GLM-5 ha pesi aperti e posso eseguirlo localmente?

Sì, i pesi sono pubblicati su Hugging Face in zai-org/GLM-5. Con 744B parametri e 40B attivi servirà hardware sostanzioso per l'esecuzione locale — consulta le guide su VRAM e quantizzazione prima di tentare un setup self-hosted.

Quanto costa GLM-5 e qual è la finestra di contesto?

Via API Z.ai, GLM-5 costa $0,60 per milione di token in input e $1,92 per milione di token in output, con una finestra di contesto da 204.800 token.

In cosa GLM-5 differisce da GLM-4.5 o GLM-4.7?

GLM-5 scala da GLM-4.5 con 355B parametri (32B attivi) a 744B (40B attivi) e aumenta i dati di pre-allenamento da 23T a 28,5T token; aggiunge inoltre DeepSeek Sparse Attention e l'infrastruttura RL asincrona slime, offrendo miglioramenti misurabili su coding, ragionamento e benchmark agentici rispetto ai predecessori.

GLM 5

2525°

#llm #z-ai #ragionamento #programmazione #agenti #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave 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.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

GLM-5 è il modello di punta open-weights di Z.ai, un MoE sparso da 744 miliardi di parametri (40B attivi) costruito specificamente per ingegneria di sistemi complessi e lavoro agentico a lungo termine. Scala da GLM-4.5 con più parametri, più dati di pre-allenamento e un'infrastruttura RL asincrona chiamata slime che rende più efficiente il post-allenamento. Se lavori con pipeline agentiche multi-step o sistemi backend su larga scala, questo è il modello open-weights da testare per primo.

Conosciuto per

Punteggi open-source di alto livello su SWE-bench Verified e SWE-bench Multilingual
Prestazioni agentiche e su compiti terminali forti, competitive con modelli chiusi di frontiera
Architettura MoE da 744B totali / 40B attivi che mantiene gestibili i costi di inferenza
Finestra di contesto da 204.800 token con DeepSeek Sparse Attention che preserva la qualità su contesti lunghi
Auto-correzione iterativa ed esecuzione autonoma oltre la generazione di codice one-shot

Attenzione a

Con 744B parametri, l'hosting autonomo richiede hardware serio; la maggior parte degli utenti userà l'API.
I termini di licenza non sono dettagliati qui — controlla il repository Hugging Face prima di qualsiasi uso commerciale.
Il prezzo output a $1,92 per milione di token non è economico per loop agentici ad alto volume che generano lunghe tracce.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Progetta una coda di task distribuita

Progetta una coda di task distribuita pronta per la produzione in Python usando Redis. Includi un processo worker con logica di retry e backoff esponenziale, una dead-letter queue per job falliti e una semplice API producer. Mostra la struttura completa dei file, il codice di ogni file e spiega le decisioni architetturali chiave.

Debugga un bug di concorrenza

Ho un server HTTP Go che occasionalmente restituisce dati obsoleti sotto carico. Più goroutine leggono e scrivono una mappa condivisa senza sincronizzazione. Identifica la race condition, spiega perché causa il sintomo, riscrivi la sezione rilevante usando sync.RWMutex e aggiungi un test che avrebbe rilevato il problema.

Pianifica un agente multi-step

Stai costruendo un agente che monitora un repository GitHub, rileva quando una nuova issue è etichettata 'bug', riproduce il bug in sandbox, propone una correzione, apre una pull request e notifica un canale Slack. Scomponi in passi agentici discreti, identifica gli strumenti necessari per ogni passo e segnala dove serve l'approvazione umana.

Confronta con

GLM 5.3 FlashX
Modello solo API
Contesto di 1,048,576 token · Input $0.37/M, output $1.25/M
GLM 5V Turbo
Modello solo API
Contesto di 202,752 token · Input $1.20/M, output $4.00/M
GLM 5 Turbo
Modello solo API
Contesto di 202,752 token · Input $1.20/M, output $4.00/M
GLM 5.3 Prime
Modello solo API
Contesto di 1,000,000 token · Input $2.80/M, output $8.80/M

Altri modelli di testo da z-ai

Domande frequenti

GLM-5 ha pesi aperti e posso eseguirlo localmente?: Sì, i pesi sono pubblicati su Hugging Face in zai-org/GLM-5. Con 744B parametri e 40B attivi servirà hardware sostanzioso per l'esecuzione locale — consulta le guide su VRAM e quantizzazione prima di tentare un setup self-hosted.
Quanto costa GLM-5 e qual è la finestra di contesto?: Via API Z.ai, GLM-5 costa $0,60 per milione di token in input e $1,92 per milione di token in output, con una finestra di contesto da 204.800 token.
In cosa GLM-5 differisce da GLM-4.5 o GLM-4.7?: GLM-5 scala da GLM-4.5 con 355B parametri (32B attivi) a 744B (40B attivi) e aumenta i dati di pre-allenamento da 23T a 28,5T token; aggiunge inoltre DeepSeek Sparse Attention e l'infrastruttura RL asincrona slime, offrendo miglioramenti misurabili su coding, ragionamento e benchmark agentici rispetto ai predecessori.

Verdetto del capitano
L'opzione open-weights più potente per lavori agentici seri e ingegneria di sistemi, a patto che tu possa sostenere l'infrastruttura o il conto per i token output.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

GLM 5 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm z-ai ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli