Is GLM-5 open weights en kan ik het lokaal draaien?

Ja, de gewichten zijn gepubliceerd op Hugging Face bij zai-org/GLM-5. Met 744B parameters en 40B actief heb je aanzienlijke hardware nodig om het lokaal te draaien — raadpleeg de VRAM- en quantisatiehandleidingen voor je een zelf-hosted setup probeert.

Wat kost GLM-5 en hoe groot is het contextvenster?

Via de Z.ai API kost GLM-5 $0,60 per miljoen inputtokens en $1,92 per miljoen outputtokens, met een contextvenster van 204.800 tokens.

Hoe verschilt GLM-5 van GLM-4.5 of GLM-4.7?

GLM-5 schaalt op van GLM-4.5's 355B parameters (32B actief) naar 744B (40B actief) en verhoogt pre-trainingsdata van 23T naar 28,5T tokens; het voegt ook DeepSeek Sparse Attention en de slime asynchrone RL-infrastructuur toe, wat meetbare verbeteringen geeft op codeer-, redeneer- en agentbenchmarks ten opzichte van zijn voorgangers.

GLM 5

2525°

#llm #z-ai #redeneren #coderen #agenten #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Z.ai | 204,800 token context | $1.00/M input, $3.20/M output. GLM-5 is Z.ai’s flagship open-source foundation model engineered for complex systems design and long-horizon agent workflows. Built for expert developers, it delivers production-grade performance on large-scale programming tasks, rivaling leading closed-source models. With advanced agentic planning, deep backend reasoning, and iterative self-correction, GLM-5 moves beyond code generation to full-system construction and autonomous execution.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

GLM-5 is Z.ai's vlaggenschip open-weights model, een 744 miljard parameters sparse MoE (40 miljard actief) gebouwd specifiek voor complexe systeemengineering en agentachtige taken met lange horizon. Het schaalt op vanaf GLM-4.5 met meer parameters, meer pre-trainingsdata en een asynchrone RL-infrastructuur genaamd slime die post-training efficiënter maakt. Als je werkt aan multi-step agent pipelines of grootschalige backend systemen, is dit het open-weights model om eerst te benchmarken.

Bekend om

Topscore open-source op SWE-bench Verified en SWE-bench Multilingual
Sterke agentachtige en terminale taakprestaties, concurrerend met grensverleggende gesloten modellen
744B totaal / 40B actief MoE-architectuur houdt inferentiekosten beheersbaar
204.800-token contextvenster met DeepSeek Sparse Attention die lange contextkwaliteit behoudt
Iteratieve zelfcorrectie en autonome uitvoering voorbij enkelvoudige codegeneratie

Let op

Met 744B parameters vraagt zelf-hosting serieuze hardware; de meeste gebruikers zullen de API gebruiken.
Licentievoorwaarden zijn hier niet gedetailleerd — check de Hugging Face-repository voor commercieel gebruik.
Uitvoerkosten van $1,92 per miljoen tokens zijn niet goedkoop voor agentachtige loops met lange traces.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Draait lokaal

Prompts om te proberen

Ontwerp een gedistribueerde taakwachtrij

Ontwerp een productieklare gedistribueerde taakwachtrij in Python met Redis. Inclusief een workerproces met retry-logica en exponentiële backoff, een dead-letter queue voor mislukte taken, en een eenvoudige producer-API. Toon de volledige bestandsstructuur, code per bestand en leg de belangrijkste architecturale keuzes uit.

Debug een concurrency-bug

Ik heb een Go HTTP-server die onder belasting soms verouderde data teruggeeft. Meerdere goroutines lezen en schrijven een gedeelde map zonder synchronisatie. Identificeer de raceconditie, leg uit waarom die het symptoom veroorzaakt, herschrijf het relevante deel met sync.RWMutex en voeg een test toe die dit had ontdekt.

Plan een meerstaps agent

Je bouwt een agent die een GitHub-repository monitort, detecteert wanneer een nieuw issue is gelabeld als 'bug', de bug reproduceert in een sandbox, een fix voorstelt, een pull request opent en een Slack-kanaal informeert. Breek dit op in discrete agentstappen, identificeer de benodigde tools per stap en geef aan waar menselijke goedkeuring nodig is.

Vergelijk met

GLM 5.3 FlashX
Alleen API-model
1,048,576 token context · $0.37/M invoer, $1.25/M uitvoer
GLM 5V Turbo
Alleen API-model
202,752 token context · $1.20/M invoer, $4.00/M uitvoer
GLM 5 Turbo
Alleen API-model
202,752 token context · $1.20/M invoer, $4.00/M uitvoer
GLM 5.3 Prime
Alleen API-model
1,000,000 token context · $2.80/M invoer, $8.80/M uitvoer

Meer tekstmodellen van z-ai

Veelgestelde vragen

Is GLM-5 open weights en kan ik het lokaal draaien?: Ja, de gewichten zijn gepubliceerd op Hugging Face bij zai-org/GLM-5. Met 744B parameters en 40B actief heb je aanzienlijke hardware nodig om het lokaal te draaien — raadpleeg de VRAM- en quantisatiehandleidingen voor je een zelf-hosted setup probeert.
Wat kost GLM-5 en hoe groot is het contextvenster?: Via de Z.ai API kost GLM-5 $0,60 per miljoen inputtokens en $1,92 per miljoen outputtokens, met een contextvenster van 204.800 tokens.
Hoe verschilt GLM-5 van GLM-4.5 of GLM-4.7?: GLM-5 schaalt op van GLM-4.5's 355B parameters (32B actief) naar 744B (40B actief) en verhoogt pre-trainingsdata van 23T naar 28,5T tokens; het voegt ook DeepSeek Sparse Attention en de slime asynchrone RL-infrastructuur toe, wat meetbare verbeteringen geeft op codeer-, redeneer- en agentbenchmarks ten opzichte van zijn voorgangers.

Oordeel van de kapitein
De krachtigste open-weights optie voor serieuze agentachtige en systeemengineering taken, mits je de infrastructuur of uitvoerkosten kunt dragen.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Meta Llama 3.1 70B Instruct Turbo

TEXT / LLM

Qwen3 VL 32B Instruct

AI-modellen voor het genereren van afbeeldingen, video en tekst

GLM 5 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm z-ai redeneren coderen agenten lange context lokaal

Bladeren op modelfamilie