GLM-5V-Turbo
GLM-5V-Turbo est un LLM propriétaire de Zhipu AI, sorti le 2 avril 2026. Il associe une fenêtre de contexte particulièrement étendue de 202 752 tokens à un positionnement très économique, avec des poids non ouverts.
GLM-5V-Turbo est un LLM propriétaire de Zhipu AI, sorti le 2 avril 2026. Il associe une fenêtre de contexte particulièrement étendue de 202 752 tokens à un positionnement très économique, avec des poids non ouverts.
Le modèle se distingue par d’excellents résultats sur plusieurs évaluations ciblées, notamment en connaissances générales, en éthique et sur le benchmark d’hallucinations. Son principal argument commercial reste toutefois son coût, inférieur de 40% à la moyenne des LLM similaires et environ 4,6 fois moindre que celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Zhipu AI |
| Poids | 🔒 Propriétaire |
| Date de sortie | 2 avril 2026 |
| Multimodal | oui |
| Fenêtre de contexte | 200 000 tokens |
| Modalités (entrée → sortie) | text,image,video → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| V* | 89,0 % | 7ᵉ / 7 | llm-stats | Auto-déclaré |
| PinchBench | 80,7 % | 4ᵉ / 4 | llm-stats | Auto-déclaré |
| SimpleVQA | 78,2 % | 2ᵉ / 13 | llm-stats | Auto-déclaré |
| AndroidWorld | 75,7 % | 2ᵉ / 3 | llm-stats | Auto-déclaré |
| Claw-Eval | 75,0 % | 2ᵉ / 13 | llm-stats | Auto-déclaré |
| OSWorld | 62,3 % | 7ᵉ / 20 | llm-stats | Auto-déclaré |
| FACTS Grounding | 58,6 % | 11ᵉ / 13 | llm-stats | Auto-déclaré |
| ZClawBench | 57,6 % | 2ᵉ / 4 | 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.
Classements Arena (Elo)
| Catégorie | Elo | Rang | En tête d'arène |
|---|---|---|---|
| Arena Text | 1439 | 68ᵉ / 200 | Claude Fable 5 (1507) |
| Arena Image-to-Code | 1420 | 25ᵉ / 31 | Claude Fable 5 (1627) |
| Arena Document | 1418 | 26ᵉ / 32 | Claude Opus 4.6 (1508) |
| Arena Code | 1395 | 50ᵉ / 99 | Kimi K3 (1679) |
| Arena Vision | 1231 | 43ᵉ / 135 | Claude Fable 5 (1318) |
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) | 22,37 $ |
| Durée d'exécution — PinchBench | 4 h 57 min |
| Indice valeur/coût — PinchBench | 6,76 |
| Coût moyen par benchmark — Benchable | 0,28 $ |
| Latence moyenne par benchmark — Benchable | 11 min 10 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. GLM-5V-Turbo atteint le premier rang sur les benchmarks Benchable Hallucinations, General Knowledge et Ethics, tous trois avec un résultat maximal. Il se montre également solide en classification d’e-mails et en mathématiques, même si ses rangs y sont moins dominants. Sa fenêtre de 202 752 tokens convient au traitement de volumes de texte importants. La tarification renforce ce positionnement : l’entrée commence à 1,2 $ par million de tokens et la sortie à 4 $, soit un niveau nettement inférieur à celui des modèles comparables et haut de gamme.
Limites et points d’attention. Les résultats en arène nuancent fortement les scores Benchable. GLM-5V-Turbo occupe une position correcte mais éloignée de la tête en Arena text, se situe dans la moitié inférieure en Arena code et figure près du bas du classement en Arena document. Le benchmark Reasoning est également moins convaincant que ses évaluations de connaissances, d’éthique ou de mathématiques. Sa licence propriétaire exclut l’accès aux poids. Le modèle cible ainsi surtout les usages sensibles au coût, nécessitant un long contexte et de bonnes performances sur des tâches structurées, plutôt que la recherche des meilleures performances générales en arène.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).