Z.ai: GLM 5 Turbo
Z.ai: GLM 5 Turbo est un LLM de Zhipu AI sorti le 15 mars 2026. Il se distingue par une fenêtre de contexte de 262 144 tokens, adaptée au traitement d’entrées volumineuses et de longues séquences de contenu.
Z.ai: GLM 5 Turbo est un LLM de Zhipu AI sorti le 15 mars 2026. Il se distingue par une fenêtre de contexte de 262 144 tokens, adaptée au traitement d’entrées volumineuses et de longues séquences de contenu.
Son positionnement tarifaire est très économique. Ses tarifs sont inférieurs de 42% à la moyenne des LLM similaires et environ 4,6 fois moins élevés que ceux des modèles frontière. Ce rapport entre capacité de contexte et coût constitue son principal argument.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Zhipu AI |
| Poids | ▫ n.d. |
| Date de sortie | 15 mars 2026 |
| Multimodal | non |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Hallucinations (Baseline) | 100,0 % | 1ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 98,0 % | 55ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 95,5 % | 15ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 95,0 % | 21ᵉ / 140 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 94,0 % | 42ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 84,0 % | 19ᵉ / 163 | benchable | ✅ Mesuré |
| PinchBench : agentique (OpenClaw, 147 tâches) | 71,8 % | 10ᵉ / 19 | pinchbench | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : Hallucinations (Baseline)
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Z.ai | 1,2 $ | 4 $ | 0,24 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 42 % en dessous de la moyenne des LLM similaires, et 4,6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 9,3 $ |
| Durée d'exécution — PinchBench | 4 h 47 min |
| Indice valeur/coût — PinchBench | 14,99 |
| Coût moyen par benchmark — Benchable | 0,18 $ |
| Latence moyenne par benchmark — Benchable | 11 min 43 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Le résultat le plus probant concerne le Coding, où GLM 5 Turbo figure dans le top 15 sur 162 modèles. La programmation constitue donc son principal point fort mesuré. Sa fenêtre de 262 144 tokens autorise aussi des entrées particulièrement longues. Le modèle combine cette capacité avec un tarif très économique, fixé à 1,2 $ par million de tokens en entrée et 4 $ en sortie. L’écart de prix avec les LLM similaires et les modèles frontière le rend pertinent pour les traitements à grande échelle soumis à une forte contrainte budgétaire.
Limites et points d’attention. Plusieurs résultats élevés apportent peu d’éléments de comparaison. En General Knowledge, Ethics et Hallucinations, GLM 5 Turbo partage la première place avec respectivement 41, 71 et 45 autres modèles. Ces benchmarks plafonnés ne départagent pas les modèles. Mathematics place GLM 5 Turbo aux portes du top 20, mais ce test est également plafonné. Email Classification est plus en retrait dans le classement, avec une 55e place partagée par 42 autres modèles malgré un score presque maximal. Le modèle convient surtout aux usages de programmation, aux longs contextes et aux déploiements sensibles au coût.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).