Cherry Studio v1.6.4版本发布，集成全新CherryIN系统，汇集Claude、Gemini、GPT、GLM、Grok、kimi及qwen系列等主流AI模型。该系统简化多模型访问，提升用户体验。
智谱发布GLM-4.6模型，采用寒武纪国产芯片，首次实现FP8+Int4混合量化部署。该技术突破在保持模型精度的同时显著降低推理成本，为国产芯片支持大模型本地化运行开辟新路径。
智谱AI发布并开源新一代模型GLM-4.6，在Agentic Coding等关键能力上实现大幅提升。其编程能力已对齐国际顶尖模型Claude Sonnet4，并超越DeepSeek-V3.2-Exp，成为当前国内最强代码生成模型。该模型在国产化适配方面取得里程碑进展，已成功部署于寒武纪国产芯片平台。
智谱推出Claude Code专属包月套餐，月费仅20元，适用于GLM-4.5及GLM-4.5-Air模型。用户可通过扫描海报二维码或访问bigmodel.cn购买，享受便捷编程服务。
强大的语言模型，支持多种自然语言处理任务。
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。
智谱深度推理模型，擅长数理逻辑和代码推理
端到端中英语音对话模型
chatglm
$4.03
输入tokens/百万
$7.99
输出tokens/百万
128k
上下文长度
$0.43
$1.01
131.1k
$0.8
$2
$2.02
$5.98
智谱ai
$4.5
$22.5
$0.5
-
Wwayu
这是一个基于GLM-4.6架构的混合专家模型，使用REAP方法对专家进行了40%的均匀剪枝，参数量为218B，并转换为MLX格式的3位量化版本，适用于苹果芯片设备高效运行。
noctrex
这是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，专门针对文本生成任务进行了优化。该模型基于cerebras的GLM-4.5-Air-REAP-82B-A12B基础模型，通过MXFP4混合专家量化技术实现，在保持性能的同时显著减小模型体积和推理成本。
gghfez
这是GLM-4.6-REAP-266B-A32B模型的Q4_K_M gguf量化版本，基于transformers库构建，具有文本生成能力。该模型使用了REAP（路由加权专家激活剪枝）方法，能够选择性地移除冗余专家，同时保留路由器对剩余专家的独立控制。
这是GLM-4.6-REAP-266B-A32B模型的Q2_K_M gguf量化版本，基于REAP（路由器加权专家激活剪枝）方法创建，能够在保留路由器对剩余专家独立控制的同时，选择性移除冗余专家，实现高效的文本生成。
manasmisra
该模型是基于GLM-4.5-Air使用REAP方法进行25%均匀剪枝后的专家混合模型，已转换为MLX格式的4位量化版本，适用于苹果芯片设备的高效推理。
Daemontatox
Zirel-3是基于GLM-4.5-Air-REAP-82B-A12B的特定微调模型，采用REAP（路由加权专家激活剪枝）技术压缩的820亿参数混合专家模型，在保持高性能的同时显著减少模型体积。
nightmedia
基于GLM-4.5-Air模型使用REAP方法进行25%专家剪枝的优化版本，转换为MLX格式以便在Apple Silicon设备上高效运行
cerebras
GLM-4.5-Air-REAP-82B-A12B 是 GLM-4.5-Air 的高效压缩版本，通过 REAP 剪枝技术将参数规模从 106B 压缩到 82B，减少 25% 内存需求，同时保持近乎无损的性能表现。
本项目为 GLM-4.6 模型提供了创意写作控制向量，通过控制向量技术调节模型在特定维度上的表现，如诚实度与马基雅维利主义倾向、沟通风格等。
anikifoss
GLM-4.6的高质量量化版本，采用先进的量化技术在不使用imatrix的情况下实现，保持了良好的模型性能和兼容性，适用于对话等多种应用场景。
bullpoint
GLM-4.6-AWQ是对智谱AI的GLM-4.6（357B MoE）进行高性能AWQ量化的模型，专为vLLM推理进行了优化，能有效提升生产部署的吞吐量。该模型采用4位量化技术，在保持高精度的同时显著减少显存占用。
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。
DevQuasar
本项目提供了zai-org/GLM-4.6的量化版本，旨在让知识为每个人所用。这是一个文本生成模型，基于原始GLM-4.6模型进行优化，提供更高效的推理性能。
ubergarm
基于ik_llama.cpp分支优化的GLM-4.6量化版本，采用先进的IQ量化技术，在保持高质量输出的同时显著减少内存占用。该系列包含多种量化级别，从IQ5_K到IQ1_KT，满足不同硬件环境下的推理需求。
GLM-4.6-AWQ是基于zai-org/GLM-4.6基础模型的量化版本，具备高效的文本生成能力。相比GLM-4.5，该模型在上下文窗口、编码性能、推理能力和智能体功能等方面都有显著提升。
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推出的新一代文本生成模型，相比GLM-4.5在多个方面有显著改进，包括更长的上下文窗口、更优的编码性能和更强的推理能力。该模型在多个公开基准测试中表现出色，与国内外领先模型相比具有竞争优势。
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。
inferencerlabs
GLM-4.6是基于MLX框架的高效文本生成模型，采用6.5bit量化技术，在保持高质量文本生成能力的同时显著降低计算资源需求。该模型在单台M3 Ultra设备上即可运行，支持高效的文本生成任务。
mlx-community
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。
GLM-4.6 MCP服务器是一个企业级架构咨询协议桥接服务，通过模型上下文协议连接Claude 4.5 Sonnet和GLM-4.6，提供系统设计、可扩展性模式和技术决策支持，支持代码架构分析、系统架构设计和决策审查等功能。
基于GLM-4.5V模型的MCP服务器，提供智能图片分析功能，支持从文件路径或剪贴板获取图片，专门用于代码内容提取、架构分析、错误检测和文档生成。
一个集成GLM-4.5V视觉能力的MCP服务器，支持本地图片和URL分析，通过Claude Code提供图像分析功能
GLM-4.5V多模态服务器，提供图像处理、视觉查询和文件处理功能
Gguf支持多种语言%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)
