NEUROAPI / СРАВНЕНИЕ МОДЕЛЕЙ
GLM 4.7 vs GLM 5.2
Сравните стоимость одинаковой нагрузки, ограничения и опубликованные результаты.
1 000 запросов · по 1 000 входных + 200 выходных токенов
Оптимальный · вне пика · без кеша · без платных инструментов и индивидуальных скидок
Контекст GLM 4.7: 128 000 токенов
Контекст GLM 5.2: 256 000 токенов
Стоимость вашей текстовой нагрузки
Один объём — две модели. Изменяйте нагрузку и сравнивайте расходы. Расчёт не отправляет запросы и не списывает баланс.
Кеш и пиковые часы
Кеш — часть входа, а не дополнительные токены. Порог цены применяется к каждому запросу.
Расходы за весь объём
1 000 запросов
A
GLM 4.7
90,00 ₽
0,09 ₽ за запрос
B
GLM 5.2
1 748,55 ₽
1,75 ₽ за запрос
01 748,55 ₽
Разница: 1 658,55 ₽ · 94,9% от большей суммы
По этой нагрузке дешевле GLM 4.7. Это сравнение стоимости, а не качества ответов.
Цены, расписание и лимиты
GLM 4.7
Без пика за весь объём: 90,00 ₽
Контекст: 128 000 токенов · максимум вывода: 128 000.
GLM 5.2
Без пика за весь объём: 1 748,55 ₽
Контекст: 256 000 токенов · максимум вывода: 128 000.
Что учитывает расчёт
Без платных инструментов, медиа, создания кеша и индивидуальных скидок. Чтение кеша — предположение, попадание в кеш не гарантируется. Одинаковый текст может содержать разное количество токенов у разных моделей. Неизвестный лимит не означает отсутствие ограничения.
Проверить требования к задаче
Выберите обязательные функции.
GLM 4.7
Обязательные функции ещё не выбраны.
GLM 5.2
Обязательные функции ещё не выбраны.
Условия и ограничения
Здесь показаны заявления публичного каталога; качество результата и совместимость конкретного API-формата проверяются отдельно.
«Не заявлено» не доказывает, что функция невозможна. Даже при наличии всех флагов каталог не подтверждает надёжность инструментов, точность JSON или качество работы с файлами.
Что можно заключить по этой паре
Стоимость одинаковой нагрузки
GLM 4.7
Почему такой вывод
GLM 4.7 дешевле для примера: 1 000 запросов, по 1 000 входных и 200 выходных токенов, тариф «Оптимальный», вне пика, без кеша и платных инструментов. При другой нагрузке результат может измениться.
Код и сложные задачи
Недостаточно сопоставимых измерений
Почему такой вывод
Нет достаточно свежих сопоставимых свидетельств с подтверждёнными условиями и датой оценки для короткого вывода. Исторические результаты можно изучить в разделе источников; проверьте модели на своём коде.
Агенты и инструменты
Разные возможности
Почему такой вывод
входное изображение: GLM 4.7 — поддержка заявлена; GLM 5.2 — поддержка не заявлена. Эти флаги не измеряют качество агента. Проверьте контракт endpoint, корректность вызовов и выполнение своей задачи.
Длинные документы
GLM 5.2
Почему такой вывод
GLM 5.2 имеет больший опубликованный лимит контекста на тарифе «Оптимальный». Это не замер качества работы с длинным документом; учитывайте лимиты входа и вывода.
Интерактивные ответы
Недостаточно сопоставимых измерений
Почему такой вывод
Сопоставимые замеры задержки API не опубликованы. Сравните время до первого токена и полное время ответа при одинаковом запросе и тарифе.
Задачи с рассуждением
Недостаточно сопоставимых измерений
Почему такой вывод
Поддержка режима рассуждений одинаково заявлена в каталоге. Для оценки качества нужны результаты конкретной задачи.
Визуальное сравнение
Что показывают бенчмарки
Сравните профиль каждой модели. Источники измеряют разные задачи и показаны отдельно.
Снимок: · Свежесть: устаревший или резервный снимок
Идентификаторы обеих моделей сопоставлены.
Даты измерений не опубликованы.
Опубликованные показатели
Сравнение значенийArtificial Analysis
Опубликованные индексы; профиль не определяет победителя на вашей задаче.
Artificial Analysis
GLM 4.7GLM 5.2
Для радара нужны хотя бы три общих критерия. Показываем доступные значения без дорисовки отсутствующих результатов.
Кодинг
Artificial Analysis · Coding Index
GLM 4.745.3 / 100
GLM 5.268.8 / 100
Опубликованные показатели
Общие метрикиDesign Arena
Единая шкала Elo; доля побед не задаёт вероятность победы в этой паре.
Design Arena
GLM 4.7GLM 5.2
Геометрия помогает увидеть профиль, но не задаёт общий рейтинг.
Web UI
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1222 · 51% побед · #44
GLM 5.2ELO 1319 · 56.9% побед · #11
Веб-дизайн
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1239 · 55.3% побед · #41
GLM 5.2ELO 1313 · 56.3% побед · #8
Код-интерфейсы
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1233 · 54.8% побед · #41
GLM 5.2ELO 1317 · 55.7% побед · #8
Визуализация
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1215 · 51.2% побед · #48
GLM 5.2ELO 1318 · 54.4% побед · #8
GameDev
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1219 · 55.2% побед · #44
GLM 5.2ELO 1312 · 53.2% побед · #13
3D
Elo: выше — лучше. Общая доля побед — не вероятность победы в этой паре.
GLM 4.7ELO 1229 · 54.3% побед · #41
GLM 5.2ELO 1340 · 56.5% побед · #7
Ограничения и методика
Недостаточно подтверждённых данных для рекомендации победителя.
- Источник получен более семи дней назад или свежесть не подтверждена.
- Дата получения данных не является датой измерения; даты измерений не подтверждены для обеих моделей.
- Версия API не подтверждает версию протокола измерения индекса.
- Опубликованный индекс не доказывает преимущество на вашей нагрузке и не содержит доверительного интервала.
Artificial Analysis публикует индексы, а не процент решённых задач. Design Arena публикует Elo; в общий график входят категории models. Результаты сборщиков и агентных оболочек остаются отдельными записями. Для рисунка используется единая шкала 100 / (1 + 10^((1200 − Elo)/400)). Площадь графика не означает общую силу модели.
Дата получения снимка не равна дате измерения. Неизвестные или различающиеся конфигурации не подтверждают сопоставимость запусков. SD — стандартное отклонение источника, а не доверительный интервал. Число наблюдений и интервалы не добавляются без публикации источником. Даты отображаются в UTC.
Исходные результаты и параметры
OpenRouter · результаты источников
Artificial Analysis, Design Arena и OpenRouter Evals представлены раздельно.
GLM 4.7
Идентификатор источника: z-ai/glm-4.7
Artificial Analysis
- Intelligence Index
- Нет данных
- Coding Index
- 45,3
- Agentic Index
- Нет данных
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: не опубликована
Метка уверенности не является доверительным интервалом.
Происхождение измерения и конфигурация не подтверждены.
Design Arena
- agents / androidnative: Elo 1 134 · место 28 · 56,2% побед
- agents / fullstack: Elo 1 061 · место 34 · 45,1% побед
- agents / godotgamedev: Elo 1 058 · место 28 · 35,8% побед
- agents / mobileapps: Elo 1 146 · место 29 · 48,9% побед
- models / 3d: Elo 1 229 · место 41 · 54,3% побед
- models / asciiart: Elo 1 189 · место 27 · 48,1% побед
- models / codecategories: Elo 1 233 · место 41 · 54,8% побед
- models / dataviz: Elo 1 215 · место 48 · 51,2% побед
- models / gamedev: Elo 1 219 · место 44 · 55,2% побед
- models / svg: Elo 1 180 · место 41 · 54,3% побед
- models / uicomponent: Elo 1 222 · место 44 · 51% побед
- models / website: Elo 1 239 · место 41 · 55,3% побед
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: не опубликована
Метка уверенности не является доверительным интервалом.
Происхождение измерения и конфигурация не подтверждены.
OpenRouter Evals · отдельные запуски
Запуски не опубликованы.
GLM 5.2
Идентификатор источника: z-ai/glm-5.2
Artificial Analysis
- Intelligence Index
- Нет данных
- Coding Index
- 68,8
- Agentic Index
- 39,7
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: не опубликована
Метка уверенности не является доверительным интервалом.
Происхождение измерения и конфигурация не подтверждены.
Design Arena
- agents / agenticgamedev: Elo 1 209 · место 10 · 49,4% побед
- agents / androidnative: Elo 1 196 · место 18 · 52,9% побед
- agents / fullstack: Elo 1 250 · место 10 · 61,4% побед
- agents / godotgamedev: Elo 1 142 · место 17 · 40,1% побед
- agents / htmlslides: Elo 1 183 · место 12 · 49,7% побед
- agents / mobileapps: Elo 1 208 · место 16 · 52,1% побед
- agents / python-pptxslides: Elo 1 213 · место 14 · 49% побед
- agents / webapps: Elo 1 251 · место 11 · 56,5% побед
- models / 3d: Elo 1 340 · место 7 · 56,5% побед
- models / asciiart: Elo 1 248 · место 15 · 52,7% побед
- models / codecategories: Elo 1 317 · место 8 · 55,7% побед
- models / dataviz: Elo 1 318 · место 8 · 54,4% побед
- models / gamedev: Elo 1 312 · место 13 · 53,2% побед
- models / svg: Elo 1 256 · место 14 · 53,5% побед
- models / uicomponent: Elo 1 319 · место 11 · 56,9% побед
- models / website: Elo 1 313 · место 8 · 56,3% побед
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: не опубликована
Метка уверенности не является доверительным интервалом.
Происхождение измерения и конфигурация не подтверждены.
OpenRouter Evals · отдельные запуски
Запуски не опубликованы.
OpenEvals · отдельный набор данных
Обновление набора: . Дата строки набора не подтверждает дату запуска теста.
GLM 4.7
EvasionB: 82,91 % · Accuracy
Дата строки: · Источник строки: EvasionBench API
Среда оценки: не опубликована · Конфигурация: неизвестна
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: official
Метка уверенности не является доверительным интервалом.
- Оценка уверенности — метка набора данных, не доверительный интервал.
- Дата строки набора данных не подтверждает дату измерения.
- Полная конфигурация и версия среды оценки не подтверждены.
Конфигурация не опубликована или не прошла проверку.
GPQA: 85,7 % · Accuracy
Дата строки: · Источник строки: GPQA Diamond API
Среда оценки: не опубликована · Конфигурация: неизвестна
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: official
Метка уверенности не является доверительным интервалом.
- Оценка уверенности — метка набора данных, не доверительный интервал.
- Дата строки набора данных не подтверждает дату измерения.
- Полная конфигурация и версия среды оценки не подтверждены.
Конфигурация не опубликована или не прошла проверку.
HLE: 24,8 % · Accuracy
Дата строки: · Источник строки: HLE API
Среда оценки: не опубликована · Конфигурация: неизвестна
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: official
Метка уверенности не является доверительным интервалом.
- Оценка уверенности — метка набора данных, не доверительный интервал.
- Дата строки набора данных не подтверждает дату измерения.
- Полная конфигурация и версия среды оценки не подтверждены.
Конфигурация не опубликована или не прошла проверку.
MMLU-Pro: 84,3 % · Accuracy
Дата строки: · Источник строки: MMLU-Pro API
Среда оценки: не опубликована · Конфигурация: неизвестна
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: official
Метка уверенности не является доверительным интервалом.
- Оценка уверенности — метка набора данных, не доверительный интервал.
- Дата строки набора данных не подтверждает дату измерения.
- Полная конфигурация и версия среды оценки не подтверждены.
Конфигурация не опубликована или не прошла проверку.
TB 2.0: 33,4 % · Success Rate
Дата строки: · Источник строки: Terminal-Bench 2.0 API
Среда оценки: не опубликована · Конфигурация: неизвестна
Дата получения: не опубликована · Дата измерения: не опубликована
Версия записи: не опубликована · Протокол оценки: не опубликован
Метка уверенности источника: official
Метка уверенности не является доверительным интервалом.
- Оценка уверенности — метка набора данных, не доверительный интервал.
- Дата строки набора данных не подтверждает дату измерения.
- Полная конфигурация и версия среды оценки не подтверждены.
Конфигурация не опубликована или не прошла проверку.
GLM 5.2
Опубликованных результатов для этой модели не найдено.
Цены и ограничения API
Характеристики опубликованы в каталоге NeuroAPI. Поддержка функции не измеряет качество выполнения задачи. Тариф «Оптимальный» показан отдельно; другой тариф выбирается в калькуляторе.
Цены, пороги и лимиты · Оптимальный
Условия доступа
Одинаковый тариф, опубликованные единицы и ограничения.
GLM 4.7GLM 5.2
Задачи по каталогу
GLM 4.7
Текст и код
GLM 5.2
Текст и код
Оптимальный · опубликованные цены
GLM 4.7
Оптимальный
Цена: вход 51,428 ₽ · выход 192,855 ₽
Вход из кэша: 5,1428 ₽
За 1 млн токенов
Цена кэша применяется только к подтверждённым кэшированным входным токенам; попадание в кэш не гарантируется.
GLM 5.2
Оптимальный
Цена: вход 1 028,56 ₽ · выход 3 599,96 ₽
Вход из кэша: 102,856 ₽
За 1 млн токенов
Цена кэша применяется только к подтверждённым кэшированным входным токенам; попадание в кэш не гарантируется.
Контекст · Оптимальный, токены
GLM 4.7
128 000
GLM 5.2
256 000
Лимит входа · Оптимальный, токены
GLM 4.7
Не опубликован
GLM 5.2
Не опубликован
Лимит вывода · Оптимальный, токены
GLM 4.7
128 000
GLM 5.2
128 000
Подробнее о моделях
GLM 4.7
GLM 4.7 — модель GLM для инженерных и агентных задач; подходит для программирования, вызова функций и длинных рассуждений. В API NeuroAPI используется официальный клиентский идентификатор `glm-4.7`.\n\n## Когда выбирать модель\n\n- код и рефакторинг;\r\n- структурированные процессы с инструментами;\r\n- анализ технических документов;\r\n\n\n## Возможности\n\nПубличная карточка модели заявляет вход: текст, изображения; результат: текст. Доступны: управляемое рассуждение, потоковая выдача, вызов функций, структурированный вывод. Указанное в каталоге контекстное окно — до 128K.\n\n## Актуальность и выбор\n\nGLM-5.1 сильнее в сложной инженерии, но это уже не новейшая вершина семейства; GLM-4.7 остаётся практичным вариантом для типовых задач.\n\n## Ограничения\n\nМодель следует выбирать по реальному тесту на ваших данных: сложность промпта, объём контекста, формат ответа и требования к точности заметно влияют на результат. Не передавайте чувствительные данные без оценки собственных требований к безопасности и соответствию.
GLM 5.2
GLM-5.2 — флагманская текстовая модель Z.AI 2026 года для длительных инженерных задач, программирования и агентных сценариев. В NeuroAPI она вызывается по официальному идентификатору `glm-5.2`, совместимому с OpenAI API, с оплатой в рублях.\n\n## Возможности и контекст\n\nМодель принимает текст и возвращает текст, поддерживает потоковую выдачу, function calling, структурированный JSON-ответ и управляемое рассуждение. Для тарифов «Пилот» и «Оптимальный» NeuroAPI устанавливает практический лимит до 256 000 токенов суммарного контекста на запрос. Это помогает предсказуемо обрабатывать большие репозитории, спецификации и документы.\n\n## Для каких задач подходит\n\n- разработка, рефакторинг и ревью кода;\n- многошаговые агенты, планирование и выполнение задач с инструментами;\n- анализ больших технических документов и RAG-сценарии;\n- извлечение структурированных данных и подготовка JSON;\n- исследовательские и аналитические рабочие процессы.\n\n## Качество и выбор модели\n\nВ публикации Z.AI к GLM-5.2 модель позиционируется как улучшение для long-horizon coding и 1M-контекстных задач. Публикуемые разработчиком бенчмарки полезны как ориентир, но не заменяют тест на собственных данных. Для быстрых массовых запросов стоит сравнивать GLM-5.2 с более лёгкими моделями, а для сложной инженерной работы — тестировать вместе с актуальными флагманами.\n\n## Ограничения\n\nРезультат зависит от инструкции, объёма контекста и выбранного лимита ответа. Проверяйте код, расчёты, юридически значимые выводы и фактические утверждения перед применением в production.
Все заявленные функции и форматы
Функции по каталогу
Сверьте конкретный endpoint и параметры с документацией.
GLM 4.7GLM 5.2
Текст на входе
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Изображения на входе
GLM 4.7
Заявлено
GLM 5.2
Не заявлено
Аудио на входе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Видео на входе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Файлы на входе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Текст на выходе
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Изображения на выходе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Аудио на выходе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Видео на выходе
GLM 4.7
Не заявлено
GLM 5.2
Не заявлено
Режим рассуждений
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Потоковый ответ
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Вызов инструментов
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Структурированный ответ
GLM 4.7
Заявлено
GLM 5.2
Заявлено
Подключить выбранную модель
Используйте точный публичный ID в поле model.
GLM 4.7
glm-4.7GLM 5.2
glm-5.2Эндпоинт: POST /v1/chat/completions
curl https://neuroapi.host/v1/chat/completions \
-H "Authorization: Bearer $NEUROAPI_KEY" \
-H "Content-Type: application/json" \
--data '{
"model": "glm-4.7",
"messages": [
{
"role": "user",
"content": "Ответь одним предложением: что такое API?"
}
]
}'При самостоятельном запуске запрос использует баланс API-ключа.
Руководство: Текст и кодAPI-ключ храните на сервере в переменной NEUROAPI_KEY.
Условия и ограничения
Копирование примера не отправляет запрос.
Проверьте поддержку Chat Completions выбранной моделью и доступ к ней у вашего API-ключа.
Пример показывает структуру запроса; наличие общей задачи не подтверждает поддержку каждого формата или параметра.
Вопросы о моделях
Обзор этой пары и подход к выбору
Сравниваем GLM 4.7 и GLM 5.2 для задач: текст и код. Показываем опубликованные возможности, ограничения и условия цен; неизвестные результаты не превращаем в оценки качества.
Сначала определите задачу и обязательные требования, затем сравните стоимость одинаковой нагрузки и свидетельства при сопоставимых условиях. Проверьте выбранные модели на типичных запросах своего продукта.
Что дешевле через API: GLM 4.7 или GLM 5.2?
Для одинакового примера: 1 000 запросов, по 1 000 входных и 200 выходных токенов, тариф «Оптимальный», вне пика, без кеша и платных инструментов — 89,999 ₽ у GLM 4.7 и 1 748,552 ₽ у GLM 5.2. Учитываются применимые пороги объёма одного запроса. Изменение входа, вывода, кеша или пика может изменить выбор.
Как подключить GLM 4.7 и GLM 5.2?
Создайте API-ключ NeuroAPI и используйте точное имя модели. Выберите endpoint и формат запроса из документации для своей задачи: текст, эмбеддинги, распознавание речи, синтез, изображения и видео имеют разные контракты.
Как выбрать модель для своей задачи?
Сначала проверьте обязательные входные форматы, tools/JSON, ограничения выбранного тарифа и стоимость нагрузки. Затем сравните совместимые результаты бенчмарков и проверьте обе модели на своём наборе задач.
Какие ограничения учитываются в сравнении?
На тарифе «Оптимальный» опубликованный контекст: 128 000 у GLM 4.7, 256 000 у GLM 5.2. Отдельные лимиты входа и вывода могут ограничить нагрузку. Неизвестный лимит не означает отсутствие ограничения.