Z.ai: GLM 4.6
z-ai/glm-4.6
Pesos del modeloCompared with GLM-4.5, this generation brings several key improvements:
Longer context window: The context window has been expanded from 128K to 200K tokens, enabling the model to handle more complex agentic tasks. Superior coding performance: The model achieves higher scores on code benchmarks and demonstrates better real-world performance in applications such as Claude Code、Cline、Roo Code and Kilo Code, including improvements in generating visually polished front-end pages. Advanced reasoning: GLM-4.6 shows a clear improvement in reasoning performance and supports tool use during inference, leading to stronger overall capability. More capable agents: GLM-4.6 exhibits stronger performance in tool using and search-based agents, and integrates more effectively within agent frameworks. Refined writing: Better aligns with human preferences in style and readability, and performs more naturally in role-playing scenarios.
Proveedores
Distintas empresas alojan el mismo modelo. OpenRouter enruta su solicitud a una de ellas según el modo de enrutamiento que elija: Balanced (precio + velocidad), Nitro (el más rápido) o Floor (el más económico).
| 0,50 US$ | 2,00 US$ | 0,10 US$ | 1,32s | 41 tok/s | ||
| 0,43 US$ | 1,75 US$ | 0,08 US$ | 1,49s | 35 tok/s | ||
| 0,60 US$ | 2,20 US$ | 0,11 US$ | 4,46s | 27 tok/s | ||
| 0,55 US$ | 2,20 US$ | 0,11 US$ | 5,29s | 26 tok/s | ||
No se utiliza en el enrutamiento Standard:Por qué no se usan estos endpoints | ||||||
| 0,40 US$ | 1,60 US$ | 0,08 US$ | 2,37s | 39 tok/s | ||
Entrada 0,50 US$ / Salida 2,00 US$41 tok/s99,97 % de tiempo de actividad- Entrada 0,43 US$ / Salida 1,75 US$35 tok/s99,95 % de tiempo de actividad
- Entrada 0,60 US$ / Salida 2,20 US$27 tok/s100,00 % de tiempo de actividad
- Entrada 0,55 US$ / Salida 2,20 US$26 tok/s100,00 % de tiempo de actividad
- No se utiliza en el enrutamiento Standard:Por qué no se usan estos endpoints
Entrada 0,40 US$ / Salida 1,60 US$39 tok/s100,00 % de tiempo de actividadFlex
Precios
El precio medio que los clientes pagan realmente por este modelo, junto a los precios que publican los proveedores. El uso de caché y los descuentos hacen que el precio realmente pagado a menudo sea muy inferior al publicado.
Media ponderada
GLM 4.6 — Historial de precios
| 0,189 US$ | 2,20 US$ | 82,1 % | 30,5 % | ||
| 0,261 US$ | 2,00 US$ | 59,7 % | 41,9 % | ||
| 0,284 US$ | 2,20 US$ | 64,4 % | 19,6 % | ||
| 0,334 US$ | 1,75 US$ | 27,5 % | 7,9 % | ||
No se utiliza en el enrutamiento Standard:Por qué no se usan estos endpoints | |||||
| 0,358 US$ | 1,60 US$ | 13,0 % | 0,1 % | ||
- En vigor en 0,189 US$ / Salida efectiva 2,20 US$Proporción de tókenes30,5 %
- En vigor en 0,261 US$ / Salida efectiva 2,00 US$Proporción de tókenes41,9 %
- En vigor en 0,284 US$ / Salida efectiva 2,20 US$Proporción de tókenes19,6 %
- En vigor en 0,334 US$ / Salida efectiva 1,75 US$Proporción de tókenes7,9 %
- No se utiliza en el enrutamiento Standard:Por qué no se usan estos endpoints
- En vigor en 0,358 US$ / Salida efectiva 1,60 US$FlexProporción de tókenes0,1 %
Rendimiento
La velocidad de generación indica lo rápido que escribe el modelo (tokens por segundo: cuanto mayor, mejor). La latencia es el tiempo total de ida y vuelta (cuanto menor, mejor). TTFT es el tiempo hasta el primer token: cuánto tarda en aparecer algo en pantalla (cuanto menor, mejor).
P50, el mejor entre los proveedores
P50, mejor proveedor
Tiempo de actividad
El tiempo de actividad es el porcentaje de los últimos 3 días en que al menos un proveedor respondía a las solicitudes. La disponibilidad es el porcentaje de tiempo en que la inferencia se sirvió correctamente. OpenRouter supervisa continuamente y utiliza el siguiente mejor proveedor cuando uno devuelve un error.
Disponibilidad durante los últimos 3 días
Últimas 72 horasDisponibilidad en las últimas 24 horas
Cuando se produce un error en un proveedor ascendente, podemos recuperarnos enrutando la solicitud a otro proveedor que funcione correctamente, si los filtros de su solicitud lo permiten. Puede acceder mediante programación a los datos de tiempo de actividad de cada proveedor a través de la API de endpoints. Obtenga más información sobre nuestras opciones de equilibrio de carga y enrutamiento de proveedores.
Pruebas de rendimiento
Puntuaciones en evaluaciones estandarizadas y respuestas de este modelo a instrucciones compartidas de las pruebas de referencia. Los porcentajes más altos son mejores, y cada posición indica dónde se sitúa este modelo entre los modelos evaluados en esa fuente.
| Fuente | Prueba de rendimiento | Puntuación |
|---|---|---|
| Artificial Analysis | GLM-4.6 (Reasoning) Coding Index | 45,8 |
| Artificial Analysis | GLM-4.6 (Reasoning) GPQA Diamond | 78.0% |
| Artificial Analysis | GLM-4.6 (Reasoning) HLE | 14.5% |
| Artificial Analysis | GLM-4.6 (Reasoning) IFBench | 43.4% |
| Artificial Analysis | GLM-4.6 (Reasoning) τ²-Bench Telecom | 70.5% |
| Artificial Analysis | GLM-4.6 (Reasoning) AA-LCR | 54.0% |
| Artificial Analysis | GLM-4.6 (Reasoning) τ-Bench Banking | 13.4% |
| Artificial Analysis | GLM-4.6 (Reasoning) GDPval-AA | 13.2% |
| Artificial Analysis | GLM-4.6 (Reasoning) CritPt | 1.1% |
| Artificial Analysis | GLM-4.6 (Reasoning) LiveCodeBench | 69.5% |
| Artificial Analysis | GLM-4.6 (Reasoning) Terminal-Bench Hard | 25.0% |
| Artificial Analysis | GLM-4.6 (Reasoning) Terminal-Bench 2.1 | 49.4% |
| Artificial Analysis | GLM-4.6 (Reasoning) MMLU-Pro | 82.9% |
| Artificial Analysis | GLM-4.6 (Reasoning) AIME 2025 | 86.0% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) GPQA Diamond | 63.2% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) HLE | 5.5% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) IFBench | 36.7% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) τ²-Bench Telecom | 76.9% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) AA-LCR | 26.3% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) CritPt | 0.0% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) LiveCodeBench | 56.1% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) Terminal-Bench Hard | 28.8% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) MMLU-Pro | 78.4% |
| Artificial Analysis | GLM-4.6 (Non-reasoning) AIME 2025 | 44.3% |
| Design Arena | GLM 4.6 Agents Arena Androidnative Elo | 1073 |
| Design Arena | GLM 4.6 Agents Arena Full Stack Elo | 1002 |
| Design Arena | GLM 4.6 Agents Arena Godotgamedev Elo | 1180 |
| Design Arena | GLM 4.6 Agents Arena Mobile Apps Elo | 1088 |
| Design Arena | GLM 4.6 Models Arena 3D Elo | 1108 |
| Design Arena | GLM 4.6 Models Arena Code Categories Elo | 1155 |
| Design Arena | GLM 4.6 Models Arena Data Visualization Elo | 1157 |
| Design Arena | GLM 4.6 Models Arena Game Development Elo | 1140 |
| Design Arena | GLM 4.6 Models Arena SVG Elo | 1097 |
| Design Arena | GLM 4.6 Models Arena UI Component Elo | 1137 |
| Design Arena | GLM 4.6 Models Arena Website Elo | 1166 |
| Vals AI | GLM 4.6 AIME | 92.7% |
| Vals AI | GLM 4.6 CorpFin v2 | 56.8% |
| Vals AI | GLM 4.6 Finance Agent v1.1 | 36.5% |
| Vals AI | GLM 4.6 GPQA Diamond | 74.5% |
| Vals AI | GLM 4.6 IOI v1 | 4.3% |
| Vals AI | GLM 4.6 LiveCodeBench | 81.0% |
| Vals AI | GLM 4.6 LegalBench | 79.6% |
| Vals AI | GLM 4.6 MedQA | 92.2% |
| Vals AI | GLM 4.6 MGSM | 89.7% |
| Vals AI | GLM 4.6 MMLU Pro | 82.2% |
| Vals AI | GLM 4.6 TaxEval v2 | 66.2% |
| Vals AI | GLM 4.6 Terminal-Bench 2.0 | 28.1% |
| Vals AI | GLM 4.6 Vibe Code Bench v1.1 | 3.1% |
Aplicaciones
Aplicaciones públicas que envían más tráfico a este modelo. Una buena señal de cómo son las cargas de trabajo reales en producción, y una pista sobre los casos de uso para los que este modelo es más adecuado.
Actividad
Volumen de tokens y tráfico de solicitudes a este modelo a lo largo del tiempo.
API
Código listo para usar para llamar a este modelo. La API de OpenRouter es compatible con OpenAI: la mayoría de los SDK funcionan con solo cambiar la URL base. Lo único que cambia entre modelos es el identificador del modelo que aparece a continuación.
Actualmente no está disponible mediante el enrutamiento dentro de la región de la UE. Documentación de enrutamiento dentro de la región
Preguntas frecuentes
Compared with GLM-4.5, this generation brings several key improvements: Longer context window: The context window has been expanded from 128K to 200K tokens, enabling the model to handle more complex agentic tasks.
GLM 4.6 cuesta 0,43 US$/M de tokens de entrada y 1,75 US$/M de tókenes de salida, con tarifas independientes para Cache Read a 0,08 US$/M tokens.
GLM 4.6 tiene una ventana de contexto de 204.800 tókenes. Admite hasta 16.384 tókenes de respuesta.
Sí. GLM 4.6 admite tools y tool_choice para llamadas a funciones. También admite salidas estructuradas mediante un esquema JSON en response_format.
GLM 4.6 está disponible a través de 4 proveedores en OpenRouter: DeepInfra, Venice, NovitaAI y Z.ai. Las solicitudes se enrutan al mejor proveedor disponible, con conmutación automática a los demás en caso de fallo, y puede fijar o excluir proveedores mediante el enrutamiento de proveedores.
GLM 4.6 se lanzó el 30 de septiembre de 2025. Su fecha límite de conocimientos es 31 de marzo de 2025.