GLM-5

GLM-5 est un LLM open-weights de Zhipu AI, publié le 11 février 2026 sous licence MIT, avec usage commercial autorisé. Le modèle se distingue par une très grande taille, 744 milliards de paramètres dont 40 milliards actifs, et par une fenêtre de contexte de 202 800 tokens, un format adapté aux corpus longs et aux traitements nécessitant beaucoup d’historique.

Son positionnement combine ambition technique et prix très bas : la tarification se situe 69% sous la moyenne des LLM similaires et environ 8,1 fois sous celle des modèles frontière. L’entraînement revendiqué atteint 6,8 × 10²⁴ FLOP, soit environ 1,9 million d’heures-GPU H100, l’équivalent d’environ 880 GPU H100 mobilisés pendant trois mois.

Caractéristiques

Indices de synthèse

Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.

Performances (benchmarks)

« 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 « grand public » sur chaque dimension, et à ses voisins de classement.

Classements Arena (Elo)

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 69 % en dessous de la moyenne des LLM similaires, et 8,1 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).

Coût & vitesse agentiques

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

Notre analyse

Forces. GLM-5 se place dans le haut du classement global, avec un Intelligence Index dans le premier cinquième des modèles suivis et, à sa sortie, une position dans le top 8% des LLM de sa génération sur Epoch: GPQA diamond. Ses meilleurs résultats Benchable concernent Ethics et General Knowledge, deux domaines où il atteint un niveau très élevé en baseline. Email Classification suit de près, ce qui signale une bonne tenue sur les tâches de tri textuel structurées. Reasoning et Mathematics restent solides, tandis que les scores Arena en texte et en code le situent dans une zone compétitive sans le placer tout en haut.

Limites et points d'attention. Le codage apparaît moins dominant que les autres axes Benchable, avec un classement plus modeste que les tâches de raisonnement, de mathématiques ou de classification. Le rang Arena Code reste meilleur que son rang Benchable Coding, mais ne suffit pas à en faire un modèle spécialisé code. La fenêtre très longue et les 744 milliards de paramètres impliquent une empreinte de modèle importante, même si seuls 40 milliards de paramètres sont actifs. L’intérêt principal tient au rapport performances-prix : GLM-5 vise les usages généralistes à grand contexte, l’analyse documentaire, la classification et les tâches de raisonnement courantes, avec une licence MIT favorable aux déploiements commerciaux.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · LiveBench (livebench.ai) · Arena.ai (arena.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · Benchable.ai (benchable.ai).