silvamux/glm-5

GLM 5面向企业知识检索、资料问答与检索增强生成提供稳定的模型能力,优势集中在信息检索/RAG和数学与科学推理。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¥4-6per 1M tokens
输出价格¥18-22per 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¥4¥18¥1¥0
> 32.768K tokens¥6¥22¥1.5¥0

模型能力

GLM 5在本轮能力评测中综合得分81,整体表现优秀。其信息检索 / RAG(94%)和数学与科学推理(93%)表现突出,能够从知识库和多来源资料中定位信息、组织证据并生成有依据的回答,并处理数学求解、科学分析和结构化推理任务。对软件开发者和工程团队而言,它适合用于代码编写、代码库理解、重构调试等研发场景,解决在复杂代码任务中兼顾生成结果与上下文理解;代码生成(90%)也为相关任务提供补充。不过,智能体协同(49%)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
81/ 100优秀
突出能力信息检索 / RAG 94%数学与科学推理 93% · 代码生成 90%
最适合场景代码研发 / 高准确率专业场景场景适配度 81%
相对短板智能体协同49%

专项进阶能力

8 项
智能体协同49%

7 题 · 主/客观混合

代码生成90%

10 题 · 客观

代码理解与调试80%

12 题 · 主观

创意写作78%

17 题 · 主观

信息检索 / RAG94%

13 题 · 主/客观混合

长文本处理73%

3 题 · 主观

数学与科学推理93%

14 题 · 客观

多语言能力88%

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83%

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86%

9 题 · 主观

指令遵循86%

14 题 · 主观

服务表现

Glm 5 Tune

glm-5@tune
延迟
14.11s
吞吐量
12.48Ktokens/min
可用率
99.7%
可用率
99.7%
完成率
100%
缓存命中率
动态变化
累计评测耗时
5557.4s
Token 消耗
1,155,566tokens
平均请求次数
7.2
TPM
12,476tokens/min
QPM
1.9req/min

Glm 5

glm-5
延迟
58.2s
吞吐量
2.48Ktokens/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
12616.7s
Token 消耗
521,918tokens
平均请求次数
1.0
TPM
2,482tokens/min
QPM
0.7req/min

Glm 5 的示例代码和 API

Tuneglm-5@tune
/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messages
统一入口OpenAIAnthropic
Proglm-5
/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-5",
    "messages": [{"role": "user", "content": "你好,请介绍一下自己"}]
  }'