Är GLM-5 öppna vikter och kan jag köra den lokalt?

Ja, vikterna finns publicerade på Hugging Face under zai-org/GLM-5. Med 744 miljarder parametrar och 40 miljarder aktiva behöver du betydande hårdvara för lokal körning – se VRAM- och kvantiseringsguider innan du försöker självhosting.

Vad kostar GLM-5 och hur stort är kontextfönstret?

Via Z.ais API kostar GLM-5 $0.60 per miljon inmatningstokens och $1.92 per miljon utmatningstokens, med ett kontextfönster på 204 800 tokens.

Hur skiljer sig GLM-5 från GLM-4.5 eller GLM-4.7?

GLM-5 skalar upp från GLM-4.5:s 355 miljarder parametrar (32 miljarder aktiva) till 744 miljarder (40 miljarder aktiva) och ökar förträningsdata från 23 biljoner till 28,5 biljoner tokens; den lägger också till DeepSeek Sparse Attention och slime asynkron RL-infrastruktur, vilket ger mätbara förbättringar på kodning, resonemang och agentbenchmarks jämfört med båda föregångarna.

GLM 5

2525°

#llm #z-ai #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

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.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

GLM-5 är Z.ais flaggskeppsmodell med öppna vikter, en 744 miljarder parametrar stor sparsam MoE (40 miljarder aktiva) byggd specifikt för komplex systemteknik och långsiktigt agentarbete. Den skalar upp från GLM-4.5 med fler parametrar, mer förträningsdata och en asynkron RL-infrastruktur kallad slime som gör efterträning mer effektiv. Om ditt arbete involverar att bygga och köra flerstegs agentpipelines eller storskaliga backend-system är detta den öppna vikt-modell du bör benchmarka först.

Känd för

Toppresultat i öppen källkod på SWE-bench Verified och SWE-bench Multilingual
Stark agent- och terminaluppgiftsprestation, konkurrenskraftig med stängda frontlinjemodeller
744 miljarder totalt / 40 miljarder aktiva MoE-arkitektur håller inferenskostnader hanterbara
204 800 tokens kontextfönster med DeepSeek Sparse Attention som bevarar långkontextkvalitet
Iterativ självkorrigering och autonom exekvering bortom enkel kodgenerering

Se upp för

Med 744 miljarder parametrar krävs seriös hårdvara för självhosting; de flesta användare kommer använda API istället.
Licensvillkor är inte detaljerade här – kontrollera Hugging Face-repot innan kommersiell användning.
Utgångspriset på $1.92/M tokens är inte billigt för högvolyms agentloopar som genererar långa spår.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Designa en distribuerad task queue

Designa en produktionsklar distribuerad task queue i Python med Redis. Inkludera en worker-process med retry-logik och exponentiell backoff, en dead-letter queue för misslyckade jobb och ett enkelt producent-API. Visa full filstruktur, varje fils kod och förklara nyckelarkitekturval.

Debugga en samtidighetsbugg

Jag har en Go HTTP-server som ibland returnerar föråldrad data vid hög belastning. Flera goroutines läser och skriver i en delad karta utan synkronisering. Identifiera race condition, förklara varför den orsakar symptomet, skriv om relevant del med sync.RWMutex och lägg till ett test som skulle ha fångat detta.

Planera en flerstegsagent

Du bygger en agent som övervakar ett GitHub-repo, upptäcker när en ny issue märks som 'bug', reproducerar buggen i en sandbox, föreslår en fix, öppnar en pull request och notifierar en Slack-kanal. Bryt ner detta i diskreta agentsteg, identifiera verktyg varje steg behöver och markera var mänskligt godkännande bör krävas.

Jämför med

GLM 5.3 FlashX
Endast API-modell
1,048,576 tokens kontext · $0.37/M indata, $1.25/M utdata
GLM 5V Turbo
Endast API-modell
202,752 tokens kontext · $1.20/M indata, $4.00/M utdata
GLM 5 Turbo
Endast API-modell
202,752 tokens kontext · $1.20/M indata, $4.00/M utdata
GLM 5.3 Prime
Endast API-modell
1,000,000 tokens kontext · $2.80/M indata, $8.80/M utdata

Fler textmodeller från z-ai

Vanliga frågor

Är GLM-5 öppna vikter och kan jag köra den lokalt?: Ja, vikterna finns publicerade på Hugging Face under zai-org/GLM-5. Med 744 miljarder parametrar och 40 miljarder aktiva behöver du betydande hårdvara för lokal körning – se VRAM- och kvantiseringsguider innan du försöker självhosting.
Vad kostar GLM-5 och hur stort är kontextfönstret?: Via Z.ais API kostar GLM-5 $0.60 per miljon inmatningstokens och $1.92 per miljon utmatningstokens, med ett kontextfönster på 204 800 tokens.
Hur skiljer sig GLM-5 från GLM-4.5 eller GLM-4.7?: GLM-5 skalar upp från GLM-4.5:s 355 miljarder parametrar (32 miljarder aktiva) till 744 miljarder (40 miljarder aktiva) och ökar förträningsdata från 23 biljoner till 28,5 biljoner tokens; den lägger också till DeepSeek Sparse Attention och slime asynkron RL-infrastruktur, vilket ger mätbara förbättringar på kodning, resonemang och agentbenchmarks jämfört med båda föregångarna.

Kaptens omdöme
Det starkaste öppna vikt-alternativet för seriöst agent- och systemteknikarbete, förutsatt att du kan hantera infrastrukturen eller utgångstokenkostnaden.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Mistral Small 3.1 24B

TEXT / LLM

Claude Opus 4.1

TEXT / LLM

gpt oss safeguard 20b

TEXT / LLM

Step 5 Preview

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

GLM 5 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm z-ai resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj