国产大模型密集爆发，拉近与美国旗舰闭源AI差距。千问、Kimi之后，智谱创始人唐杰亲口透露GLM-5.5将迎“史诗级pl”升级，国产AI追赶步伐加快。
美国AI服务成本飙升，逼使Coinbase等美企转用中国开源模型降本。Coinbase将智谱GLM5.2、月之暗面Kimi K2.7设为工程师默认工具，在不限用量的同时大幅压缩AI开支。降本已成核心驱动力。
Coinbase转向中国AI模型降本增效。通过采用GLM5.2和Kimi2.7，公司AI支出减半，代币用量大增。新自动路由系统智能分发任务，将缓存命中率从5%大幅提升，同时开发者仍保留模型选择自由。
百度智能云千帆大模型平台于2026年6月25日终止“Coding Plan”AI编码订阅服务的续费，该产品上线仅四个月。其曾主打多模型驱动，支持一键切换GLM-4.7等主流模型，并深度兼容Cursor等编程工具。此次停续标志着重大战略转型。
GLM-5是智谱AI第五代大模型，7450亿参数，具多项前沿能力，现已开放。
GLM-PC是基于CogAgent视觉语言大模型构建的电脑智能体，旨在提升电脑使用体验。
为GPT/GLM等LLM大语言模型提供实用化交互接口
GLM-4和CogView3，智能大模型与图像生成AI
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
Baidu
128
$6
$24
$2
$20
$8
$240
52
Bytedance
$1.2
$3.6
4
nightmedia
GLM-4.5-Air-REAP-82B-A12B-mxfp4-mlx是基于GLM-4.5-Air模型通过REAP方法压缩的82B参数大语言模型，采用MXFP4量化格式，专为Mac设备优化，在保持核心任务性能的同时显著减少内存占用。
bartowski
这是一个基于REAP方法对MiniMax-M2中40%专家进行均匀剪枝得到的139B参数大语言模型，采用GLM架构和专家混合(MoE)技术，通过llama.cpp进行多种量化处理，适用于文本生成任务。
mlx-community
这是一个基于GLM-4.6模型转换的MLX格式版本，采用8位量化技术，分组大小为32，专为苹果芯片优化，提供高效的文本生成功能。
QuantTrio
GLM-4.6-GPTQ-Int4-Int8Mix是基于zai-org/GLM-4.6基础模型的量化版本，在文本生成任务上表现出色。该模型通过GPTQ量化技术实现了模型大小的优化，同时保持了良好的性能表现。
Downtown-Case
GLM 4.6是一款专为128GB内存+单GPU配置优化的量化模型，采用IQ_K量化方式，相比主流llama.cpp在相同大小下提供更好的质量和性能。该模型需要配合ik_llama.cpp使用，在128GB双通道DDR5内存、单CCD Ryzen 7000处理器+单张3090显卡配置下，文本生成速度可达每秒约6.8个token。
unsloth
GLM-4.6是智谱AI开发的新一代大语言模型，相比GLM-4.5在上下文处理、编码能力和推理性能方面有显著提升。该模型支持200K上下文长度，在多个公开基准测试中表现出色，特别在代码生成、推理和代理任务方面具有竞争优势。
这是 GLM-4.6 模型的 5位量化版本，使用 mlx-lm 工具转换，专为 Apple Silicon 设备优化，提供高效的大语言模型推理能力。
AIgotahole
这是一个基于GLM架构的9B参数大语言模型，专门针对推理任务进行了优化，采用GGUF格式便于在llama.cpp中部署使用。模型经过消除处理，具有无审查特性。
mrtoots
基于unsloth/GLM-4.5模型转换的MLX格式3位量化版本，专为Apple Silicon优化的高效大语言模型
基于智谱AI GLM-4.5-Air模型转换的3位深度量化权重(Deep Weight Quantization)版本，专为MLX框架优化，在保持较高性能的同时显著减少模型大小和推理资源需求
GLM-4.5-Air-AWQ-FP16Mix是基于GLM-4.5-Air模型进行量化处理后的高效文本生成模型，采用AWQ和FP16混合量化技术，适用于多GPU环境的大规模语言模型推理场景。
基于GLM-4.5-Air模型使用mlx-lm 0.26.1版本转换的3位深度权重量化版本，专为Apple Silicon芯片优化，提供高效的大语言模型推理能力
GLM-4.5-Air-q5-hi-mlx是一个基于zai-org/GLM-4.5-Air转换的文本生成模型，采用特定的量化方式，在性能和模型大小之间取得平衡，可通过mlx库使用。
GLM-4.5-Air-6bit是基于智谱AI的GLM-4.5-Air模型转换而来的6位量化版本，专为MLX框架优化，提供高效的大语言模型推理能力。
Remnant-GLM4-32B 是一个基于 GLM4 架构的 32B 参数大语言模型，支持角色扮演和对话式交互，特别适合蝾螈相关的应用场景。
Dans-DiscountModels
基于THUDM/GLM-4-32B-Base-0414模型在Dans-DiscountModels/pretokenization-test-4数据集上微调的大语言模型
DevQuasar
GLM-4-32B-0414-abliterated 是一个基于 GLM 架构的大规模语言模型，参数规模为 32B，适用于文本生成任务。
GLM-4-32B-0414是拥有320亿参数的大语言模型，性能媲美GPT-4o和DeepSeek-V3，支持中文和英语，具备卓越的代码生成、函数调用和复杂任务处理能力。
该模型是从THUDM/GLM-4-32B-0414转换而来的8位量化MLX格式大语言模型，支持中英文文本生成任务。
GLM-4-9B-0414-abliterated 是一个基于 GLM 架构的 9B 参数规模的大型语言模型，适用于文本生成任务。
GgufMultiple Languages%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
