Documentation Index Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt
Use this file to discover all available pages before exploring further.
GLM-4.5 和 GLM-4.5-Air 是我们的模型系列，专为智能体应用打造的基础模型。GLM-4.5 和 GLM-4.5-Air 均使用了混合专家（Mixture-of-Experts）架构。GLM-4.5 总参数达 3550 亿，激活参数为 320 亿； GLM-4.5-Air 采用更精简的设计，总参数为 1060 亿，激活参数为 120 亿。
GLM-4.5 和 GLM-4.5-Air 使用了相似的训练流程：首先在15万亿令牌的通用数据上进行了预训练。然后在代码、推理、智能体等领域的数据上进行了针对性训练，并将上下文长度扩展到 128k，最后通过强化学习进一步增强了模型的推理、代码与智能体能力。
GLM-4.5 和 GLM-4.5-Air 在工具调用、网页浏览、软件工程、前端编程领域进行了优化，可以接入 Claude Code、Roo Code 等代码智能体中使用，也可以通过工具调用接口支持任意的智能体应用。
GLM-4.5 和 GLM-4.5-Air 均采用混合推理模式，提供两种模式：用于复杂推理和工具使用的思考模式，以及用于即时响应的非思考模式。可通过 thinking.type 参数启用或关闭（支持 enabled 和 disabled 两种设置），默认开启动态思考功能。
GLM-4.5、GLM-4.5-X 模型即将下线，建议选择最新旗舰文本模型 GLM-4.7 。
Function Call 强大的工具调用能力，支持多种外部工具集成
结构化输出 支持 JSON 等结构化格式输出，便于系统集成
MCP 可灵活调用外部 MCP 工具与数据源，扩展应用场景
衡量 AGI 的第一性原理，是在不损失原有能力的前提下融合更多通用智能能力，GLM-4.5 是我们对此理念的首次完整呈现。GLM-4.5 融合更多复杂推理、代码和智能体等多种通用能力并有幸取得技术突破，首次在单个模型中实现将推理、编码和 Agent 能力原生融合，以满足 Agent 应用的复杂需求。
为综合衡量模型的通用能力，我们选择了最具有代表性的12个评测基准，包括MMLU Pro、AIME24、MATH 500、SciCode、GPQA 、HLE、LiveCodeBench、SWE-Bench、Terminal-bench、TAU-Bench、BFCL v3和BrowseComp。综合平均分，GLM-4.5 取得了全球模型第三。
更高的参数效率 GLM-4.5 参数量为 DeepSeek-R1 的 1/2、Kimi-K2 的 1/3，但同样在多项标准基准测试中表现得更为出色，这得益于GLM模型的更高参数效率。值得注意的是，GLM-4.5-Air 以 106B 总参数 / 12B 激活参数 实现了重要突破，在 Artificial Analysis 等推理基准上超越 Gemini 2.5 Flash、Qwen3-235B、Claude 4 Opus 等模型，性能位列国产前三。
在 SWE-Bench Verified 等图谱中，GLM-4.5 系列位于性能/参数比帕累托前沿 。
低成本、高速度 在性能优化之外，GLM-4.5 系列也在成本和效率上实现突破 ，由此带来远低于主流模型定价：API 调用价格低至输入 0.8 元/百万 tokens，输出 2 元/百万 tokens
同时，高速版本实测生成速度超过 100 tokens/秒 ，支持低延迟、高并发的实际部署需求，兼顾成本效益与交互体验。
真实体验 真实场景表现比榜单更重要。为了评测GLM-4.5在真实场景Agent Coding中的效果，我们接入Claude Code与Claude-4-Sonnet、Kimi-K2、Qwen3-Coder进行对比测试。测试采用52个编程开发任务，涵盖六大开发领域，在独立容器环境中进行多轮交互测试。
实测结果显示（如下图），GLM-4.5 相对其他开源模型展现出强劲竞争优势，特别在工具调用可靠性和任务完成度方面表现突出。GLM-4.5 相比 Claude-4-Sonnet 仍有提升空间，在大部分场景中可以实现平替的效果。为确保评测透明度，我们公布了52道题目及Agent轨迹 ，供业界验证复现。
Tips：
点击“体验一下”会跳转至体验中心，建议先看完使用指南再体验哦～
体验过程会消耗模型 tokens，如遇体验失败，可通过 链接 抢购特价资源包。
网页搭建
AI 助手
智慧办公
智能问答
复杂文本翻译
内容创作
虚拟角色
核心能力 ：代码能力
覆盖 Python、JavaScript、Java 等主流语言
基于自然语言指令生成结构清晰、可扩展的高质量代码
聚焦真实开发需求，避免模板化输出
使用案例 ：1 小时完成重构级任务，5 分钟生成完整产品原型核心能力 ：agent 能力
自动拆解复杂任务，生成清晰的执行步骤规划
灵活调用开发工具，一站式完成编码、调试、验证全流程
基于实时反馈动态调整策略，快速适配任务变更，持续优化执行路径
使用案例 ：在多模块协同开发项目中，交付周期缩短40%，人力投入减少约30%核心能力 ：PPT 制作
主题内容展开：支持基于一个标题或中心思想生成多页 PPT 内容段落
逻辑结构组织：自动将内容划分为导语、主体、总结等模块，语义分布合理
页面布局提示：可配合使用模板系统，建议内容呈现方式
使用案例 ：适用于办公自动化系统、AI 演示工具及其它效率类产品PPT 生成效果 ：核心能力 ：模型推理能力
深度理解自然语言指令，提取关键意图并转化为可执行任务
支持复杂逻辑链条的多轮推理，高效处理跨步骤、多变量的复合型问题场景
融合领域专业知识和上下文信息，提升推理结果的准确性和稳定性
使用案例 ：在复杂业务流程中，准确率提升60%，推理效率提升70%体验一下 核心能力 ：翻译能力
长篇复杂语句翻译：保持语义连贯与结构准确，适用于政策、学术类材料处理。
风格保持及迁移：能够在翻译过程中保留原文语气或调整为目标语言常用表达风格
小语种及非正式语境支持：覆盖多种语言，同时具备一定的社交文本翻译能力
使用案例 ：用于出版社作品翻译、出海内容本地化、跨境客服、社交媒体平台等场景体验一下 核心能力 ：创意写作
根据设定的主题、角色或世界观生成连贯、有起承转合的文学性文本
可根据受众定位、产品特征生成富有情感感染力的文案内容
短视频、新媒体脚本：支持符合抖音、小红书等平台风格的轻内容生产，结合情绪调控和叙事节奏
使用案例 ：适合部署于内容创作平台、营销工具链或 AI 写作助手中，提升内容生产效率与个性化程度体验一下 核心能力 ：拟人化表达
角色扮演对话系统：保持设定角色在多轮对话中的语气风格与行为一致性
情感文案生成：表达方式富有温度，适合打造“有人味”的品牌或用户陪伴式产品
虚拟形象内容创作：支持生成符合虚拟主播、人设IP的语料，如社交发言、粉丝互动等
使用案例 ：适合应用于虚拟人、社交 AI、品牌人格化运营等场景体验一下
体验中心 ：快速测试模型在业务场景上的效果接口文档 ：API 调用方式
思考模式 GLM 4.5 提供了“深度思考模式”，用户可以通过设置 thinking.type 参数来启用或关闭该模式。该参数支持两种取值：enabled（动态）和 disabled （禁用）。默认情况下开启动态思考功能。
简单任务（无需思考）：对于不需要复杂推理的简单请求（例如事实检索或分类），无需思考。
智谱AI 的成立时间。
翻译 I love you 这句英语成中文。
中等任务（默认/需要一定程度的思考）：许多常见请求都需要一定程度的分步处理或更深入的理解。GLM-4.5系列模型可以灵活运用思考能力来处理以下任务。
为什么木星拥有较多的卫星，而土星却比木星的卫星少得多？
从北京去上海，对比乘坐飞机和动车的优劣势。
困难任务（最大思维能力）：对于真正复杂的挑战，例如解决复杂的数学问题，联网问题，编码问题，这类任务要求模型充分发挥推理和规划能力，通常需要经过许多内部步骤才能提供答案。
详细解释 MoE 模型中不同专家是如何配合的。
根据上证指数的近一周的波动情况和时政信息，预测我是否应该购入股票指数 ETF，为什么？
示例代码 以下是完整的调用示例，帮助您快速上手 GLM-4.5 模型。
cURL
Python
Java
Python(旧)
基础调用 curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \ -H "Content-Type: application/json" \ -H "Authorization: Bearer your-api-key" \ -d '{ "model": "glm-4.5", "messages": [ { "role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role": "user", "content": "智谱AI 开放平台" } ], "thinking": { "type": "enabled" }, "max_tokens": 4096, "temperature": 0.6 }'
流式调用 curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \ -H "Content-Type: application/json" \ -H "Authorization: Bearer your-api-key" \ -d '{ "model": "glm-4.5", "messages": [ { "role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role": "user", "content": "智谱开放平台" } ], "thinking": { "type": "enabled" }, "stream": true, "max_tokens": 4096, "temperature": 0.6 }'
安装 SDK # 安装最新版本 pip install zai-sdk # 或指定版本 pip install zai-sdk== 0.2.2
验证安装 import zai print (zai. __version__ )
基础调用 from zai import ZhipuAiClient client = ZhipuAiClient( api_key = "your-api-key" ) # 请填写您自己的 API Key response = client.chat.completions.create( model = "glm-4.5" , messages = [ { "role" : "user" , "content" : "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role" : "assistant" , "content" : "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role" : "user" , "content" : "智谱开放平台" } ], thinking = { "type" : "enabled" , # 启用深度思考模式 }, max_tokens = 4096 , # 最大输出 tokens temperature = 0.6 # 控制输出的随机性 ) # 获取完整回复 print (response.choices[ 0 ].message)
流式调用 from zai import ZhipuAiClient client = ZhipuAiClient( api_key = "your-api-key" ) # 请填写您自己的 API Key response = client.chat.completions.create( model = "glm-4.5" , messages = [ { "role" : "user" , "content" : "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role" : "assistant" , "content" : "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role" : "user" , "content" : "智谱开放平台" } ], thinking = { "type" : "enabled" , # 启用深度思考模式 }, stream = True , # 启用流式输出 max_tokens = 4096 , # 最大输出tokens temperature = 0.6 # 控制输出的随机性 ) # 流式获取回复 for chunk in response: if chunk.choices[ 0 ].delta.reasoning_content: print (chunk.choices[ 0 ].delta.reasoning_content, end = '' , flush = True ) if chunk.choices[ 0 ].delta.content: print (chunk.choices[ 0 ].delta.content, end = '' , flush = True )
安装 SDK Maven < dependency > < groupId > ai.z.openapi </ groupId > < artifactId > zai-sdk </ artifactId > < version > 0.3.3 </ version > </ dependency >
Gradle (Groovy) implementation 'ai.z.openapi:zai-sdk:0.3.3'
基础调用 import ai.z.openapi.ZhipuAiClient; import ai.z.openapi.service.model.ChatCompletionCreateParams; import ai.z.openapi.service.model.ChatCompletionResponse; import ai.z.openapi.service.model.ChatMessage; import ai.z.openapi.service.model.ChatMessageRole; import ai.z.openapi.service.model.ChatThinking; import java.util.Arrays; public class BasicChat { public static void main ( String [] args ) { // 初始化客户端 ZhipuAiClient client = ZhipuAiClient . builder (). ofZHIPU () . apiKey ( "your-api-key" ) . build (); // 创建聊天完成请求 ChatCompletionCreateParams request = ChatCompletionCreateParams . builder () . model ( "glm-4.5" ) . messages ( Arrays . asList ( ChatMessage . builder () . role ( ChatMessageRole . USER . value ()) . content ( "作为一名营销专家，请为我的产品创作一个吸引人的口号" ) . build (), ChatMessage . builder () . role ( ChatMessageRole . ASSISTANT . value ()) . content ( "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" ) . build (), ChatMessage . builder () . role ( ChatMessageRole . USER . value ()) . content ( "智谱开放平台" ) . build () )) . thinking ( ChatThinking . builder (). type ( "enabled" ). build ()) . maxTokens ( 4096 ) . temperature ( 0.6f ) . build (); // 发送请求 ChatCompletionResponse response = client . chat (). createChatCompletion (request); // 获取回复 if ( response . isSuccess ()) { Object reply = response . getData (). getChoices (). get ( 0 ). getMessage (); System . out . println ( "AI 回复: " + reply); } else { System . err . println ( "错误: " + response . getMsg ()); } } }
流式调用 import ai.z.openapi.ZhipuAiClient; import ai.z.openapi.service.model.ChatCompletionCreateParams; import ai.z.openapi.service.model.ChatCompletionResponse; import ai.z.openapi.service.model.ChatMessage; import ai.z.openapi.service.model.ChatMessageRole; import ai.z.openapi.service.model.ChatThinking; import ai.z.openapi.service.model.Delta; import java.util.Arrays; public class StreamingChat { public static void main ( String [] args ) { // 初始化客户端 ZhipuAiClient client = ZhipuAiClient . builder (). ofZHIPU () . apiKey ( "your-api-key" ) . build (); // 创建流式聊天完成请求 ChatCompletionCreateParams request = ChatCompletionCreateParams . builder () . model ( "glm-4.5" ) . messages ( Arrays . asList ( ChatMessage . builder () . role ( ChatMessageRole . USER . value ()) . content ( "作为一名营销专家，请为我的产品创作一个吸引人的口号" ) . build (), ChatMessage . builder () . role ( ChatMessageRole . ASSISTANT . value ()) . content ( "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" ) . build (), ChatMessage . builder () . role ( ChatMessageRole . USER . value ()) . content ( "智谱开放平台" ) . build () )) . thinking ( ChatThinking . builder (). type ( "enabled" ). build ()) . stream ( true ) // 启用流式输出 . maxTokens ( 4096 ) . temperature ( 0.6f ) . build (); ChatCompletionResponse response = client . chat (). createChatCompletion (request); if ( response . isSuccess ()) { response . getFlowable (). subscribe ( // Process streaming message data data -> { if ( data . getChoices () != null && ! data . getChoices (). isEmpty ()) { Delta delta = data . getChoices (). get ( 0 ). getDelta (); System . out . print (delta + " \n " ); }}, // Process streaming response error error -> System . err . println ( " \n Stream error: " + error . getMessage ()), // Process streaming response completion event () -> System . out . println ( " \n Streaming response completed" ) ); } else { System . err . println ( "Error: " + response . getMsg ()); } } }
更新 SDK 至 2.1.5.20250726 # 安装最新版本 pip install zhipuai # 或指定版本 pip install zhipuai== 2.1.5.20250726
基础调用 from zhipuai import ZhipuAI client = ZhipuAI( api_key = "your-api-key" ) # 请填写您自己的 API Key response = client.chat.completions.create( model = "glm-4.5" , messages = [ { "role" : "user" , "content" : "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role" : "assistant" , "content" : "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role" : "user" , "content" : "智谱开放平台" } ], thinking = { "type" : "enabled" , }, max_tokens = 4096 , temperature = 0.6 ) # 获取完整回复 print (response.choices[ 0 ].message)
流式调用 from zhipuai import ZhipuAI client = ZhipuAI( api_key = "your-api-key" ) # 请填写您自己的 API Key response = client.chat.completions.create( model = "glm-4.5" , messages = [ { "role" : "user" , "content" : "作为一名营销专家，请为我的产品创作一个吸引人的口号" }, { "role" : "assistant" , "content" : "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息" }, { "role" : "user" , "content" : "智谱开放平台" } ], thinking = { "type" : "enabled" , }, stream = True , # 启用流式输出 max_tokens = 4096 , temperature = 0.6 ) # 流式获取回复 for chunk in response: if chunk.choices[ 0 ].delta.reasoning_content: print (chunk.choices[ 0 ].delta.reasoning_content, end = '' , flush = True ) if chunk.choices[ 0 ].delta.content: print (chunk.choices[ 0 ].delta.content, end = '' , flush = True )
