Appearance
GLM / Z.AI
最后核对：
2026-07-24
如果你想看一条非常明确的 native agentic 演进路线，GLM 是近一年最值得单独拆开的一个系列。
1. 2025 以来的发布时间线
以下日期来自 Z.AI 官方 New Released 页面。
| 时间 | 模型 | 官方描述重点 |
|---|---|---|
2025-07-28 | GLM-4.5 | 最新 native agentic LLM，强调推理、编码与 agentic 能力 |
2025-09-30 | GLM-4.6 | 旗舰 coding 模型，上下文扩展到 200K |
2025-12-22 | GLM-4.7 | 编码、推理、agentic 能力继续增强 |
2026-02-12 | GLM-5 | 面向复杂系统工程与长程 Agent 任务 |
2026-03-15 | GLM-5-Turbo | 面向高吞吐长链路 Agent 工作负载 |
2026-04-07 | GLM-5.1 | 强调长时独立工作能力，可持续执行长任务 |
2026-06-16 | GLM-5.2 | 1M lossless context，强化长时任务与编码 SOTA |
2. GLM 的架构路线非常鲜明
2.1 它不是只在做“更好的聊天模型”
从官方 release notes 和 overview 看，GLM 近一年的核心叙事几乎都围绕：
complex system engineeringlong-horizon tasksagentic codingtool and skills integration1M context
这说明 GLM 路线的重点，是把模型做成一个能长期执行的工程代理，而不是只做即时问答。
2.2 官方已经给出相当多的架构信号
以 GLM-4.5 为例，官方博客明确写到：
355B total parameters32B activated parametersMoE architecture
这类公开信息对于做算力预算、推理成本理解和私有化判断非常有帮助。
3. 公开参数与上下文
| 模型 | 总参数 | 激活参数 | 上下文 | 备注 |
|---|---|---|---|---|
GLM-4.5 | 355B | 32B | 128K | 官方明确写明 MoE 口径 |
GLM-4.5-X | 官方未在总览页细拆 | 官方未单独披露 | 与 4.5 系列相关 | 更高价高性能分支 |
GLM-4.6 | 官方总览页未披露具体总参数 | 未披露 | 200K | 旗舰 coding 路线 |
GLM-4.7 | 官方总览页未披露具体总参数 | 未披露 | 200K | 持续强化 agentic coding |
GLM-5 | 官方未公开总参数 | 未披露 | 200K | 面向复杂系统工程 |
GLM-5.1 | 官方未公开总参数 | 未披露 | 200K | 强调长时间独立执行 |
GLM-5.2 | 官方未公开总参数 | 未披露 | 1M | 官方明确强调 1M lossless context |
4. 当前官方价格
以下价格来自 Z.AI 官方 pricing 页面，单位为 USD / 1M tokens。
| 模型 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|
GLM-5.2 | $1.4 | $0.26 | $4.4 |
GLM-5.1 | $1.4 | $0.26 | $4.4 |
GLM-5 | $1.0 | $0.2 | $3.2 |
GLM-5-Turbo | $1.2 | $0.24 | $4.0 |
GLM-4.7 | $0.6 | $0.11 | $2.2 |
GLM-4.6 | $0.6 | $0.11 | $2.2 |
GLM-4.5 | $0.6 | $0.11 | $2.2 |
GLM-4.5-Air | $0.2 | $0.03 | $1.1 |
GLM-4.5-X | $2.2 | $0.45 | $8.9 |
4.1 这套价格体系说明了什么
很明显，GLM 在做的是：
- 把
长任务 / agent / coding做成主线 - 同时把价格压到更有竞争力的位置
对于很多团队来说，GLM 不是“替代一切”的答案，但它很可能是：
- 想做 Agent
- 又不想直接承受最高闭源单价
- 还想保留较强长上下文能力
时非常有吸引力的一条路线。
5. 为什么 GLM 值得单独看
5.1 优势
- 发布节奏快，路线非常连续
- 官方对
native agentic的定位很明确 - 价格与长上下文能力的组合很有竞争力
- 参数披露比很多闭源路线更透明
5.2 风险与边界
- 国际生态与默认开发者心智仍不如 OpenAI / Anthropic 强
- 不同代次的 naming / capability 需要认真区分
- 如果团队只会看 benchmark，很容易忽略它真正的优势在长任务工程能力
6. 一个关键判断：GLM 更像“Agent 系统模型”，不是普通聊天模型
如果你的目标是：
- 多步执行
- 复杂工程任务
- 长时规划与修复
- 多工具协同
那 GLM 的价值会比纯问答场景更大。
它的路线几乎是把“模型作为长期执行体”这件事直接写进了产品定义里。
7. 选型建议
优先考虑 GLM 的情况：
- 你想要
长上下文 + Agent + 编码的组合 - 你想降低对最贵闭源模型的依赖
- 你愿意用一条更偏 agentic engineering 的模型路线
如果你更关注：
- 超低 API 价格
- 更极端的公开 MoE 成本效率
就继续看 DeepSeek。
8. 主要来源
- Z.AI Release notes：https://docs.z.ai/release-notes/new-released.md
- Z.AI Models overview：https://docs.z.ai/guides/overview/overview.md
- Z.AI Pricing：https://docs.z.ai/guides/overview/pricing.md
- Z.AI GLM-4.5 博客：https://z.ai/blog/glm-4.5
- Z.AI GLM-5.2 博客：https://z.ai/blog/glm-5.2