GLM-5
GLM-5 est un LLM à poids ouverts de Zhipu AI, sorti le 11 février 2026 sous licence MIT, avec usage commercial autorisé. Ses 744 milliards de paramètres, dont 40 milliards actifs, ciblent l’ingénierie de systèmes complexes et les tâches agentiques à horizon long. Sa fenêtre de 202 800…
GLM-5 est un LLM à poids ouverts de Zhipu AI, sorti le 11 février 2026 sous licence MIT, avec usage commercial autorisé. Ses 744 milliards de paramètres, dont 40 milliards actifs, ciblent l’ingénierie de systèmes complexes et les tâches agentiques à horizon long. Sa fenêtre de 202 800 tokens soutient le traitement de contextes étendus.
Son entraînement représente 6,8 × 10²⁴ FLOP, soit environ 1,9 million d’heures-GPU H100 ou 880 GPU H100 pendant trois mois. DeepSeek Sparse Attention réduit le coût de déploiement tout en préservant le long contexte. Le déploiement local couvre notamment vLLM, SGLang, Transformers et Ascend NPU.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Zhipu AI |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | MIT |
| Date de sortie | 11 février 2026 |
| Multimodal | non |
| Paramètres | 744 milliards |
| Paramètres actifs | 40 milliards |
| Fenêtre de contexte | 200 000 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 32.4 | 50ᵉ / 137 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| t2-bench | 89,7 % | 3ᵉ / 23 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 77,8 % | 22ᵉ / 102 | llm-stats | Auto-déclaré |
| BrowseComp | 75,9 % | 24ᵉ / 57 | llm-stats | Auto-déclaré |
| MCP Atlas | 67,8 % | 20ᵉ / 30 | llm-stats | Auto-déclaré |
| Terminal-Bench 2.0 | 56,2 % | 28ᵉ / 49 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Classements Arena (Elo)
Arena Text · 200 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Claude Fable 5 | 1507 |
| 2ᵉ | Claude Opus 4.6 | 1504 |
| 3ᵉ | Claude Opus 4.7 | 1503 |
| ⋯ | ⋯ | |
| 42ᵉ | Gemini 3 Flash | 1459 |
| 43ᵉ | DeepSeek V4 Pro | 1458 |
| 44ᵉ | GLM-5 | 1457 |
| 45ᵉ | DeepSeek V4 Pro | 1456 |
| 46ᵉ | Claude Sonnet 4.5 | 1456 |
Arena Code · 99 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Kimi K3 | 1679 |
| 2ᵉ | Claude Fable 5 | 1631 |
| 3ᵉ | GPT-5.6 Sol | 1618 |
| ⋯ | ⋯ | |
| 40ᵉ | Kimi K2.5 | 1433 |
| 41ᵉ | MiMo-V2-Pro | 1431 |
| 42ᵉ | GLM-5 | 1430 |
| 43ᵉ | MiMo-V2.5 | 1429 |
| 44ᵉ | kimi-k2.5-instant | 1408 |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| StreamLake | 0,6 $ | 1,92 $ | 0,12 $ |
| friendli | 1 $ | 3,2 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 71 % en dessous de la moyenne des LLM similaires, et 9,2 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,25 $ |
| Latence moyenne par benchmark — Benchable | 1 h 38 min |
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.
Entraînement & empreinte
| Indicateur | Valeur |
|---|---|
| Compute d'entraînement | 6,8 × 10²⁴ FLOP |
| Matériel | Huawei Ascend 910C |
| Pays | China |
Notre analyse
Forces. À sa sortie, GLM-5 figurait dans le top 9% des LLM de sa génération sur GPQA diamond. Ses résultats Baseline sont particulièrement élevés en Ethics et General Knowledge, ainsi que solides en Email Classification, Reasoning et Mathematics. Dans les classements Arena, il se place dans le premier quart en texte et dans la première moitié en code. Son autre avantage majeur est économique : sa tarification se situe 70% sous la moyenne des LLM similaires et environ 9,2 fois sous celle des modèles frontière. La licence MIT autorise en outre les usages commerciaux.
Limites et points d'attention. Les pourcentages Baseline élevés ne se traduisent pas toujours par des rangs de premier plan : Ethics et General Knowledge restent relativement bas dans leurs classements, tandis que Coding se situe au-delà du milieu de tableau malgré un score brut élevé. L’Intelligence Index place GLM-5 dans la partie supérieure du classement, sans l’installer parmi les tout premiers. Les résultats Arena confirment ce positionnement : l’Elo texte reste à 52 points du leader, et l’Elo code à 219 points. GLM-5 cible donc les usages agentiques, le raisonnement, les mathématiques et les longs contextes lorsque le coût constitue un critère central.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · Benchable.ai (benchable.ai).