GLM-5
- 输入 输入模态: 文本 输出 输出模态: 文本
- 推理
- 可关闭推理
- 工具调用
- 结构化输出
- 开放权重
价格
2 个渠道报价 · 按标价显示 Z.ai API（在新标签页打开）
glm-5| 条件/ 百万 tokens | 输入 | 缓存读取 | 输出 |
|---|---|---|---|
| 标准 | ¥4.00 | ¥1.00 | ¥18.00 |
| 提示超过 32K tokens | ¥6.00 | ¥1.50 | ¥22.00 |
价格来源 智谱 BigModel：API 定价（在新标签页打开） (核对于 2026年11月9日)
Z.ai API（在新标签页打开）
glm-5| 条件/ 百万 tokens | 输入 | 缓存读取 | 输出 |
|---|---|---|---|
| 标准 | $1.00 | $0.20 | $3.20 |
价格来源 Pricing（在新标签页打开） (核对于 2026年11月8日)
标准：不带任何条件的请求所付价格（即本站其他页面显示的标价）。
详细规格
- 许可证
- Apache-2.0
- 模型家族
- glm
- 模型 ID
Zhipu AI 的页面未说明：最长输入, 推理档位, 最大思考预算, 内置工具, 知识截止, 别名。
本地运行
权重： zai-org/GLM-5- 参数 753.9B
- 激活 51.7B （估算） · 专家 256（每 token 8）
- 原生精度 BF16
- 层数 78
- 每 token 的 KV 缓存 88 KB
- 配置位置数 198K （config.json max_position_embeddings）
- API 上下文 195K （厂商 API）
在你的配置上 · GeForce RTX 4090
✕放不下 IQ4_XS （自动） 8K 上下文
权重KV 缓存运行开销可用上限
- 需要
- ≈ 392.3 GB (权重 373.0 + KV 缓存 0.7 + 开销 18.6)
- 可用
- 21.6 GB (标称的 90%)
- 建议
- 这台配置跑不动，看下面的“最低需要”
| 推荐精度 | 权重 | 8K 需要 | 在你的配置上 | 最长上下文 |
|---|---|---|---|---|
| 原生 BF16 | 1404.2 GB | ≈ 1475.1 | ✕放不下 | — |
| Q8_0 | 746.0 GB | ≈ 784.0 | ✕放不下 | — |
| FP8官方 | 704.2 GB | ≈ 740.1 | ✕放不下 | — |
| Q6_K | 576.6 GB | ≈ 606.1 | ✕放不下 | — |
| Q5_K_M | 499.4 GB | ≈ 525.0 | ✕放不下 | — |
| Q5_0 | 482.7 GB | ≈ 507.5 | ✕放不下 | — |
| Q4_K_M | 426.5 GB | ≈ 448.5 | ✕放不下 | — |
| Q4_0 | 394.9 GB | ≈ 415.4 | ✕放不下 | — |
| IQ4_XS | 373.0 GB | ≈ 392.3 | ✕放不下 | — |
| Q3_K_M质量下降明显 | 343.1 GB | ≈ 361.0 | ✕放不下 | — |
| IQ3_XXS质量下降明显 | 268.5 GB | ≈ 282.7 | ✕放不下 | — |
| Q2_K质量下降明显 | 263.3 GB | ≈ 277.1 | ✕放不下 | — |
| IQ2_XXS质量下降明显 | 180.8 GB | ≈ 190.5 | ✕放不下 | — |
点一行换精度。“官方”是厂商自己发布的文件，大小是实际值；其余按参数量 × 每权重位数估算。
和其他配置比
每个配置各用它能跑的最高精度，点一个看细节。
最低需要（Q4_K_M · 8K）：单机放不下，约需 7 张 80 GB 显卡。
运行命令
厂商没有发布这个精度的文件。可选原生精度或厂商自己的版本，或用 llama.cpp 自己量化。
微调需要多少显存
全参≈ 11237.4 GB你的配置放不下
LoRA≈ 1408.9 GB你的配置放不下
QLoRA≈ 399.6 GB你的配置放不下
batch 1、序列 2048、梯度检查点；LoRA / QLoRA 为注意力投影上的 r=16 适配器。
估算；数据来自厂商的 Hugging Face 仓库，截至 2026-11-11。 怎么估算的
引用评分
来自第三方排行榜，并非我们测得- Epoch Capabilities Index 146.4
第 73 名，共 118 个上榜模型 · 置信区间 144.9–148
- LMArena Text 1,458
第 43 名，共 163 个上榜模型 · 置信区间 1,453–1,462 · 29,018 票
- Epoch AI · GPQA Diamond 87.8%
第 56 名，共 168 个上榜模型 · ±2.34
- Epoch AI · OTIS Mock AIME 2024–2025 80%
第 82 名，共 159 个上榜模型 · ±6
- Epoch AI, 'Capabilities & benchmarking'. Published online at epoch.ai. Retrieved from 'https://epoch.ai/benchmarks'. Licensed CC BY 4.0. · 许可 · 数据日期 2026年10月7日至2026年11月5日
- LMArena (Arena), leaderboard-dataset on Hugging Face, licensed CC BY 4.0 · 许可 · 数据日期 2026年11月8日
- EQ-Bench by Samuel J. Paech (eqbench.com; EQ-bench/EQ-bench-site on GitHub), MIT License. · 许可 · 数据日期 2026年10月28日
- 我们做的改动
厂商自报评分
由 Zhipu AI 发布，测试条件以其说明为准| 基准 | 测试设置 | 分数 |
|---|---|---|
| Humanity's Last Exam | text-only subset, no tools, 131,072 max generation tokens | 30.5% |
| text-only subset, with tools, 202,752 max context | 50.4% | |
| GPQA Diamond | temperature 1.0, 131,072 max generation tokens | 86% |
| SWE-bench Verified | OpenHands harness, 200K context | 77.8% |
| Terminal-Bench 2.0 | Terminus 2 harness, 2h timeout, 128K context | 56.2% |
| Claude Code 2.1.14 harness, think mode, avg of 5 runs | 56.2% | |
| BrowseComp | without context management (last 5 turns kept) | 62% |
| with discard-all context management | 75.9% | |
| τ²-bench | with vendor prompt adjustments (Retail, Telecom) and Airline domain fixes | 89.7% |
| MCP-Atlas | 500-task public subset, think mode, Gemini 3 Pro judge | 67.8% |
包含在编程套餐中
- Model Studio Coding Plan Pro $50.00 / 月6,000 次请求 每 5 小时45,000 次请求 每周90,000 次请求 每月
- Kiro Free 免费50 积分 每月
- Kiro Pro $20.00 / 月1,000 积分 每月
- Kiro Pro+ $40.00 / 月2,000 积分 每月
- Kiro Pro Max $100.00 / 月5,000 积分 每月
- Kiro Power $200.00 / 月10,000 积分 每月
变更
全部变更 →暂无变更记录。
来源
- zai-org/GLM-5 model card（在新标签页打开） huggingface.co · 核对于 2026年11月6日
- Pricing（在新标签页打开） docs.z.ai · 核对于 2026年11月8日
- 智谱 BigModel：API 定价（在新标签页打开） docs.bigmodel.cn · 核对于 2026年11月9日
- GLM-5（在新标签页打开） docs.z.ai · 核对于 2026年11月8日
- New Released（在新标签页打开） docs.z.ai · 核对于 2026年11月8日
- zai-org/GLM-5 model card（在新标签页打开） huggingface.co · 核对于 2026年11月8日
- models.dev: glm-5 (community data, MIT)（在新标签页打开） github.com · 核对于 2026年9月30日
- zai-org/GLM-5 model card（在新标签页打开） huggingface.co · 核对于 2026年11月8日
- GitHub - zai-org/GLM-5: GLM-5: From Vibe Coding to Agentic Engineering · GitHub（在新标签页打开） github.com · 核对于 2026年11月5日
- zai-org/GLM-5 config.json（在新标签页打开） huggingface.co · 核对于 2026年11月4日
- zai-org/GLM-5-FP8 files（在新标签页打开） huggingface.co · 核对于 2026年11月5日
本页部分数值尚待与官方页面核对：实心圆点已核实，空心圆点尚未核实（无论是否已有来源）。 我们如何核实数据
Zhipu AI · 中国 · z.ai
相关模型
快照、同系列与同厂商的其他模型