text
silvamux/
glm-5价格
以单次请求的输入上下文长度判定档位,Tune 与 Pro 采用相同的阶梯价格。
| 输入上下文 | 输入 | 输出 | 缓存读取 | 缓存写入 |
|---|---|---|---|---|
| ≤ 32.768K tokens | ¥4 | ¥18 | ¥1 | ¥0 |
| > 32.768K tokens | ¥6 | ¥22 | ¥1.5 | ¥0 |
模型能力
综合能力 81 分(优秀)。优势集中在 信息检索 / RAG(94%)、数学与科学推理(93%)、代码生成(90%)。相对短板为 智能体协同(49%)。适合 代码研发 / 高准确率专业场景 等场景。在 智能体协同 类任务上建议结合人工复核或专项验证。
81/ 100
专项进阶能力
8 项智能体协同49%
7 题 · 主/客观混合
代码生成90%
10 题 · 客观
代码理解与调试80%
12 题 · 主观
创意写作78%
17 题 · 主观
信息检索 / RAG94%
13 题 · 主/客观混合
长文本处理73%
3 题 · 主观
数学与科学推理93%
14 题 · 客观
多语言能力88%
10 题 · 主/客观混合
通用基础能力
3 项通识知识76%
15 题 · 主/客观混合
文本理解83%
5 题 · 主观
逻辑推理76%
20 题 · 主/客观混合
安全与合规能力
2 项幻觉控制86%
9 题 · 主观
指令遵循86%
14 题 · 主观
服务表现
Glm 5
glm-5- 延迟
- 58.2s
- 吞吐量
- 2.48Ktokens/min
- 可用率
- 100.0%
可用率
100.0%- 完成率
- 100%
- 缓存命中率
- 0.0%
- 累计评测耗时
- 12616.7s
- Token 消耗
- 521,918tokens
- 平均请求次数
- 1.0次
- TPM
- 2,482tokens/min
- QPM
- 0.7req/min
Glm 5 的示例代码和 API
Tune
glm-5@tune/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messagesPro
glm-5/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messagescurl https://www.silvamux.com/api/v1/chat/completions \
-H "Authorization: Bearer 你的API密钥" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5",
"messages": [{"role": "user", "content": "你好,请介绍一下自己"}]
}'# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://www.silvamux.com/api/v1",
api_key="你的API密钥",
)
response = client.chat.completions.create(
model="glm-5",
messages=[
{"role": "user", "content": "你好,请介绍一下自己"}
],
)
print(response.choices[0].message.content)// Gradle: implementation(__HL_SLOT_0__)
import okhttp3.*;
OkHttpClient client = new OkHttpClient();
MediaType json = MediaType.get("application/json");
String payload = "{\"model\":\"glm-5\",\"messages\":[{\"role\":\"user\",\"content\":\"你好,请介绍一下自己\"}]}";
Request request = new Request.Builder()
.url("https://www.silvamux.com/api/v1/chat/completions")
.header("Authorization", "Bearer 你的API密钥")
.post(RequestBody.create(payload, json))
.build();
try (Response response = client.newCall(request).execute()) {
System.out.println(response.body().string());
}// npm install openai
import OpenAI from 'openai'
const client = new OpenAI({
baseURL: 'https://www.silvamux.com/api/v1',
apiKey: '你的API密钥',
})
const response = await client.chat.completions.create({
model: 'glm-5',
messages: [{ role: 'user', content: '你好,请介绍一下自己' }],
})
console.log(response.choices[0].message.content)