English | 简体中文
本仓库致力于收集、整理和持续更新全网所有支持 GLM-5.2（智谱 AI / Z.ai 旗舰开源大模型）的 API 服务提供商、云端加速方案、聚合网关以及本地自托管（Self-Hosting）部署指南。欢迎提交 PR 补充或修正信息！
Note
GLM-5.2 (开源版本于 2026 年 6 月中旬发布) 是全球首款完全脱离英伟达（Nvidia）硬件依赖、基于华为昇腾（Huawei Ascend）计算芯片训练完成的超大规模混合专家（MoE）旗舰模型。其总参数量约 744B~753B，单 Token 激活参数约 40B，支持百万级（1,048,576 字节）超长上下文。
下表汇集了官方、主流第三方 Serverless 推理平台以及聚合网关的 GLM-5.2 接入核心数据（数据截至 2026年6月25日）：
| 接入平台 | 平台属性 | 官网与文档地址 | Model ID / 接入标识符 | 上下文上限 | 官方定价 / 计费模式 (每 1M Tokens) | 典型 TPS / 性能实测 |
|---|---|---|---|---|---|---|
| 智谱官方 (BigModel.cn) | 官方中文平台 | 官网 | glm-5-2 |
1,048,576 | 输入: ¥8.00 / 输出: ¥28.00 缓存命中: ¥2.00 |
~19.71 tok/s (常规流速) |
| Z.ai 官方国际平台 | 官方全球接入 | 官网 / 文档 | glm-5.2 |
1,048,576 | 输入: $1.40 / 输出: $4.40 缓存命中: $0.26 |
~106 tok/s (高峰流速) |
| DeepInfra | 第三方 Serverless | 官网 | zai-org/GLM-5.2 |
1,048,576 | 输入: $0.95 / 输出: $3.00 缓存命中: $0.18 |
~60 tok/s (性价比最高) |
| SiliconFlow (硅基流动) | 第三方 Serverless | 官网 | zai-org/GLM-5.2 |
1,048,576 | 输入: ¥6.00 / 输出: ¥28.00 缓存缓存: ¥2.00 |
~41 tok/s (国内超低延迟) |
| Fireworks AI | 第三方 Serverless | 官网 | accounts/fireworks/models/glm-5p2 |
1,040,000 | 输入: $1.40 / 输出: $4.40 缓存命中: $0.26 (支持 Fire Pass 订阅) |
超 318 tok/s (全网最速) |
| Together AI | 第三方 Serverless | 官网 | zai-org/GLM-5.2 |
262,144 (受限) | 输入: $1.40 / 输出: $4.40 缓存命中: $0.26 |
~115 tok/s (FP4 量化) |
| Novita AI | 第三方 Serverless | 官网 | zai-org/glm-5.2 |
1,048,576 | 输入: $1.40 / 输出: $4.40 缓存命中: $0.26 |
~48 tok/s |
| Baseten | 异构推理/预留部署 | 官网 | zai-org/GLM-5.2 |
1,048,576 | 企业独占 PTU 定制计费 | ~242 tok/s (专属实例) |
| 阿里云百炼 (DashScope) | 云厂商 Serverless | 官网 | glm-5-2 |
1,048,576 | 输入: ¥8.00 / 输出: ¥28.00 (可使用 TokenPlan 算力包抵扣) | N/A (企业级高并发保障) |
| Cloudflare Workers AI | 边缘托管 Serverless | 官网 | @cf/zai-org/glm-5.2 |
262,144 (受限) | 输入: $1.40 / 输出: $4.40 缓存命中: $0.26 |
N/A (边缘节点动态负载) |
| OpenRouter | API 聚合路由网关 | 官网 | z-ai/glm-5.2 |
1,048,576 | 加权均价 输入: ~$0.50 / 输出: ~$4.22 (含 Prompt 缓存优化) |
视动态选定的具体通道而定 |
| ZenMux.ai | API 聚合网关 | 官网 | z-ai/glm-5.2 |
1,048,576 | 列表价: $1.40 / $4.40 (支持月度套餐) | 视动态选定的具体通道而定 |
| Vercel AI Gateway | 企业开发网关 | 官网 | zai/glm-5.2 |
1,048,576 | 依底层上游实际提供商透传 | 依实际底层通道时延而定 |
| Neuralwatt | 功耗计量专属平台 | Reddit 社区 | zai-org/GLM-5.2 |
1,048,576 | 实际能耗换算折合 $0.06 ~ $0.12 | ~60 - 100 tok/s |
| OpenCode Go | 订阅制服务 | 官网 | opencode/glm-5.2 |
1,048,576 | 首月 $5，后续 $10/月 (滚动额度: $12/5小时, $30/周, $60/月) |
视底层通道实际流速而定 |
Warning
部分第三方平台（如 Together AI 和 Cloudflare Workers AI）对 GLM-5.2 的最大上下文窗口做了物理限制（目前为 262,144 Tokens）。若需要处理 1M 上下文长任务，请选择官方平台或其他未作硬性限制的 Serverless 平台。
各家 API 提供商在底层硬件、编译器优化以及收费策略上有着极具差异化的定制方案。
- 取消长度阶梯定价 (BigModel.cn): 智谱官方一改往期模型按上下文长度分段收费的模式，GLM-5.2 统一执行固定的 8 元/百万 Tokens 标准（不区分是否大于 32K），极大地平抑了长上下文检索（RAG）和分析场景下的爆单风险。
- GLM Coding Plan (包月无限订阅): 智谱官方与国际平台均推出了包月订阅服务（国内 Lite 版 49 元/月，Pro 版 149 元/月，Max 版 469 元/月；企业 Team 版套餐 $12.60~$112 不等）。此包月模式完美契合 Cursor、Claude Code、Zed 等主流 IDE，支持高强度的代码编写（Vibe Coding），无需担心 Token 账单溢出。
- 阿里云百炼 (DashScope): 阿里云百炼提供了 TokenPlan (企业套餐) 节省计划，大企业采购统一算力包后，额度可直接跨模型在通义千问 Qwen3 Max 与 GLM-5.2 之间无缝共享和抵扣。
Baseten 通过部署最新的 NVIDIA Blackwell GPU 架构，构建了高性能的 GLM-5.2 专属 API，流式输出实测达 242 TPS（Fireworks AI 目前以 318 TPS 领跑全网 Serverless 吞吐性能）。
- Blackwell NVFP4 动态量化: 硬件原生级支持全新的 4-bit 浮点（FP4）精度，对 GLM-5.2 的 750B 权重进行了无损压缩，推理速度飞跃的同时保证了代码生成质量不降级。
- Dynamo 预填充-解码分离 (PD Disaggregation): 将消耗算力的大序列 Prefill（预填充 KV Cache）和 Decode（流式 Token 解码）计算解耦至不同的 Blackwell 物理节点运行，彻底消除了高并发下的算力排队瓶颈。
- Cache 敏感路由: 精准追踪并复用前序交互留存的上下文缓存，对于长周期交互智能体（如 Claude Code），避免了高达 1MB 级 Prompt 数据的反复重算。
- Fireworks AI Fire Pass (通票订阅): 提供类似于 Netflix 模式的订阅服务（通常为 $10/月），激活后可使用专用 Fire Pass 密钥在 Cline、Claude Code、Kilo Code 等端侧工具中无限次调用 GLM-5.2 模型（限个人开发非商用高并发）。
- Neuralwatt (功耗计费模式): 抛弃按 Token 计费的传统，采用物理 GPU 能耗换算计费。在算力闲置的低谷期使用 GLM-5.2 的
Max Thinking模式，折合每百万输出 Tokens 成本仅为 $0.06 ~ $0.12。 - OpenCode Go 订阅: 专为开发者设计的低成本大模型订阅套餐，首月 $5，后续 $10/月。与传统的按量计费不同，它采用美元等值额度的滚动更新系统（5小时滚动限制 $12，周滚动限制 $30，月滚动限制 $60）。订阅用户只需绑定一个 API 密钥，即可在此限额内访问 GLM-5.2 及其他主流开源大模型，对于高频个人 Agent 开发具有极高的性价比。
- OpenRouter 动态聚合与缓存路由: OpenRouter 作为聚合层，背后自动路由至 8 家底层提供商（包括 NovitaAI、Z.ai、StreamLake、Fireworks、Friendli、GMICloud、Together、AtlasCloud）。得益于支持对重复上下文进行强大的 Prompt 缓存（Prompt Caching），其最近 30 天的滚动实际加权均价（Weighted Average Effective Price）降至 输入约 $0.500 / 百万 Tokens，输出约 $4.22 / 百万 Tokens（相比普通 List 价能节省 60-80% 的输入成本）。同时，它能在官方上游链路拥堵或中断时，在毫秒级内自动向其他底层提供商进行故障转移（GLM-5.2 整体平均在线率约 95.12%）。
- ZenMux.ai 的“幻觉与时延险”: ZenMux 内置了实时评测探针。如果检测到上游提供商服务降级、严重延迟抖动（Latency Spike）或者输出了不符合预定 JSON 格式的乱码，系统会自动对调用用户的账户转入等值点数（Credits）作为故障赔付。
在复杂的 Agent 场景下（如自动化浏览器导航、复杂的工具调用、代码重构），如果模型生成不合规的 JSON 或陷入 Tool Call 死循环，框架会被迫不断重试并重复发送庞大的历史上下文。这部分重试产生的额外开销被称为 “智能体执行税 (Agent Execution Tax)”。
根据 Fireworks AI 针对 WebVoyager 任务（覆盖亚马逊、GitHub、谷歌航班等 15 个商业网站的 60 个多步浏览器任务，重复测试 180 次）的实测数据：
| 模型选型 (Fireworks 物理平台) | 总调用次数 | 格式解析失败/重试次数 | 单词调用重试率 | 任务平均调用步骤数 | 额外消耗的“智能体执行税” (Execution Tax) |
|---|---|---|---|---|---|
| 月之暗面 Kimi K2.5 | 852 | 0 | 0.0% | 10.2 | 0.0% (无额外损耗) |
| 智谱 GLM-5 (旗舰) | 884 | 5 | 0.6% | 10.3 | 0.6% (几乎无损运行) |
| 百川 MiniMax M2.5 | 828 | 13 | 1.6% | 9.8 | 1.6% (极轻微损耗) |
| 谷歌 Gemini 2.5 Flash | 886 | 165 | 18.6% | 14.7 | 22.9% (严重财务与时延开销) |
数据表明，虽然部分大厂低阶模型单价非常便宜，但在多步 Agent 任务中因 18.6% 的高重试率，会导致 22.9% 的资金白白浪费在重试 Token 上。GLM-5 旗舰版由于进行了严格的 Tool Calling、MCP 以及结构化输出微调，其执行税率仅为 0.6%，在生产环境中综合性价比优势极大。
在针对 Flask 路由的越权漏洞（IDOR）静态审计测试中，GLM-5.2 在完全没有任何提示词工程（Prompt Engineering）或外部脚手架保护的裸奔（Bare Prompt）状态下，对漏洞特征的抓取达到了 39% 的 F1 分数。相较之下，拥有复杂端侧工具链的顶尖 Agent 工具 Claude Code 的 F1 成绩为 32%。按照 GLM-5.2 的 API 价格折算，每探出一个真实的越权漏洞，仅消耗 $0.17 的 Token 成本，极具商业可行性。
智谱首发支持 Unsloth，推出了动态 GGUF 量化算法。
- 2-bit 动态量化 (UD-IQ2_M): 磁盘空间仅需 239GB（相比 1.51TB 的原始 FP16 权重缩减 84%），采用非均匀分配策略，动态保留核心注意力权重，仍保留了 Baseline 82% 的智商精度。
- 运行环境: 该量化版本可以直接装载在配备 256GB 统一内存的 Apple Mac Studio 工作站上。或在个人 PC 上使用一张 24GB 显存显卡（如 RTX 3090/4090）作为 Prefill 引导，搭配 256GB 系统物理主存，即可通过 Ollama / Unsloth Studio 的离线 MoE 专家分流（MoE Offloading）运行。
- Ollama 启动指令 (需 Ollama 0.30+):
# 在终端中开启 Bash 自动执行 YOLO 模式 ollama run frob/glm-5.2 --experimental --experimental-yolo # 如果任务难度较低，显式禁用思维链以极大加快推理速度 ollama run frob/glm-5.2 --think=false
通过清华开源的 KTransformers (KT-Kernel) 与 SGLang 融合分支，支持在 CPU 内存与 GPU 显存之间混合部署。显卡只承载 MLA 注意力层和少部分高频专家（Experts），而把多达 240 个不常用稀疏专家 offload 到 DDR5 内存中由 CPU 计算。
在 CPU-GPU 混合节点上拉起 FP8 动态量化版 GLM-5.2 的核心命令：
export PYTORCH_ALLOC_CONF=expandable_segments:True
export SGLANG_ENABLE_JIT_DEEPGEMM=0
python -m sglang.launch_server \
--model-path /path/to/GLM-5.2-FP8 \
--kt-weight-path /path/to/GLM-5.2-FP8 \
--kt-cpuinfer 96 \
--kt-threadpool-count 2 \
--kt-num-gpu-experts 30 \
--kt-method FP8 \
--max-total-tokens 4096 \
--trust-remote-code参数说明: --kt-cpuinfer 96 指定 96 个 CPU 物理核心参与计算；--kt-num-gpu-experts 30 则是根据显存空余，在显存中保留 30 个高频专家以加速 Token 吞吐。
由于 GLM-5.2 底层集成了 DeepSeek-Sparse-Attention (DSA) 算子，原生推理库硬性绑定了英伟达 Hopper 架构（H100/H200）和 Blackwell 架构特有的 WGMMA 指令。如果在消费级 RTX 4090 (sm_89) 上直接部署，会在初始化时崩溃。
社区提供的 ada_dsa.py 硬件重构补丁：
- 原理: 利用 Triton 编译器算子以及非 WGMMA tilelang 通路，重写了 Indexer GEMM、Top-K 筛选和 Page-Mapping 算子，使其完美在 sub-Hopper 的 sm_89 显卡上平稳执行。
- 实测: 在 3 个物理节点上分别配置 8 张 RTX 4090（总计 24 张卡，TP=8, PP=3 分配），配合 patch，可成功拉起完整 GLM-5.2-FP8 权重，并在单并发下实现约 10 tokens/sec 的高流式交互速度。
在 AMD Instinct MI300X (192 GiB 显存) 集群上，通过 ROCm + vLLM 部署运行 GLM-5.2 时需规避以下两个生产级 Bug：
- PP 模式下的 Tool Calling 乱码漏洞: 在开启 Pipeline Parallel (
PP>=2) 时，vLLM 底层的condense()函数在处理带有复杂 tools XML 语法的长 Prompt 时，会由于 Token 计数器偏移发生微弱丢字，导致工具调用乱码死循环。临时解决方案是：退回 PP1 模式并开启 TP8（单节点 8 卡张量并行），工具调用即恢复正常。 - HIP 内存崩溃崩溃 (OOM): 启动时必须在命令行参数中强制追加
--disable-custom-all-reduce选项，以避免 HIP 内部自定义规规约缓冲池初始化失败导致的崩溃。同时，必须开启--enable-chunked-prefill（分块预填充），否则在处理大序列 RAG 注意力时会直接撑爆显存。
| 团队规模与场景定位 | 资源预算特征 | 推荐方案 | 核心考量与决策逻辑 |
|---|---|---|---|
| 独立开发者 / 个人初创 | 预算极其有限，以快速验证 MVP 为主 | DeepInfra (国外) / 硅基流动 (国内) | 使用 DeepInfra（$0.95/M输入）或硅基流动（¥6.00/M输入）的按量付费服务，用最低的初期投入快速跑通 MVP 验证。 |
| 高频开发者 / Vibe Coding 玩家 | 每天极高频调用，需要深度嵌入 Cursor / Claude Code | Z.ai 官方 Coding Plan 包月订阅 | 购买 Pro (¥149/月) 或 Max (¥469/月) 订阅套餐。包月订阅模式从根本上隔绝了因为高频代码库扫描/代码重写导致 API 额度超标的财务风险。 |
| 高并发、高实时性商业 SaaS | 生产级负载，对延迟和流式吐出吞吐高度敏感 | Baseten 专属 Blackwell 托管 | 效率决定体验：Baseten 专属 Blackwell 能够压榨出 242 TPS 性能（配合如 Fireworks AI 等 Serverless 提供商可达 318 TPS），极大地缩短了用户使用复杂智能体时的页面白屏阻塞，显著优化商业 ROI。 |
| 涉密、金融/安全审计等红线企业 | 数据严禁出境，要求高并发与物理隐私权 | RTX 4090 集群 (打上 ada_dsa 补丁) | 绕过昂贵且受到出口禁运限制的 Hopper (H100) 芯片，直接在容易采购且极其廉价的 4090 显卡集群上拉起无损的 FP8 旗舰模型，实现完全物理隔离下的代码审计与工程分析。 |
我们非常欢迎社区参与本仓库的维护！您可以：
- 修正或更新价格：各大云厂商竞争激烈，价格常有变动。如果发现对照表数据过时，请随时提 PR 修正。
- 分享自托管经验：如果您在其他国产算力芯片（如寒武纪、燧原、摩尔线程等）或特定推理框架下成功跑通了 GLM-5.2，欢迎提交部署步骤补丁。
- 补充新的 API 提供商：请将新提供商加入对照表，并列出相应测试数据。
本项目基于 MIT 协议 开源。
免责声明：本仓库所列出的服务商信息、定价以及实测数据均来自开源社区与研究公开文档，实际性能指标或商业定价可能会因厂商实时调整而有所变动，请在生产环境采购前以服务商官网最新页面为准。