GLM-4.5 vs GLM-4.5-Air
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
GLM-4.5 dari Zhipu AI dan GLM-4.5-Air dari Zhipu AI adalah dua model AI unggulan. GLM-4.5 menawarkan jendela konteks 131.1K token dengan harga $0.00/$0.00 per 1 juta token, sedangkan GLM-4.5-Air menyediakan konteks 131.1K token seharga $0.00/$0.00 per 1 juta token. Berikut perbandingan lengkap benchmark, latensi, dan biayanya.
Ganti & Bandingkan Model Apa Saja
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
GLM-4.5
Penalaran Bobot TerbukaGLM-4.5 dari Zhipu AI adalah model AI yang dirancang untuk penalaran rantai pemikiran (Chain-of-Thought) berbobot terbuka yang sangat efisien, menghadirkan jendela konteks 131K, kecepatan 75 token/detik, indeks kecerdasan 80/100, serta akse
$0.00 / 1M
$0.00 / 1M
131.1K tokens
42%
GLM-4.5-Air
Model Ringan & Hemat BiayaGLM-4.5-Air dari Zhipu AI adalah model AI yang dirancang untuk efisiensi biaya API maksimal per token dan throughput produksi yang ringan, menghadirkan jendela konteks 131K, kecepatan 120 token/detik, indeks kecerdasan 74/100, serta akses g
$0.00 / 1M
$0.00 / 1M
131.1K tokens
N/A
Perbedaan Utama Sekilas
- Both models cost the same under this workload — choose on capability, not price.
- GLM-4.5-Air is faster at 120 tok/s vs 75 tok/s.
| Feature | GLM-4.5 | GLM-4.5-Air |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 80 | 74 |
Provider | Zhipu AI | Zhipu AI |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 131.1K tokens~197 A4 pages of text | 131.1K tokens~197 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 75 tok/s | 120 tok/s |
SWE-bench Verified Real-world software engineering | 42% | N/A |
GPQA Diamond Graduate-level reasoning | 61% | 52% |
Siapa Unggul di Mana?
At-a-glance decision frameworkEvaluations ongoing
Skor Benchmark Terverifikasi
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latensi & Waktu Respons
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulator Biaya Token Interaktif
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
GLM-4.5 · Strengths & Key Advantages
- Jendela konteks 131K dengan kapasitas output maksimum hingga 8K token (SWE-bench Verified 42% · GPQA Diamond 61%)
- Kecepatan generasi tinggi 75 token/detik dengan latensi token pertama (TTFT) hanya 550 ms
- Bobot terbuka (130B MoE) yang siap di-hosting mandiri di GPU lokal atau cloud privat melalui vLLM dan Ollama
Considerations & Trade-offs
- Membutuhkan infrastruktur GPU dengan kapasitas VRAM yang memadai untuk eksekusi lokal presisi penuh
- Pada tugas pembuktian ilmiah tingkat ekstrem, model penalaran berat kelas atas memberikan kedalaman lebih tinggi
GLM-4.5-Air · Strengths & Key Advantages
- Jendela konteks 131K dengan kapasitas output maksimum hingga 8K token (GPQA Diamond 52% · MMLU-Pro 70%)
- Kecepatan generasi tinggi 120 token/detik dengan latensi token pertama (TTFT) hanya 360 ms
- Bobot terbuka (30B MoE) yang siap di-hosting mandiri di GPU lokal atau cloud privat melalui vLLM dan Ollama
Considerations & Trade-offs
- Membutuhkan infrastruktur GPU dengan kapasitas VRAM yang memadai untuk eksekusi lokal presisi penuh
- Pada tugas pembuktian ilmiah tingkat ekstrem, model penalaran berat kelas atas memberikan kedalaman lebih tinggi
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | GLM-4.5 | GLM-4.5-Air |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 16K | 12K |
Reasoning Tokens / Task Thinking tokens burned per task | 6K | 2K |
Spesifikasi Teknis
Architecture, release timeline, capabilities, and modalities.
| Feature | GLM-4.5 | GLM-4.5-Air |
|---|---|---|
| Official API Model ID (SDK) | glm-4-5 | glm-4-5-air |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2025-07 | 2025-07 |
| Knowledge Cutoff | May 2025 | May 2025 |
| Architecture | Hybrid Reasoning Mixture-of-Experts Transformer | Lightweight Sparse Mixture-of-Experts Transformer |
| Parameters | 130B MoE | 30B MoE |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 81 GB VRAM (4-bit Quantized) · 280 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 19 GB VRAM (4-bit Quantized) · 65 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text |
| Output Modalities | text | text |
GLM-4.5 vs GLM-4.5-Air: Jawaban Cepat (FAQ)
Which is more intelligent, GLM-4.5 or GLM-4.5-Air?
GLM-4.5 is more intelligent. It scores 80 compared with 74 on the composite Intelligence Index.
Which model is faster?
GLM-4.5-Air is faster, generating 120 tokens per second compared with 75 tokens per second.
Which model has lower latency?
GLM-4.5-Air has lower latency, with a time to first token of 0.36s compared with 0.55s.
Kesimpulan
Baik GLM-4.5 (Sangat cocok untuk penalaran rantai pemikiran (Chain-of-Thought) berbobot terbuka yang sangat efisien, sistem RAG perusahaan, dan integrasi API skala produksi.) maupun GLM-4.5-Air (Sangat cocok untuk efisiensi biaya API maksimal per token dan throughput produksi yang ringan, sistem RAG perusahaan, dan integrasi API skala produksi.) sangat tangguh: GLM-4.5 unggul dalam penalaran dan pemrograman, GLM-4.5-Air memberikan kecepatan generasi token lebih tinggi, dan GLM-4.5 lebih hemat biaya untuk penggunaan API skala besar.
Pertanyaan Umum (FAQ)
Mana yang lebih baik untuk coding dan penalaran, GLM-4.5 atau GLM-4.5-Air?+
Dalam indeks kecerdasan gabungan dan benchmark coding, GLM-4.5 memimpin. Lihat skor SWE-bench dan GPQA di atas untuk detailnya.
Berapa perbandingan harga API GLM-4.5 vs GLM-4.5-Air?+
GLM-4.5 mengenakan biaya $0.00 / $0.00 per 1M token input/output, sedangkan GLM-4.5-Air sebesar $0.00 / $0.00. Secara keseluruhan, GLM-4.5 lebih hemat biaya.
Model mana yang memiliki jendela konteks lebih besar dan kecepatan lebih tinggi?+
GLM-4.5 mendukung konteks 131.1K token dibandingkan 131.1K token pada GLM-4.5-Air, sementara GLM-4.5-Air unggul dalam kecepatan output token per detik.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- GLM-4.5-Air vs Kimi K2: Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
- GLM-4.5 vs Qwen3-Next 80B-A3B (Thinking): Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
- GLM-4.5V vs GLM-4.5: Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
- Aion-3.0 vs Aion-Mini: Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
- Aion-3.0 vs Gemini 3.6 Flash: Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
- Aion-Mini vs Laguna XS 2.1: Perbandingan Benchmark, Harga API & Kecepatan (2026)Bandingkan
Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.
Sumber resmi: Dokumentasi API resmi Zhipu AI & Zhipu AI serta evaluasi benchmark independen (2026).