模型概览

推荐模型

GLM-5.2

最新旗舰模型

• 开源 SOTA 能力
• 1M 无损上下文

GLM-5V-Turbo

多模态 Coding 模型

• 兼顾视觉与 Coding 能力
• 多模态工具链进一步扩展

GLM-Image

图像生成模型

• 文字渲染开源 SOTA
• 支持多分辨率

模型一览

若需要看模型价格，请直接前往价格页面。

文本模型

文本模型是一类专注于处理和生成自然语言的模型，涵盖了语言理解与推理能力，能够自动处理海量文本数据并进行逻辑推导。智谱的文本模型结合了强大的语言模型和推理模型，使得系统不仅能理解和生成文本内容，还能进行高层次的推理和判断。

模型	特点	上下文	最大输出
GLM-5.2	1M 上下文，支撑复杂长程任务稳定执行 Coding 能力开源 SOTA，从代码生成走向工程交付	1M	128K
GLM-5.1	Coding 能力对齐 Claude Opus 4.6 长程任务显著提升，可自主工作长达 8 小时	200K	128K
GLM-5	编程能力对齐 Claude Opus 4.5 擅长 Agentic 长程规划与执行	200K	128K
GLM-5-Turbo	龙虾任务核心需求专项优化 复杂长任务执行连续性好	200K	128K
GLM-4.7	通用对话、推理与智能体能力上全面升级 编程更强、更稳、审美更好	200K	128K
GLM-4.7-FlashX	轻量高速，小尺寸强能力 适用于中文写作、翻译、角色扮演等通用场景	200K	128K
GLM-4.6	上下文提升至 200K 擅长高级编码、复杂推理与工具调用	200K	128K
GLM-4.5-Air	高性价比轻量模型 推理、编码与智能体任务表现稳定	128K	96K
GLM-4.5-AirX	高性价比极速版本 适合低延迟、高响应要求的业务场景 适用于时效性有较强要求的场景	128K	96K
GLM-4-Long	支持高达 1M 上下文长度 能够理解和回应复杂的查询 为处理超长文本和记忆型任务设计	1M	4K
GLM-4-FlashX-250414	Flash 增强高速版本 推理速度快，适合高并发调用场景	128K	16K
GLM-4.7-Flash	免费模型，提供普惠体验 延续 GLM-4.7 基座的通用能力	200K	128K
GLM-4.5-Flash （即将下线）	免费模型，支持深度思考模式 支持最长 128K 的上下文处理	128K	96K
GLM-4-Flash-250414	免费模型，支持长上下文处理 适合多语言理解与工具调用场景	128K	16K

视觉模型

视觉模型是一类能处理图像或视频等视觉信息的模型，广泛应用于识别、分析与决策任务。其中，视觉理解模型侧重于看懂图像内容，如识别物体、场景和关系；而视觉推理模型进一步具备看图思考的能力，能结合视觉与语言信息完成逻辑判断、因果分析和多步推理，常用于图文问答、图像描述生成、多模态对齐等复杂任务。

模型	特点	上下文	最大输出
GLM-5V-Turbo	多模态 Coding 基座 兼顾视觉理解、推理与代码生成 适配 Agent 工作流与长上下文任务	200K	128K
GLM-4.6V	视觉推理能力增强 原生支持工具调用与长上下文 前端代码复刻效果更稳定	128K	32K
GLM-OCR	轻量图文解析模型 兼顾高精度、高效率文档理解 支持常见复杂版式解析	输入：单图 ≤ 10 MB， PDF ≤ 50 MB 最大支持 100 页
AutoGLM-Phone	手机智能助理框架 支持自然语言完成 App 操作任务 覆盖完整移动端操作指令集	20K	2048
GLM-4.1V-Thinking-FlashX	轻量视觉推理模型 擅长复杂场景理解与多步骤分析 适合高并发视觉推理场景	64K	16K
GLM-4.6V-Flash	免费模型，支持视觉推理 支持工具调用与长上下文处理 可灵活开关思考模式	128K	32K
GLM-4.1V-Thinking-Flash	免费模型，支持视觉推理 擅长复杂场景理解与多步骤分析 适合通用多模态理解任务	64K	16K
GLM-4V-Flash	免费模型，支持图像理解 具备基础多模态问答能力 适合轻量视觉理解场景	16K	1K

图像生成模型

图像生成模型是一类通过学习海量图像数据，实现从文本生成高质量图片的模型，广泛应用于视觉内容创作、游戏美术、产品设计、医学影像合成等领域。

模型	特点	多分辨率
GLM-Image	旗舰图像生成模型 复杂指令遵循与知识密集生成更强 文字渲染表现突出，汉字尤其出色	支持
CogView-4	通用图像生成模型 生成质量高，风格表达丰富多样 画面细节更完整，适合多类创意场景	支持
CogView-3-Flash	免费模型，创意生成灵活 生成速度快，适合轻量图像创作 兼顾基础质量与多样化表达	支持

视频生成模型

视频生成模型是一类通过学习时序视觉数据，从文本、图像或其他视频素材生成动态视频内容的模型，广泛应用于影视制作、虚拟人、动画生成、数字营销等领域。

模型	特点	多模态支持	多分辨率
CogVideoX-3	高智能旗舰视频模型 画质清晰度、指令遵循与物理模拟更强 现实与 3D 场景表现提升，支持首尾帧生成	图像、文本、 首尾帧	支持
Vidu Q1	高质量视频生成模型 画质清晰，转场流畅，风格表达更丰富 可减少画面崩坏，适合高质量成片场景	图像、文本、 首尾帧	不支持
Vidu 2	高速低价视频模型 生成速度快，兼顾成本与输出效果 首尾帧衔接自然，多参考图一致性更强	图像、参考、 首尾帧	不支持
CogVideoX-Flash	免费模型，支持视频生成 支持 AI 音效、4K 画质与 60fps 输出 支持最长 10 秒视频生成，适合轻量创作	图像、文本	支持

音视频模型

音视频模型是一类处理音频与视频信号的多模态模型，能够理解、生成或编辑视听内容，广泛应用于虚拟人、语音驱动动画、视频配音与剪辑、跨模态检索等场景。

模型	特点	多模态支持
GLM-TTS	语音合成模型 支持超拟人语音生成与情感表达 提供非流式与流式接口	文本
GLM-TTS-Clone	音色克隆模型 3 秒音频即可快速生成相似音色 支持普通话、轻口音与细腻情感表达	文本、音频
GLM-ASR-2512	高精度语音识别模型 字符错误率低，支持自定义词汇 覆盖多种主流语言与方言场景	音频
GLM-Realtime	实时音视频模型 支持视频通话与长时对话记忆 具备跨文本、音频和视频的实时推理能力	视频、音频、文本
GLM-4-Voice	实时语音对话模型 支持中英文语音理解与生成 可按指令调整情感、语调、语速和方言	文本、音频

向量模型

向量模型用于将高维的离散数据转换为低维的连续向量，捕捉数据的语义特征和关系。您可以使用我们的向量模型构建语义检索增强、聚类、主题建模和分类等功能。

模型	定位	上下文
Embedding-3	V3	8K
Embedding-2	V2	8K

其他模型

模型	特点	上下文	最大输出
CharGLM-4	拟人对话模型 适合情感陪伴与虚拟角色互动 支持更自然的人设化表达	8K	4K
Emohaa	心理情感支持模型 具备专业咨询与情绪疏导能力 帮助用户理解情感、应对问题	8K	4K
CodeGeeX-4	代码补全模型 适用于代码自动补全与开发辅助 提升编码效率与连续编写体验	128K	32K
Rerank	文本重排序模型 计算文本相关性 score 值 优化召回结果排序与匹配效果	4K	-

即将弃用模型

我们已经宣布了以下模型的弃用日期。在这些模型弃用后，我们会将它们自动路由至新的模型。请用户注意在弃用日期之前，将您的模型编码更新为最新版本，以确保服务的顺畅过渡。

模型	弃用时间	指向模型
GLM-Z1 系列	2025 年 11 月 15 日	-
GLM-4-0520	2025 年 12 月 30 日	-