Z.ai: GLM 5

Заявленные интерфейсные свойства определены достаточно конкретно. Вход и выход относятся к тексту. Документация Z.AI отдельно перечисляет несколько режимов и механизмов: thinking mode для выбора сценария рассуждений, потоковую выдачу, function call для интеграции с инструментами, context caching для длинных диалогов и structured output для структурированного результата, включая JSON-сценарии. В API-примере используется идентификатор glm-5 и endpoint Chat Completions, а также параметр thinking. Это делает модель кандидатом для текстовых приложений, где важны планирование, последовательное выполнение и вызовы функций, но не даёт основания обещать обработку изображений или видео: такие модальности в данной карточке не заявлены.

Основные сценарии, прямо описанные поставщиком, относятся к разработке и агентам. GLM-5 может генерировать запускаемый код для frontend-, backend- и data-задач; в описании Z.AI также указаны backend-рефакторинг, глубокая отладка, автономное планирование и выполнение агентных задач. Поэтому модель подходит для прототипа кодового помощника, оркестратора, который вызывает инструменты по шагам, и задач, где нужно пройти путь от неоднозначного запроса до проверяемого результата. Для такого использования полезно заранее описать доступные функции, формат аргументов, критерии самопроверки и границы записи во внешние системы — модельный вызов сам по себе не заменяет контроль этих операций.

По данным официального обзора, контекст GLM-5 составляет 200K, а максимальная выдача — 128K токенов. В записи OpenRouter используется точное значение 204 800 токенов, которое соответствует 200K в двоичной записи; перед расчётом бюджета всё равно проверяйте лимиты конкретного маршрута. Z.AI также сообщает о масштабе 744B параметров при 40B активных, переходе от 23T к 28,5T токенов предобучения и использовании DeepSeek Sparse Attention. Это сведения из материалов разработчика, а не независимая гарантия качества; заявленные там результаты SWE-bench Verified, Terminal Bench 2.0 и других тестов следует воспринимать как vendor-reported и перепроверять по методике, версии и дате.

Ограничения важны для выбора. Модель документирована как текстовая, поэтому мультимодальный поток нельзя добавлять только по аналогии с другими моделями Z.AI. Thinking, function call, кэширование и structured output нужно проверять на выбранном API-маршруте и учитывать в тестах совместимости. Длинный контекст не означает безусловно точное удержание каждой детали: для критичного результата нужны валидация схемы, ограничение инструментов, журналирование и повторная проверка фактов. Для нового проекта сравните условия Z.AI и OpenRouter, явно зафиксируйте model, лимиты, стоимость и поведение streaming до публикации интеграции.