GLM-5는 에이전틱 엔지니어링을 위해 만들어진 Z.AI의 신세대 파운데이션 모델로, 복잡한 시스템 엔지니어링과 롱 호라이즌 에이전트 과제를 겨냥합니다.
- 입력
- 텍스트 $1/M
- 출력
- 텍스트 $3.2/M
- 캐시 읽기
- $0.2/M
- 컨텍스트
- 200K
- GPT-4o 대비
- 약 80% 저렴
벤치마크
벤더 공개: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
가격의 위치
동종 60개 모델 중 가격 위치
이 막대는 Synthorai에 있는 같은 종류의 모델 가운데 이 모델의 가격이 어디쯤인지 보여 줍니다. 양쪽 끝에는 가장 싼 모델과 가장 비싼 모델의 이름이 있습니다. 기본 요율 기준이며 배치·리전·캐시 쓰기 할인은 가격 페이지에 있습니다.
스펙 및 제한
토큰
| 컨텍스트 윈도우(공급사 사양) | 200,000 |
|---|---|
| 최대 출력(벤더 스펙) | 131,072 |
프롬프트 캐싱
| 캐싱 방식 | 자동 |
|---|
사고
| 공급사 파라미터 | thinking.type |
|---|---|
| 허용 값 | enabled · disabled |
| 기본값 | enabled, GLM-5에서는 사고 여부를 모델이 자동으로 판단 요청에서 지정하지 않을 때 적용 |
| 비활성화 가능 | 지원 |
| 사고 동작 | 트레이스는 reasoning_content로 반환됩니다. 이전 턴의 트레이스는 기본적으로 삭제되며(clear_thinking true), 인터리브드 사고 블록은 보존해 도구 결과와 함께 반환하는 것이 좋습니다. |
| 파라미터 | reasoning_effort |
| 값 | minimal · low · medium · high 게이트웨이 측 파라미터 표면 - 위의 벤더 매핑이 적용됩니다 |
모델
| 모달리티 | 텍스트 → 텍스트 |
|---|---|
| 파라미터 | 전체 744B · 활성 40B MoE |
| 라이선스 | MIT |
- 에이전틱 엔지니어링을 위한 플래그십: 744B 파라미터 MoE(40B 활성), DeepSeek Sparse Attention으로 28.5T 토큰 사전 학습
- 200K 컨텍스트 / 128K 최대 출력
출처: Z.ai 공식 문서 ↗
하나의 프롬프트 - 게이트웨이를 통해 측정됨
GLM-5 통과 · 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.
출력 1393 tok (+1308 추론) 지연 시간 36.0 s
지시 준수(정확히 세 문장 - 셀 수 있음), 독자 맞춤(CFO 어조), 그리고 아래 토큰 계량기가 드러내는 숨은 사고 과금 격차.
GLM-5 통과 · 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.
출력 2907 tok (+2694 추론) 지연 시간 73.7 s
수정이 실제로 옳은지(실행 가능한지), 설명의 밀도, 그리고 범위가 정해진 작업에서의 토큰 효율.
GLM-5 통과 · 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" } ```
출력 3620 tok (+3561 추론) 지연 시간 91.8 s
스키마 준수(없는 필드를 지어내지 않기), 환각 압력(guidance는 명시적으로 보류됨), 그리고 구조화 출력 경로의 차이.
GLM-5 통과 · 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.
출력 715 tok (+571 추론) 지연 시간 18.9 s
제약 준수(단어 예산, 금지어 목록, 단 하나의 의문문), 문체 지문, 그리고 길이 제어.
30초 만에 GLM-5 사용하기
OpenAI 호환. base_url만 바꾸면 SDK는 그대로. 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",
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",
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",
"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",
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")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));GLM-5 소개
- 전작 대비 Z.AI는 파라미터를 355B(32B 활성)에서 744B(40B 활성)로, 사전 학습 데이터를 23T에서 28.5T 토큰으로 확장했고, 희소 어텐션과 Slime 비동기 강화 학습 프레임워크를 추가했습니다.
- 200K 컨텍스트 윈도우, 최대 128K 출력 토큰, 사고 모드, 함수 호출, 컨텍스트 캐싱, 오픈 웨이트를 제공하며, Z.AI는 오픈소스 최고 수준(state-of-the-art)의 코딩·에이전트 성능이라고 설명합니다.
- 코드 외에도 모델 페이지는 자체 팀이 겨냥하는 문서 중심 업무를 열거합니다.
- 계약서와 재무 문서에서 구조화된 데이터를 추출하는 일, 전문 번역, 고객 서비스 품질 검수, 그리고 캐릭터를 유지해야 하는 롤플레이나 스토리보드 작성입니다.
- 사고는 thinking 객체로 설정하는데, 이 세대에서 기본값 enabled는 강제로 추론하게 만든다는 뜻이 아니라 답변 전에 추론할지를 모델이 스스로 정한다는 뜻입니다.
- 트레이스는 별도의 reasoning_content 필드로 답변보다 먼저 스트리밍되어 돌아오며, 이전 턴의 트레이스는 기본적으로 제거됩니다.
- 도구 호출은 최대 128개 함수를 받아들이고 도구 인자를 증분 스트리밍하며, 외부 MCP 도구를 바로 연결할 수 있고, JSON 객체 출력을 지원하며, 반복되는 프리픽스의 캐싱은 자동입니다.
- 가중치는 MIT License로 공개되어 있습니다.
- Synthorai는 OpenAI 호환 엔드포인트로 GLM-5를 서빙하므로 기존 SDK가 그대로 동작합니다.
자주 묻는 질문
GLM-5 API는 무료로 사용해 볼 수 있나요?
네, 신규 계정에는 10회의 체험 호출과 최대 $1의 무료 크레딧이 제공되며, 카드 등록이 필요 없습니다. 입력 토큰 $1/M 기준으로, 이 크레딧만으로도 GLM-5에 약 8K 토큰 규모의 요청을 대략 125회 보낼 수 있습니다.
GLM-5는 무엇에 가장 강한가요?
744B 파라미터로 확장, 40B 활성, 희소 어텐션과 비동기 강화 학습, 200K 컨텍스트 윈도우의 오픈 웨이트. 전체 내용은 벤더의 공식 릴리스 노트를 정리한 소개 섹션을 참고하세요.
GLM-5의 가격은 얼마인가요?
Synthorai에서 GLM-5는 입력 토큰 100만 개당 $1, 출력 토큰 100만 개당 $3.2입니다. 공급사 정가 그대로이며 플랫폼 마진이 없습니다. 캐시된 입력 토큰은 $0.2/M로 과금됩니다.
GLM-5는 프롬프트 캐싱을 지원하나요?
네, 자동으로 지원합니다. Z.ai에서 서빙되는 프롬프트는 코드 변경 없이 캐시됩니다. 캐시된 입력 토큰은 $0.2/M로 과금됩니다(미캐시 시 $1/M). 프롬프트 캐싱 가이드 →
GLM-5는 어떻게 이용하나요?
기존 OpenAI SDK의 base_url을 "https://synthorai.io/v1"로 지정하고 model="glm-5"로 설정하면 끝입니다. API 키 하나로 게이트웨이의 모든 모델을 사용할 수 있습니다.
GLM-5는 오픈소스인가요?
네, 가중치가 MIT 라이선스 하에 공개되어 있습니다. GPU를 직접 마련할 필요도 없습니다: 여기서 제공되는 호스팅 버전은 종량제이며 운영할 인프라가 없습니다. 오픈 웨이트 모델 실행하기 →
관련 모델
비교
이 페이지의 모든 값은 벤더 자체 문서(위 링크)에서 전사했으며 확인 날짜를 함께 표기합니다. 가격은 카탈로그 전체와 비교하지만, 벤더마다 정의가 다른 사양 값은 차이를 명시할 뿐 도표로 비교하지 않습니다. 저희가 측정한 수치는 없으며 점수도 매기지 않습니다.