GLM-4.5

Fiche modèle · Zhipu AI · glm-4.5

GLM-4.5 is an Agentic, Reasoning, and Coding (ARC) foundation model designed for intelligent agents, featuring 355 billion total parameters with 32 billion active parameters using MoE architecture. Trained on 23T tokens through multi-stage training, it is a hybrid reasoning model that provides two modes: thinking mode for complex reasoning and tool usage, and non-thinking mode for immediate responses. The model unifies agentic, reasoning, and coding capabilities with 128K context length support. It achieves exceptional performance with a score of 63.2 across 12 industry-standard benchmarks, placing 3rd among all proprietary and open-source models. Released under MIT open-source license allowing commercial use and secondary development.

Fiches modèles

Identité

Organisation	Zhipu AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-07-28
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 355 Md > 107 Md
Modalités	text
Fenêtre de contexte	131 072
KV cache / token (Q8)	188.4 ko/token
Paramètres totaux	355 B
Paramètres actifs (session)	32 B
Source des paramètres actifs	web : https://huggingface.co/zai-org/GLM-4.5
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	23 000 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:40.122533Z
Mis à jour le	2026-11-04T06:05:13.811948Z
Source	LLM Stats
URL	https://llm-stats.com/models/glm-4.5

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.80
language	0.80
legal	0.80
math	0.70
physics	0.60
reasoning	0.60
search	0.30
structured_output	0.80
finance	0.80
frontend_development	0.60
general	0.60
healthcare	0.80
agents	0.50
biology	0.60
chemistry	0.60
code	0.50
communication	0.70
tool_calling	0.70
vision	0.10

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aa-index	general	0.68	1.00	0.68	non	oui	2026-11-04T06:05:13.849663Z
aime-2024	math	0.91	1.00	0.91	non	oui	2026-11-04T06:05:13.817843Z
bfcl-v3	general	0.78	1.00	0.78	non	oui	2026-11-04T06:05:13.838635Z
browsecomp	reasoning	0.26	1.00	0.26	non	oui	2026-11-04T06:05:13.844219Z
gpqa	reasoning	0.79	1.00	0.79	non	oui	2026-11-04T06:05:13.826659Z
humanity's-last-exam	reasoning	0.14	1.00	0.14	non	oui	2026-11-04T06:05:13.846904Z
livecodebench	reasoning	0.73	1.00	0.73	non	oui	2026-11-04T06:05:13.829793Z
math-500	math	0.98	1.00	0.98	non	oui	2026-11-04T06:05:13.820735Z
mmlu-pro	language	0.85	1.00	0.85	non	oui	2026-11-04T06:05:13.814938Z
scicode	reasoning	0.42	1.00	0.42	non	oui	2026-11-04T06:05:13.823588Z
swe-bench-verified	reasoning	0.64	1.00	0.64	non	oui	2026-11-04T06:05:13.832827Z
tau-bench-airline	reasoning	0.60	1.00	0.60	non	oui	2026-11-04T06:05:13.841380Z
tau-bench-retail	chat	0.80	1.00	0.80	non	oui	2026-11-04T06:05:13.835679Z
terminal-bench	reasoning	0.38	1.00	0.38	non	oui	2026-11-04T06:05:13.852558Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
chat	50	0.80	20.21	1	trueskill	2026-11-04T08:08:43.789169Z	rankings
agents	134	—	9.90	3	trueskill	2026-10-19	model_history
code	141	—	15.73	4	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04