returning `0` for single-element lists and `L-1` for a run of length `L` (including those ending at the last index). The fix initializes `cur` and `best` to `1` (when the list is non‑empty) and resets `cur` to `1` on a mismatch, so `cur` tracks the full length of the current run and `best` records the true maximum.
out 3823 tok (+3585 ragionamento) latenza 49.7 s
Se la correzione è davvero giusta (si può eseguire), quanto è densa la spiegazione e quanti token servono per un compito circoscritto.
GLM-5.1 superato · 5/5 fields, guidance "withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": "eleven and change", "guidance": "withheld pending the Q4 close" } ```
out 1091 tok (+1028 ragionamento) latenza 15.2 s
Aderenza allo schema (nessun campo inventato), tentazione di allucinare (il testo dice espressamente che la guidance non viene comunicata) e differenze tra i percorsi di output strutturato.
GLM-5.1 superato · 120 words, 0 banned, 1 question
We are excited to introduce Prompt Cache for our API Gateway. This new feature stores responses for identical prompts, routing subsequent requests directly to the cache instead of calling the underlying AI provider. Are you tired of paying multiple times for the exact same query? Prompt Cache solves this by recognizing duplicate inputs across all supported providers, drastically reducing latency and operational costs. When a user submits a request that matches a previously cached prompt, the gateway returns the stored answer instantly. You can configure cache expiration and scope rules via your dashboard to maintain data freshness. Stop wasting budget on redundant computational work. Upgrade to the latest gateway tier today to start saving time and money on every call.
out 3935 tok (+3802 ragionamento) latenza 41.1 s
Rispetto dei vincoli (budget di parole, elenco di parole vietate, l'unica domanda), impronta stilistica e controllo della lunghezza.
Usa GLM-5.1 in 30 secondi
Compatibile con OpenAI: cambi base_url e tieni il tuo 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-5.1",
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-5.1",
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-5.1",
"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-5.1",
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-5.1")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Informazioni su GLM-5.1
- Costruito su GLM-5, mette l'accento su un ciclo di sperimentazione, analisi e ottimizzazione anziché sulla generazione in un solo passaggio, abilitando esplorazione autonoma, miglioramento continuo e consegna stabile in ambienti di ingegneria complessi.
- Il modo in cui Z.AI inquadra l'aggiornamento riguarda la resistenza più che la capacità di picco: là dove il rilascio precedente si stabilizza presto dentro un ciclo agentico, GLM-5.1 è documentato come capace di sostenere l'ottimizzazione per centinaia di round e migliaia di chiamate agli strumenti, con un giudizio migliore sui problemi ambigui.
- Il modello offre una finestra di contesto da 200K con fino a 128K token di output, oltre a modalità thinking e function calling.
- I carichi di lavoro citati vanno oltre il codice, fino al dialogo generale, alla scrittura creativa, alla generazione di frontend e artifact e alla produttività da ufficio.
- Il thinking si commuta tramite lo stesso oggetto thinking del resto della linea e per impostazione predefinita lascia decidere al modello, con la traccia restituita in un campo reasoning_content separato; si noti che il controllo del reasoning effort aggiunto in seguito da Z.AI è documentato come esclusivo di GLM-5.2, quindi questo modello non ha una manopola per l'effort.
- Strumenti MCP, streaming, output JSON e caching automatico del prefisso sono tutti supportati, e i pesi sono pubblicati sotto la licenza MIT.
- Synthorai espone GLM-5.1 dietro il suo endpoint compatibile OpenAI per un'integrazione immediata.
FAQ
L'API di GLM-5.1 si può provare gratis?
Sì: i nuovi account ricevono 10 chiamate di prova e fino a $1 di credito gratuito, senza bisogno di carta. A $1.4/M per i token di input, quel credito basta da solo per circa 89 richieste da ~8K token a GLM-5.1.
In cosa eccelle GLM-5.1?
Lavoro autonomo fino a 8 ore; loop sperimenta-analizza-ottimizza anziché generazione in un solo passaggio; copertura dalla pianificazione a test e consegna. Il quadro completo è nella sezione «Informazioni», ripreso dalle note di rilascio ufficiali del provider.
Quanto costa GLM-5.1?
Su Synthorai GLM-5.1 costa $1.4 per milione di token di input e $4.4 per milione di token di output: è il prezzo di listino del provider, senza sovrapprezzo di piattaforma. I token di input letti dalla cache costano $0.26/M.
Qual è la finestra di contesto di GLM-5.1?
GLM-5.1 ha una finestra di contesto di 203K token su Synthorai. Una singola risposta può arrivare a 131,072 token.
GLM-5.1 supporta il prompt caching?
Sì, in automatico: i prompt serviti da Z.ai vanno in cache senza modifiche al codice. I token di input letti dalla cache costano $0.26/M, contro $1.4/M senza cache. Guida al prompt caching →
Come ottengo l'accesso a GLM-5.1?
Fai puntare l'SDK OpenAI che usi già a base_url="https://synthorai.io/v1", imposta model="glm-5.1" e hai finito: una sola chiave API vale per tutti i modelli del gateway.
GLM-5.1 è open source?
Sì: i pesi sono pubblicati sotto licenza MIT. Oppure lascia perdere le GPU: qui la versione hosted si paga a consumo, senza infrastruttura da gestire. Eseguire modelli open-weight →
Modelli correlati
Confronta
Ogni valore di questa pagina è ripreso dalla documentazione del provider (il link è qui sopra) e riporta la data dell'ultima verifica. I prezzi sono confrontati sull'intero catalogo; per le specifiche che ogni provider definisce a modo suo indichiamo la differenza invece di metterle in un grafico. Qui non c'è nulla di misurato da noi e non assegniamo punteggi.