模型概览

最新模型

GLM-5.3

旗舰模型

• 在复杂软件工程、终端操作和更广泛的 Agent 任务上进步显著，并在效果和 Token 利用率之间平衡更佳

GLM-5.3-Flash

原生多模态模型

• 普惠的全球前沿模型，能够原生理解图片视频、生成可交互代码，自主完成研究分析、文档制作等专业任务

推荐模型

若需要看模型价格，请直接前往价格页面。

以下为智谱 9 款核心模型，覆盖文本生成、多模态理解、图像生成、视频生成、OCR、语音识别、语音合成、向量检索等全场景需求：

模型	特点	上下文	最大输出
GLM-5.3	编程与智能体能力比肩 Claude Fable 5 长程任务与复杂环境中表现更佳	1M	128K
GLM-5.3-Flash	普惠的全球前沿多模态模型 能够原生理解图片视频，生成可交互代码等专业任务	1M	128K
GLM-5.2	支撑复杂长程任务稳定执行 Coding 能力大幅提升，从代码生成走向工程交付	1M	128K
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，支持多分辨率
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
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，多模态支持音频
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，多模态支持文本
CogVideoX-3	旗舰视频模型 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
Embedding-3	第三代文本向量化模型（V3） 适用于语义检索、聚类、主题建模与分类等场景	8K	-

全部模型

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-5.1	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升级	200K	128K
GLM-4.7-FlashX	轻量高速，小尺寸强能力	200K	128K
GLM-4.6	擅长高级编码、复杂推理与工具调用	200K	128K
GLM-4.5-Air	轻量模型 推理、编码与智能体任务表现稳定	128K	96K
GLM-4.5-AirX	极速版本 适合低延迟、高响应要求的业务场景	128K	96K
GLM-4-Long	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	免费文本模型 延续 GLM-4.7 基座的通用能力	200K	128K
GLM-4.5-Flash	免费文本模型 支持最长 128K 的上下文处理	128K	96K
GLM-4-Flash-250414	免费文本模型	128K	16K

视觉理解模型

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	原生支持工具调用 前端代码复刻效果更稳定	128K	32K
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	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	128K	32K
GLM-4.1V-Thinking-Flash	免费模型，支持视觉推理	64K	16K
GLM-4V-Flash	免费模型，支持图像理解	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
CogView-4	通用图像生成模型，生成质量高 画面细节更完整，适合多类创意场景	支持
CogView-3-Flash	免费模型 适合轻量图像创作	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	多分辨率
Vidu Q1	高质量视频生成模型	图像、文本、 首尾帧
Vidu 2	高速低价视频模型	图像、参考、 首尾帧
CogVideoX-Flash	免费视频生成模型	图像、文本

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-Clone	音色克隆模型 3 秒音频即可快速生成相似音色	文本、音频
GLM-Realtime	实时音视频模型	视频、音频、文本
GLM-4-Voice	实时语音对话模型	文本、音频

向量模型与其他

模型	特点	上下文	最大输出
Embedding-2	第二代文本向量化模型（V2）	8K	-
CharGLM-4	拟人对话模型	8K	4K
Emohaa	心理情感支持模型	8K	4K
CodeGeeX-4	代码补全模型	128K	32K
Rerank	文本重排序模型	4K	-