GLM-5 est-il à poids ouverts et puis-je l'exécuter localement ?

Oui, les poids sont publiés sur Hugging Face à zai-org/GLM-5. Avec 744 milliards de paramètres et 40 milliards actifs, vous aurez besoin d'un matériel conséquent pour l'exécuter localement — consultez les guides VRAM et quantification avant de tenter une installation auto-hébergée.

Quel est le coût de GLM-5 et quelle est la taille de la fenêtre contextuelle ?

Via l'API Z.ai, GLM-5 est tarifé à 0,60 $ par million de tokens en entrée et 1,92 $ par million de tokens en sortie, avec une fenêtre contextuelle de 204 800 tokens.

En quoi GLM-5 diffère-t-il de GLM-4.5 ou GLM-4.7 ?

GLM-5 évolue depuis les 355 milliards de paramètres (32 milliards actifs) de GLM-4.5 à 744 milliards (40 milliards actifs) et augmente les données de pré-entraînement de 23T à 28,5T tokens ; il ajoute aussi DeepSeek Sparse Attention et l'infrastructure RL asynchrone slime, offrant des gains mesurables sur le codage, le raisonnement et les benchmarks agentiques par rapport aux prédécesseurs.

GLM 5

2525°

#llm #z-ai #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

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.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

GLM-5 est le modèle phare à poids ouverts de Z.ai, un MoE sparse de 744 milliards de paramètres (40 milliards actifs) construit spécifiquement pour l'ingénierie de systèmes complexes et le travail agentique à long horizon. Il évolue depuis GLM-4.5 avec plus de paramètres, plus de données de pré-entraînement, et une infrastructure RL asynchrone appelée slime qui rend le post-entraînement plus efficace. Si votre travail implique de construire et exécuter des pipelines agentiques multi-étapes ou des systèmes backend à grande échelle, c'est le modèle à poids ouverts à benchmarker en premier.

Connu pour

Scores open-source de premier plan sur SWE-bench Verified et SWE-bench Multilingual
Performance agentique et sur tâches terminales forte, compétitive avec les modèles fermés de pointe
Architecture MoE 744B total / 40B actif qui maintient les coûts d'inférence raisonnables
Fenêtre contextuelle de 204 800 tokens avec DeepSeek Sparse Attention qui préserve la qualité sur long contexte
Auto-correction itérative et exécution autonome au-delà de la génération de code en une seule fois

Attention à

Avec 744 milliards de paramètres, l'auto-hébergement demande un matériel sérieux ; la plupart des utilisateurs passeront par l'API.
Les termes de licence ne sont pas détaillés ici — vérifiez le dépôt Hugging Face avant tout déploiement commercial.
Le tarif de sortie à 1,92 $/M tokens n'est pas bon marché pour les boucles agentiques à gros volume générant de longues traces.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Concevoir une file de tâches distribuée

Conçois une file de tâches distribuée prête pour la production en Python avec Redis. Inclue un processus worker avec logique de retry et backoff exponentiel, une dead-letter queue pour les jobs échoués, et une API producteur simple. Montre la structure complète des fichiers, le code de chaque fichier, et explique les décisions architecturales clés.

Déboguer un bug de concurrence

J'ai un serveur HTTP Go qui retourne parfois des données obsolètes sous charge. Plusieurs goroutines lisent et écrivent dans une map partagée sans synchronisation. Identifie la condition de course, explique pourquoi elle cause ce symptôme, réécris la section concernée avec sync.RWMutex, et ajoute un test qui aurait détecté ce problème.

Planifier un agent multi-étapes

Tu construis un agent qui surveille un dépôt GitHub, détecte quand un nouvel issue est étiqueté 'bug', reproduit le bug dans un sandbox, propose une correction, ouvre une pull request, et notifie un canal Slack. Décompose cela en étapes agentiques distinctes, identifie les outils nécessaires à chaque étape, et indique où une approbation humaine devrait être requise.

Comparer avec

GLM 5.3 FlashX
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.37/M, sortie $1.25/M
GLM 5V Turbo
Modèle uniquement API
Contexte de 202,752 tokens · entrée $1.20/M, sortie $4.00/M
GLM 5 Turbo
Modèle uniquement API
Contexte de 202,752 tokens · entrée $1.20/M, sortie $4.00/M
GLM 5.3 Prime
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.80/M, sortie $8.80/M

Plus de modèles de texte de z-ai

Questions fréquentes

GLM-5 est-il à poids ouverts et puis-je l'exécuter localement ?: Oui, les poids sont publiés sur Hugging Face à zai-org/GLM-5. Avec 744 milliards de paramètres et 40 milliards actifs, vous aurez besoin d'un matériel conséquent pour l'exécuter localement — consultez les guides VRAM et quantification avant de tenter une installation auto-hébergée.
Quel est le coût de GLM-5 et quelle est la taille de la fenêtre contextuelle ?: Via l'API Z.ai, GLM-5 est tarifé à 0,60 $ par million de tokens en entrée et 1,92 $ par million de tokens en sortie, avec une fenêtre contextuelle de 204 800 tokens.
En quoi GLM-5 diffère-t-il de GLM-4.5 ou GLM-4.7 ?: GLM-5 évolue depuis les 355 milliards de paramètres (32 milliards actifs) de GLM-4.5 à 744 milliards (40 milliards actifs) et augmente les données de pré-entraînement de 23T à 28,5T tokens ; il ajoute aussi DeepSeek Sparse Attention et l'infrastructure RL asynchrone slime, offrant des gains mesurables sur le codage, le raisonnement et les benchmarks agentiques par rapport aux prédécesseurs.

Verdict du capitaine
L'option à poids ouverts la plus puissante pour un travail agentique sérieux et d'ingénierie système, à condition de pouvoir absorber l'infrastructure ou la facture des tokens de sortie.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Hunyuan A13B Instruct

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

GLM 5 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm z-ai raisonnement programmation agents contexte long local

Parcourir par famille de modèles