GLM-5는 오픈 웨이트이며 로컬에서 실행할 수 있나요?

네, 가중치는 Hugging Face의 zai-org/GLM-5에 공개되어 있습니다. 7440억 파라미터 중 400억 활성으로, 로컬 실행 시 상당한 하드웨어가 필요하니 VRAM 및 양자화 가이드를 참고하세요.

GLM-5의 비용과 컨텍스트 윈도우 크기는 어떻게 되나요?

Z.ai API 기준 입력 토큰당 0.60달러/백만, 출력 토큰당 1.92달러/백만이며, 컨텍스트 윈도우는 204,800 토큰입니다.

GLM-5는 GLM-4.5 또는 GLM-4.7과 어떻게 다른가요?

GLM-5는 GLM-4.5의 3550억 파라미터(320억 활성)에서 7440억(400억 활성)으로 확장되었고, 사전 학습 데이터는 23조에서 28.5조 토큰으로 증가했습니다. 또한 DeepSeek Sparse Attention과 slime 비동기 RL 인프라를 추가해 코딩, 추론, 에이전트 벤치마크에서 두 이전 버전 대비 눈에 띄는 성능 향상을 제공합니다.

GLM 5

2525°

#llm #z-ai #추론 #코딩 #에이전트 #긴 컨텍스트

모델 실행

제공 / 광고

OpenRouter 터미널 / API

토큰당 결제

브라우저에서 이 모델과 채팅하거나 하나의 API 키로 코드에서 호출하세요.

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.

이 모델의 가이드

용도별 최고의 로컬 LLM (2026년 10월): 모든 작업에 맞는 최적의 오픈 모델

로컬 AI에 실제로 필요한 VRAM은 얼마나 될까?

오픈 가중치 vs 오픈 소스 vs API 전용: 실제로 할 수 있는 것

GGUF 파일이란? 양자화 모델 설명 (Q4, Q8, fp8, NF4)

모든 가이드

캡틴의 노트

Captain 작성, 하우스 에디터

2026-10-13의 노트

GLM-5는 Z.ai의 대표적인 오픈 웨이트 모델로, 7440억 파라미터의 희소 MoE(활성 파라미터 400억)로 복잡한 시스템 엔지니어링과 장기 에이전트 작업을 위해 특별히 설계되었습니다. GLM-4.5에서 파라미터 수와 사전 학습 데이터가 증가했으며, 슬라임(slime)이라는 비동기 RL 인프라를 도입해 사후 학습 효율을 높였습니다. 다단계 에이전트 파이프라인 구축 및 대규모 백엔드 시스템 운영에 관여한다면, 이 오픈 웨이트 모델을 우선 벤치마크해 보세요.

알려진 점

SWE-bench Verified 및 SWE-bench Multilingual에서 최상위 오픈소스 점수
최첨단 폐쇄형 모델과 경쟁할 만한 강력한 에이전트 및 터미널 작업 성능
7440억 총 파라미터 / 400억 활성 MoE 아키텍처로 추론 비용 관리 가능
DeepSeek Sparse Attention으로 204,800 토큰의 컨텍스트 윈도우에서 긴 문맥 품질 유지
단일 코드 생성 이상의 반복적 자기 수정 및 자율 실행

주의할 점

7440억 파라미터로 자체 호스팅 시 상당한 하드웨어 요구; 대부분 사용자는 API 이용
라이선스 조건이 상세히 명시되어 있지 않으니 상업적 배포 전 Hugging Face 저장소 확인 필요
출력 토큰 비용이 1.92달러/백만 토큰으로, 긴 에이전트 루프에는 비용 부담이 큼

최적 용도

시도해볼 프롬프트

분산 작업 큐 설계

Redis를 사용하여 프로덕션 수준의 분산 작업 큐를 Python으로 설계하세요. 재시도 로직과 지수 백오프를 갖춘 워커 프로세스, 실패 작업을 위한 데드레터 큐, 간단한 프로듀서 API를 포함하세요. 전체 파일 구조와 각 파일의 코드를 보여주고 주요 아키텍처 결정 사항을 설명하세요.

동시성 버그 디버그

Go HTTP 서버가 부하 시 가끔 오래된 데이터를 반환합니다. 여러 고루틴이 동기화 없이 공유 맵을 읽고 쓰는데, 경쟁 상태를 찾아내고 증상을 일으키는 이유를 설명하세요. 관련 부분을 sync.RWMutex를 사용해 다시 작성하고, 이를 잡아낼 테스트도 추가하세요.

다단계 에이전트 계획

GitHub 저장소를 모니터링하는 에이전트를 만듭니다. 새 이슈에 'bug' 라벨이 붙으면 버그를 샌드박스에서 재현하고, 수정안을 제안해 풀 리퀘스트를 열고, Slack 채널에 알립니다. 이 작업을 단계별 에이전트 작업으로 나누고 각 단계에 필요한 도구를 식별하며, 인간 승인 필요 지점을 표시하세요.

비교하기

GLM 5.3 FlashX
API 전용 모델
1,048,576 토큰 컨텍스트 · $0.37/M 입력, $1.25/M 출력
GLM 5V Turbo
API 전용 모델
202,752 토큰 컨텍스트 · $1.20/M 입력, $4.00/M 출력
GLM 5 Turbo
API 전용 모델
202,752 토큰 컨텍스트 · $1.20/M 입력, $4.00/M 출력
GLM 5.3 Prime
API 전용 모델
1,000,000 토큰 컨텍스트 · $2.80/M 입력, $8.80/M 출력

z-ai의 더 많은 텍스트 모델

사람들이 묻는 질문

GLM-5는 오픈 웨이트이며 로컬에서 실행할 수 있나요?: 네, 가중치는 Hugging Face의 zai-org/GLM-5에 공개되어 있습니다. 7440억 파라미터 중 400억 활성으로, 로컬 실행 시 상당한 하드웨어가 필요하니 VRAM 및 양자화 가이드를 참고하세요.
GLM-5의 비용과 컨텍스트 윈도우 크기는 어떻게 되나요?: Z.ai API 기준 입력 토큰당 0.60달러/백만, 출력 토큰당 1.92달러/백만이며, 컨텍스트 윈도우는 204,800 토큰입니다.
GLM-5는 GLM-4.5 또는 GLM-4.7과 어떻게 다른가요?: GLM-5는 GLM-4.5의 3550억 파라미터(320억 활성)에서 7440억(400억 활성)으로 확장되었고, 사전 학습 데이터는 23조에서 28.5조 토큰으로 증가했습니다. 또한 DeepSeek Sparse Attention과 slime 비동기 RL 인프라를 추가해 코딩, 추론, 에이전트 벤치마크에서 두 이전 버전 대비 눈에 띄는 성능 향상을 제공합니다.

캡틴의 평가
인프라와 출력 토큰 비용을 감당할 수 있다면, 진지한 에이전트 및 시스템 엔지니어링 작업에 가장 강력한 오픈 웨이트 옵션입니다.

Hugging Face의 모델 카드

캡틴은 모델의 설명과 모델 카드에서 이 노트를 작성합니다. 가격과 컨텍스트 크기는 작성 시점의 제공자 기준이며 변경될 수 있습니다.

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

이 점수가 어떻게 계산되는지

이 모델은 아직 어떤 출처에서도 인기 데이터가 없어서 7,000° 아래에 임시 점수를 가지고 있어. 이 점수는 목록을 완성하는 데 쓰여. 데이터가 있는 모델보다 절대 순위가 높지 않아. 출처에서 보고가 들어오는 즉시 여기서 세부 내역이 나타나.

용어집: 여기서 쓰는 말들

히트 점수: 모델이 지금 얼마나 쓰이고 원하는지 한 숫자로 나타낸 거야, 0°부터 9,999°까지. 이 사이트에서 가장 인기 있는 목록은 모두 이 점수로 정렬돼.
기본 점수: 실제 데이터가 있는 모든 모델이 시작하는 7,000°야. 점수는 0°부터 9,999°까지인데, 기본 점수 아래는 데이터 없는 모델(대체 모델)용으로 남겨둬서 데이터 있는 모델이 항상 위에 오도록 해. 기본 점수는 모두 같고 아무것도 결정하지 않아; 그 위 점수가 실제 측정치야.
다운로드 동등치: 점수가 다운로드로 취급하는 모든 걸 합친 거야: 실제 다운로드, 토렌트 시더 1,000개씩, AI Horde 이미지와 생성 사이트 실행 1개씩.
로그 스케일: 1씩이 아니라 10씩 세는 거야: 1,000에서 10,000 다운로드가 늘면 10,000에서 100,000 늘어난 것과 같은 점수가 더해져. 큰 모델이 다 차지하는 걸 막아줘.
좋아요: 모든 출처의 좋아요와 엄지척, 로그 스케일에서 다운로드 절반 가치야.
채택률: 두 번 측정한 차이로 계산한 지금 하루 다운로드 수야. 다운로드 항목 무게의 4분의 1이야.
측정 및 추정: 측정은 두 번의 소스 읽기가 존재하고 그 차이가 실제라는 뜻이야. 추정은 오늘의 총합만 알고 과거는 모델의 전체 기간에 나눠서 보여주는 거야; 사이트에서 어떤 걸 보여주는지 알려줘.
시더: 토렌트를 통해 다른 사람이 다운로드할 수 있도록 가중치 파일을 온라인에 보관하는 사람이나 호스팅 미러를 말해. 각각 1,000번 다운로드로 계산돼.
AI 호드: 기부받은 컴퓨터에서 무료로 이미지를 생성하는 자원봉사 네트워크야. 모델로 만든 이미지 수가 공개되고, 각각이 한 번의 다운로드로 계산돼.
생성 사이트: PixAI, SeaArt, Yodayo 같은 모델 복사본을 직접 호스팅하고 사람들이 생성할 수 있게 하는 사이트들이야. 이들의 다운로드는 Civitai와 같고, 생성 한 번이 한 번의 다운로드로 계산돼.
OpenRouter 토큰: Claude나 GPT 같은 API를 통해 제공되는 텍스트 모델은 다운로드할 가중치가 없으므로, 지난 30일간 OpenRouter를 통해 읽고 쓴 텍스트 조각인 토큰 수로 사용량을 측정합니다. 10,000,000 토큰마다 다운로드 1회로 계산합니다. 출처: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
전체 모델 (체크포인트): 가중치 자체, 혼자서 생성하는 파일이야. 애드온이 이걸 기반으로 하기 때문에 보너스 점수를 받아.
LoRA와 임베딩: 다른 사람의 가중치를 특정 스타일, 캐릭터, 개념 쪽으로 조정하는 작은 추가 파일이야. 혼자 실행할 수 없어.
패밀리와 가중치: 모델이 기반으로 하는 것, 예를 들어 SD 1.5, SDXL, Flux, Wan 같은 거야. 모든 모델은 패밀리 가중치의 출시일을 물려받아.
연령: 패밀리 가중치가 나온 지 얼마나 됐는지에 따라 점수를 깎아: 1년에 150°, 최대 750°까지. 오래된 다운로드는 리스트 상단 고정을 풀어 쌓이도록 해.
패밀리 부스트: 이 사이트가 지금 밀고 있는 패밀리의 LoRA에 주는 작고 제한된 점수 조정으로, 항상 세부 내역에 표시돼.
대체 점수: 아직 소스 보고가 없는 모델에 안정적으로 주는 최저 점수로, 리스트가 완전하게 유지되도록 해. 데이터가 있는 모델보다 절대 높게 평가되지 않아.
신규! (유예 기간): 7일 미만의 신규 모델은 점수 대신 '신규!' 표시가 나오며 순위에 포함되지 않습니다. 점수는 첫날부터 계산되지만, 하루 된 모델은 매우 빠르게 성장하므로 유예 기간 없이는 항상 어제 나온 모델이 이번 주 #1이 되어버립니다.
추세: 한 기간 동안 모델의 성장 속도가 같은 기간의 일반 모델 성장 속도와 비교해서 어떤지 보여줘. 일반보다 빠르면 상승, 느리면 하락으로 봐.
일반 모델: 카탈로그의 중간값: 수치가 있는 모델 중 절반은 기간 동안 더 빨리 성장했고, 절반은 더 느리게 성장했어.