把复杂指令拆成执行步骤
GLM-5-Turbo 针对多层约束和长链指令进行了优化，可用于识别目标、安排步骤及组织智能体分工。面对同时包含交付格式、依赖条件和完成标准的任务，更适合让它先形成计划，再结合每一步返回的结果继续推进。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 原生上下文
- 200K tokens
- 原生最大输出
- 128K tokens
- 输入与输出
- 文本输入、文本输出
- 原生思考控制
- thinking.type：enabled / disabled，默认 enabled
- 工具协作
- Function Call；支持集成 MCP 工具与数据
- 输出方式
- 流式文本；JSON 结构化输出
- 调用入口
- /glm/chat/completions；/aichat2/conversations；/aichat/conversations
上下文、输出上限与思考开关为原生规格；本平台各入口的请求方式、执行控制和可用参数按对应接口使用。
核心能力
了解 glm-5-turbo 能为你的工作带来什么。
围绕工具结果持续推进
工具调用是这一型号的重点优化方向。应用可声明函数及参数结构，让模型选择调用方式，再把执行结果交回模型。它适合需要查询、分析与整理交替进行的流程，JSON 输出也便于把任务结论交给业务系统处理。
关注长任务中的时间与连续性
模型针对定时触发、持续执行和长逻辑链任务增强了时间要求理解与执行连续性。可在任务中明确截止条件、阶段状态和后续动作，让模型依据这些信息续接工作；调度、状态保存和工具执行仍由应用或会话服务承担。
适用场景
从具体任务出发，找到模型发挥作用的位置。
开发任务分解与修复协作
输入需求说明、代码文本、报错日志和验收条件，让模型拆分排查步骤，结合工具返回的检查结果提出修改方案。交付物可以是补丁建议、测试清单和变更说明；真实编译、测试及代码写入需由已配置的工具完成。
多批资料分析与报告整理
把资料转为文本，附上分析口径、字段要求及报告结构，让模型按主题归纳信息并生成摘要或 JSON 记录。长上下文便于放入较多背景材料，多轮交互则适合逐批补充数据、修订结论，最终形成报告与待确认事项。
持续运营任务的阶段处理
为巡检或周期性整理任务提供时间要求、当前状态和明确停止条件，让模型判断下一步并汇总阶段结果。采用 v2 会话入口时，可结合异步请求与回调组织后台流程；涉及发送、发布或写入的动作应设置工具授权。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
与 GLM-5 相比，优先看智能体任务
GLM-5-Turbo 的明确侧重点是 OpenClaw 场景，包括工具调用、复杂指令和持续长链执行。官方在 ZClawBench 中报告了相较 GLM-5 的场景提升，但这不等于所有问答任务都更好。若应用依赖多步工具协作，应优先用真实任务比较完成质量与中断恢复表现。
按执行责任选择入口
已有工具执行器、希望自行维护历史及函数调用回路时，选择 /glm/chat/completions。希望使用托管会话、异步处理和会话管理时，可选择 /aichat2/conversations；已有简洁问答集成可继续使用旧会话入口。入口选择影响工作流组织方式，不改变模型的文本定位。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- GLM-5-Turbo 的原生模态是文本，不应把接口中的图片、文件或音频字段理解为它具有视觉识别或语音生成能力。处理扫描件、截图或音频任务时，应先获得适合分析的文本，或选择对应模态的模型。
- 长链执行优化不代表模型能独立安排定时任务、永久运行或自动获得外部系统权限。应用需要保存进度、处理工具失败并设置终止条件；无人值守的写操作还必须符合授权范围和具体工具的安全要求。
- 200K 上下文与 128K 最大输出是原生容量指标，并非每次请求都应占满。长流程宜保留任务目标、关键结果和阶段摘要；遇到 length 结束原因时，应检查输出预算与交付结构，避免把截断文本作为完整结果。
常见问题
解答使用 glm-5-turbo 时的常见疑问。
GLM-5-Turbo 只是 GLM-5 的加速名称吗？
不是。它是面向 OpenClaw 工作流专门优化的模型，重点覆盖工具调用、指令拆解、时间要求和长链执行。选择它应看任务是否需要这些能力，而不是仅凭 Turbo 名称推断固定延迟或通用性能提升。
调用 GLM-5-Turbo 最基本需要提交什么？
使用 /glm/chat/completions 时，指定 model 为 glm-5-turbo，并提交包含角色与文本的 messages。普通回答从 choices 中读取助手内容；若返回 tool_calls，则进入工具执行与结果回传流程，而不是直接把函数参数当作最终答案。
它能自动执行函数或操作 MCP 服务吗？
模型支持生成工具调用决策，但执行方式取决于入口。Chat Completions 需要应用执行函数并回传结果；v2 会话可结合已配置的工具与授权连接推进任务。模型具备工具能力，不代表任意外部服务都已连接或获准写入。
如何用 GLM-5-Turbo 延续多轮任务？
自行管理对话时，把必要历史和工具结果放入 messages。使用托管会话时，可开启 stateful，保存返回的 id，并在后续请求中携带它继续交流。对于较长任务，建议同时保留目标、完成状态与待办项，便于检查进度。
GLM-5-Turbo 的思考模式怎样控制？
原生示例通过 thinking.type 选择 enabled 或 disabled，默认开启思考。本平台的 Chat Completions 请求结构提供 reasoning_effort，但它与原生开关不是同名控制项，不宜互换理解；任务提示仍应明确目标、约束和验收标准。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.72per 1M tokens
Official $1.20
Output
$2.40per 1M tokens
Official $4.00
−40%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
Your API key is pre-filled in the snippet — copy and run it in your terminal or IDE.
This is only a basic call example. See the full docs for more parameters and advanced usage.