GLM-5 vs GLM-5.2：料金と仕様の実測比較

どんなときに、どちらを選ぶか

この 2 つの Z.ai モデルはモダリティ（テキスト入出力）、能力フラグ（チャット・コード・推論・ツール・長コンテキスト）、131072 の最大出力トークン、任意の思考で一致します。違いは二つです。コンテキスト：2026-06-16 リリースの glm-5.2 は 1000000 トークンを受け付け、2026-02-12 の glm-5 の 200000 の 5 倍で、推論の強さのダイヤルも加わりました。料金表：glm-5 は両トークン行で約 1.4 分の 1 で、入力 $1 対 $1.4、出力 $3.2 対 $4.4、キャッシュ読み取りは 1.3 分の 1 の $0.2 対 $0.26 です。リポジトリ全体や大規模コーパスのプロンプトには glm-5.2 を、仕事が 200000 トークンに収まり価格が重要なら glm-5 に留まってください。

ベンチマーク

勝ち平均超え上回るモデルなしGLM-5115 ~~/ 52~~2 ~~/ 52~~GLM-5.21725 ~~/ 80~~1 ~~/ 80~~

両モデルとも測定されている項目は 18 件です。

GLM-5 GLM-5.2 測定された他モデル他モデルの平均 ★ これを上回るモデルなし

SWE-Bench Pro

55.1%

62.1%

Cybergym

43.2%

77.2%

Finance Agent v2

N/A

49.7%

Harvey Lab-AA

N/A

91%

GPQA Diamond

86%

91.2%

MCP-Atlas

69.8%

82.6%

ベンダー公表値： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

料金

	GLM-5	GLM-5.2	Δ
入力 / 100 万トークン	$1	$1.4	0.71×
出力 / 100 万トークン	$3.2	$4.4	0.73×
キャッシュ読み取り / 100 万トークン	$0.2	$0.26	0.77×

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置：100 万トークンあたりの入力料金（この課金単位のチャットモデル全 78 件、対数スケール）

GLM-5 · $1 GLM-5.2 · $1.4

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

対応機能

	GLM-5	GLM-5.2
ツール呼び出し	あり	あり
思考の制御	設定可能	設定可能
構造化出力	あり	あり
プロンプトキャッシュ	自動（暗黙的）	自動（暗黙的）
キャッシュ保持時間	公表なし	公表なし
キャッシュ対象の最小プレフィックス	公表なし	公表なし

仕様

	GLM-5	GLM-5.2
入力モダリティ	テキスト	テキスト
出力モダリティ	テキスト	テキスト
リリース	2026-02-12	2026-06-16
コンテキストウィンドウ	200K	1M
最大出力	131K	131K
思考パラメータ	thinking.type	thinking.type reasoning_effort
指定可能な値	thinking.type enabled disabled	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)
デフォルト	enabled, and on GLM-5 the model automatically determines whether to think	enabled, with reasoning_effort at max: the only GLM with an effort dial, and it defaults to the top of it

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。出典の一覧： GLM-5 · GLM-5.2

1 つのプロンプトを両モデルで実行（ゲートウェイ経由で測定）

CFO 向けの推論バグのある関数の修正スキーマに沿った抽出制約付きの文章作成

プロンプト Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. チェックちょうど 3 文

GLM-5 合格 · 3 sentences

Enabling reasoning forces the model to perform multiple hidden steps to "think" through a problem, drastically increasing the volume of data processed per query compared to a standard response. Because our billing is directly tied to this processing volume, the additional computational work required for higher accuracy has proportionally doubled our consumption. Essentially, the spike reflects a trade-off where we are paying a higher variable cost to secure significantly better analytical outcomes.

出力 1393 tok (+1308 思考) レイテンシ 36.0 s

GLM-5.2 合格 · 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.

出力 1223 tok (+1138 思考) レイテンシ 17.1 s

指示への忠実さ（ちょうど 3 文という、数えて確かめられる条件）、読み手に合わせた書き分け（CFO 向けの語り口）、そして下のトークンメーターに表れる、表示されない思考への課金の差。

プロンプト This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. チェック修正がテストを通る

GLM-5 合格 · 8/8 cases

Here is the fixed code: ```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 bug stems from initializing `best` and `cur` to zero, which causes the function to count the number of *transitions* between adjacent elements rather than the total number of items in the run, resulting in a return value that is always one less than the actual length (reporting 0 for a single element and 1 for a pair). By initializing the counters to 1 and resetting `cur` to 1 when a streak breaks, the logic correctly counts the items themselves; adding an explicit check for an empty list ensures the function handles the zero-element edge case correctly.

出力 2907 tok (+2694 思考) レイテンシ 73.7 s

GLM-5.2 不合格 · 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 […]

出力 4097 tok (+4036 思考) レイテンシ 58.4 s

修正が本当に正しいか（実行して確かめられる）、説明の密度、範囲の限られたタスクでのトークン効率。

プロンプト Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. チェック有効な JSON、スキーマに完全一致

GLM-5 合格 · 5/5 fields, guidance "withheld pending the Q4 close"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld pending the Q4 close" } ```

出力 3620 tok (+3561 思考) レイテンシ 91.8 s

GLM-5.2 合格 · 5/5 fields, guidance "withheld"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld" } ```

出力 1947 tok (+1893 思考) レイテンシ 30.9 s

スキーマの遵守（存在しないフィールドを作らない）、ハルシネーションを誘う条件への耐性（guidance は明示的に伏せてある）、構造化出力の実現方法の違い。

プロンプト Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. チェック 120 語、禁止語 0

GLM-5 合格 · 119 words, 0 banned, 1 question

We are thrilled to introduce Global Prompt Caching, a powerful new capability within our API gateway designed to optimize your AI operations. By intelligently storing prompt responses across every supported provider, this feature drastically reduces latency and cuts operational costs. Instead of processing identical requests repeatedly, our system serves cached results instantly, ensuring consistent performance even during high-traffic periods. Why pay full price for repeated inference on the same inputs? This update gives developers fine-grained control over cache lifetimes and hit rates, allowing for predictable budgeting and faster application response times. You can activate this functionality directly in your dashboard settings today. Start maximizing your efficiency now and deliver a snappier experience to your end-users without unnecessary API expenditure.

出力 715 tok (+571 思考) レイテンシ 18.9 s

GLM-5.2 合格 · 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.

出力 11125 tok (+10984 思考) レイテンシ 114.8 s

制約の遵守（語数の上限、禁止語リスト、疑問文はひとつだけ）、文体の癖、長さの制御。

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、エンドポイント、キー、リクエスト形式はすべて同じです。

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="glm-5",
    # model="glm-5.2",  # この行のコメントを外し、上の行をコメントアウト
    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",
  // model: "glm-5.2",  // この行のコメントを外し、上の行をコメントアウト
  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",
    # "model": "glm-5.2",  # この行のコメントを外し、上の行をコメントアウト
    "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",
		// Model: "glm-5.2",  // この行のコメントを外し、上の行をコメントアウト
		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")
        // .model("glm-5.2")  // この行のコメントを外し、上の行をコメントアウト
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

API キーを取得 →

よくある質問

GLM-5 と GLM-5.2 ではどちらが安いですか？

入力 / 100 万トークンは GLM-5 のほうが安くなります（$1 対 $1.4、1.4 倍の差）。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

GLM-5 と GLM-5.2 の A/B テストは、実装を 2 つ用意せずにできますか？

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

GLM-5 と GLM-5.2 はプロンプトキャッシュに対応していますか？

はい。どちらのモデルも、キャッシュ読み取りは通常の入力単価より安く課金されます。そのため、同じプレフィックスを繰り返し使うワークロードでは、定価から見込まれるよりコストが下がります。キャッシュ読み取りの正確な単価は、上の料金表に掲載しています。

当社の実測レポートより

GLM 5.3 API コスト：常時思考、回答単価は 5.2 の 2.5 分の 1 翻訳に最適な LLM：9 モデル・9 言語、コスト差は 400 倍 LLM 構造化出力：12 API 中 4 つが正しい JSON に誤値