silvamux/glm-4.6

GLM 4.6面向数学求解、科学推理与结构化分析提供稳定的模型能力,优势集中在数学与科学推理和文本理解。适合需要兼顾任务理解与结果质量的产品和研发团队。

支持模态
text
输入价格¥3-4per 1M tokens
输出价格¥14-16per 1M tokens
上下文1M
最大输出131K

价格

以单次请求的输入上下文长度判定档位,Tune 与 Pro 采用相同的阶梯价格。

单位:每 100 万 tokens
输入上下文输入输出缓存读取缓存写入
≤ 32.768K tokens¥3¥14¥0.6¥0
> 32.768K tokens¥4¥16¥0.8¥0

模型能力

GLM 4.6在本轮能力评测中综合得分77,整体表现良好。其数学与科学推理(93%)和文本理解(92%)表现突出,能够处理数学求解、科学分析和结构化推理任务,并分析文档语义、提取关键信息并处理复杂问答。对企业知识库团队、AI 应用开发者和研究人员而言,它适合用于资料检索、文档问答、信息抽取和检索增强生成场景,解决从大量资料中找到相关信息,并形成可用于后续决策的回答;多语言能力(90%)也为相关任务提供补充。使用时应留意,智能体协同(37%)相对较弱,在需要多步骤自主规划、连续工具调用或跨智能体协作的任务中,建议增加人工复核或专项验证。

综合能力
77/ 100良好
突出能力数学与科学推理 93%文本理解 92% · 多语言能力 90%
最适合场景代码研发 / 信息检索 / 企业知识库场景适配度 77%
相对短板智能体协同37%

专项进阶能力

8 项
智能体协同37%

7 题 · 主/客观混合

代码生成80%

10 题 · 客观

代码理解与调试76%

12 题 · 主观

创意写作78%

17 题 · 主观

信息检索 / RAG89%

13 题 · 主/客观混合

长文本处理62%

3 题 · 主观

数学与科学推理93%

14 题 · 客观

多语言能力90%

10 题 · 主/客观混合

通用基础能力

3 项
通识知识76%

15 题 · 主/客观混合

文本理解92%

5 题 · 主观

逻辑推理76%

20 题 · 主/客观混合

安全与合规能力

2 项
幻觉控制74%

9 题 · 主观

指令遵循80%

14 题 · 主观

服务表现

Glm 4.6

glm-4.6
延迟
42.21s
吞吐量
2.34Ktokens/min
可用率
100.0%
可用率
100.0%
完成率
100%
缓存命中率
动态变化
累计评测耗时
14481.4s
Token 消耗
563,936tokens
平均请求次数
1.0
TPM
2,337tokens/min
QPM
0.6req/min

Glm 4.6 的示例代码和 API

Proglm-4.6
/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messages
统一入口OpenAIAnthropic
curl https://www.silvamux.com/api/v1/chat/completions \
  -H "Authorization: Bearer 你的API密钥" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-4.6",
    "messages": [{"role": "user", "content": "你好,请介绍一下自己"}]
  }'