مرجع انتخاب مدلهای GLM در Z.ai است: از GLM-5.2 پرچمدار برای taskهای طولانی تا GLM-5.1، GLM-5، GLM-4.6 و GLM-4.5 / Air.
اکوسیستم Z.ai
Models
این صفحه خانوادهی واقعی GLM را به زبان عملی توضیح میدهد. اگر task شما طولانی، چندفایلی، debugging-heavy یا agentic است، اینجا باید مدل را بر اساس context، effort و cost انتخاب کنید.
انتخاب مدل GLM برای coding agent، long-horizon tasks و fallbackهای cost-aware
خلاصه عملی
تعریف و شروع
شروع سریع
یک task واقعی را روی همین component تست کن و بعد تصمیم بگیر که باید به API، مدل دیگر یا workflow دیگر بروی یا نه.
جدول انتخاب
کدام مدل را انتخاب کنیم؟
انتخاب را با task واقعی انجام بده: طول task، نیاز به tool use، 1M context، هزینه و سرعت.
| مدل | بهترین برای | نکته | انتخاب وقتی |
|---|---|---|---|
| GLM-5.2 | coding agent طولانی، refactor چندفایلی، debugging loop و engineering task با context بزرگ | Latest flagship | وقتی 1M context، effort انعطافپذیر و بهترین long-horizon throughput را میخواهی |
| GLM-5.1 | Agentهای مهندسی با اجرای پایدار و طولانی | Paced long-horizon | وقتی sustained execution تا 8 ساعت و context 200K برایت کافی است |
| GLM-5 | Agentic Engineering، system engineering و taskهای طولانی | Foundation | وقتی میخواهی از GLM-4.7 بالاتر بروی و هنوز نیازی به latest flagship نداری |
| GLM-4.6 | coding/reasoning نسل قبل با context بزرگ و streaming tool calls | Fallback | وقتی GLM-5 series quota یا cost مناسب نیست یا stream tool call میخواهی |
| GLM-4.5 / GLM-4.5-Air | agent-oriented apps با گزینههای cheaper/faster | Economy | وقتی cost و سرعت مهمتر از latest capability است |
انتخاب عملی
نکتههای مهم
قبل از production فقط به نام مدل تکیه نکن؛ این موارد را روی task واقعی چک کن.
- GLM-5.2 را برای long-horizon taskها اول تست کن و بعد fallbackها را compare کن.
- برای Coding Plan، model name را `GLM-5.2` و در Claude Code long-context را `GLM-5.2[1m]` بگذار.
- context window، max output و streaming tool calls را روی workload واقعی بسنج.
- برای vision یا image، capabilityهای جداگانه را فقط اگر لازم است تست کن.
قابلیتها
قابلیتهای اصلی
GLM-5.2
جدیدترین flagship برای long-horizon tasks با context 1M، effort انعطافپذیر و coding قوی؛ در Z.ai، GLM Coding Plan، ZCode، Claude Code و OpenCode قابل استفاده است.
GLM-5.1
مدل long-horizon پایدار برای Agentهای مهندسی؛ تا 8 ساعت sustained execution، context 200K، max output 128K و identifier `glm-5.1`.
GLM-5
مدل Agentic Engineering با قابلیتهای قوی برای system engineering، taskهای طولانی و بهبود محسوس نسبت به GLM-4.7 در frontend، backend و long-horizon tasks.
GLM-4.6
مدل coding/reasoning نسل قبل با context 200K، max output 128K، identifier `glm-4.6`، deep thinking و streaming tool calls؛ fallback مناسب وقتی quota یا cost GLM-5 series نمیخواهی.
GLM-4.5 / GLM-4.5-Air
foundation modelهای agent-oriented app با گزینههای cheaper/faster؛ برای taskهای agentic، reasoning و coding بهعنوان fallback اقتصادی مفید هستند و latest نیستند.
شروع
نصب و شروع عملی
با یک task واقعی شروع کن
این صفحه خانوادهی واقعی GLM را به زبان عملی توضیح میدهد. اگر task شما طولانی، چندفایلی، debugging-heavy یا agentic است، اینجا باید مدل را بر اساس context، effort و cost انتخاب کنید.
- برای Coding Plan، model name را روی GLM-5.2 بگذار؛ در Claude Code برای long-context از GLM-5.2[1m] استفاده کن.
- GLM-5.2 را با یک repo واقعی و prompt ثابت روی long-horizon coding، refactor چندفایلی و debugging loop تست کن.
- اگر cost یا quota مهم است، همان workload را با GLM-5.1، GLM-5 و GLM-4.6 compare کن.
برای Coding Plan، model name را روی GLM-5.2 بگذار؛ در Claude Code برای long-context از GLM-5.2[1m] استفاده کن.
مثال
مثال واقعی
Models
انتخاب مدل GLM برای coding agent، long-horizon tasks و fallbackهای cost-aware
- وقتی task طولانی، چندفایلی یا debugging-heavy است و context بزرگ میخواهی.
- وقتی میخواهی GLM-5.2 را با GLM-5.1، GLM-5، GLM-4.6 و GLM-4.5 / Air روی یک prompt ثابت compare کنی.
- وقتی در ZCode یا GLM Coding Plan به long-context coding agent نیاز داری.
این صفحه خانوادهی واقعی GLM را به زبان عملی توضیح میدهد. اگر task شما طولانی، چندفایلی، debugging-heavy یا agentic است، اینجا باید مدل را بر اساس context، effort و cost انتخاب کنید.
خطاهای رایج
اشتباهات رایج
مرز محصول و API را روشن نگه دار
این component یک لایه مشخص در اکوسیستم است، نه کل اکوسیستم.
اول یک workflow کوچک بساز
بهجای مسیرهای پیچیده، با یک task کوچک و واقعی شروع کن.
لینک رسمی را جایگزین implementation نکن
docs مرجع هستند، اما باید در محصول خودت هم تست شوند.
رسمی
لینکهای رسمی
اکوسیستم