GLM-4.6

Fiche modèle · Zhipu AI · glm-4.6

GLM-4.6 is the latest version of Z.ai's flagship model, bringing significant improvements over GLM-4.5. Key features include: 200K token context window (expanded from 128K), superior coding performance with better real-world application in Claude Code/Cline/Roo Code/Kilo Code, advanced reasoning with tool use during inference, stronger agent capabilities, and refined writing aligned with human preferences. GLM-4.6 achieves competitive performance with DeepSeek-V3.2-Exp and Claude Sonnet 4, reaching near parity with Claude Sonnet 4 (48.6% win rate) on CC-Bench real-world coding tasks.

Fiches modèles

Identité

Organisation	Zhipu AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-09-30
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 357 Md > 107 Md
Modalités	image\|text\|video
Fenêtre de contexte	202 752
KV cache / token (Q8)	188.4 ko/token
Paramètres totaux	357 B
Paramètres actifs (session)	32 B
Source des paramètres actifs	web : https://github.com/zai-org/GLM-4.5
Curation des paramètres actifs	2026-11-04
Prix par session	0.90 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
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)	7.56 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:40.207530Z
Mis à jour le	2026-11-04T06:05:13.901710Z
Source	LLM Stats
URL	https://llm-stats.com/models/glm-4.6

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 « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	0.50 $	2.00 $	—	—	—	—	active

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

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
math	0.60
physics	0.80
reasoning	0.60
search	0.50
frontend_development	0.70
general	0.60
agents	0.40
biology	0.80
chemistry	0.80
code	0.50
vision	0.20

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.94	1.00	0.94	non	oui	2026-11-04T06:05:13.904829Z
browsecomp	reasoning	0.45	1.00	0.45	non	oui	2026-11-04T06:05:13.916158Z
gpqa	reasoning	0.81	1.00	0.81	non	oui	2026-11-04T06:05:13.907739Z
humanity's-last-exam	reasoning	0.17	1.00	0.17	non	oui	2026-11-04T06:05:13.919284Z
livecodebench-v6	reasoning	0.83	1.00	0.83	non	oui	2026-11-04T06:05:13.910708Z
swe-bench-verified	reasoning	0.68	1.00	0.68	non	oui	2026-11-04T06:05:13.913388Z
terminal-bench	reasoning	0.41	1.00	0.41	non	oui	2026-11-04T06:05:13.922376Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	140	—	9.32	2	trueskill	2026-10-19	model_history
code	145	—	14.62	2	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