Qu'est-ce que GLM-5 ? Architecture, Vitesse et Accès API

Je m’appelle Dora. Récemment, GLM-5 est apparu régulièrement dans des fils de discussion et des benchmarks alors que j’essayais de traverser une semaine normale de rédaction, de spécifications et de quelques extractions de données. Je me suis arrêtée la troisième fois que je l’ai vu mentionné à côté de « raisonnement » et « agentique ». Non pas parce que j’avais besoin d’un nouveau modèle, mais parce que mon mix actuel traîne parfois sur les tâches longues. Si un changement pouvait alléger un peu la charge, je voulais le ressentir par moi-même.

Disponible sur WaveSpeedAI — tarification transparente par token, endpoint compatible OpenAI. GLM 5.1 API → · GLM 4.7 API → · Ouvrir le Playground →

J’ai donc passé quelques soirées début février 2026 à tester GLM-5 sur le type de travail qui se passe réellement à mon bureau : des prompts désordonnés, des plans à moitié terminés et des scripts qui ne restent jamais identiques longtemps. Voici ce qui m’a marquée, calmement, sans feux d’artifice.

GLM-5 en contexte — le modèle de cinquième génération de Zhipu

Zhipu AI produit des modèles GLM depuis un moment. Si vous avez utilisé GLM-3 ou GLM-4, vous connaissez déjà l’ambiance : un raisonnement multilingue solide, de bons réflexes en matière de code et un côté pragmatique — vous pouvez faire du bon travail sans avoir à ajuster chaque prompt.

GLM-5 est leur prochaine étape. Je m’en tiens à ce que j’ai pu observer et à ce que Zhipu partage dans ses documents publics. Si vous voulez la formulation du fournisseur, la documentation officielle est un bon point d’ancrage : documentation Zhipu AI (GLM) et le site Zhipu dans son ensemble.

745 milliards au total / 44 milliards actifs (architecture MoE)

Le détail phare, c’est l’architecture. GLM-5 utilise une configuration Mixture-of-Experts (MoE) : un large ensemble d’« experts » (environ 745 milliards de paramètres au total selon les rapports), mais seule une partie s’active par token, environ 44 milliards en moyenne. En pratique, cela se traduit par deux choses que j’ai ressenties au quotidien :

• La latence du premier token se rapprochait davantage d’un modèle dense de 30 à 70 milliards que d’un géant à 700 milliards. Mes prompts ne traînaient pas au démarrage comme certains modèles surdimensionnés.
• La stabilité sur les longs formats était meilleure que prévu. Le MoE peut parfois dériver : GLM-5 restait généralement sur la bonne voie dans les plans en plusieurs étapes et les refactorisations de code, ce que je n’ai pas pris pour acquis.

Ce qui m’importe moins, c’est le chiffre ; ce qui m’importe plus, c’est ce qu’il apporte : le calcul actif est assez important pour gérer la nuance, mais le routage maintient le coût et la vitesse dans une plage acceptable. Selon l’explication de Hugging Face sur le MoE, l’activation sparse permet aux modèles de « passer à des milliards ou même des billions de paramètres » tout en maintenant des coûts d’inférence raisonnables. Sur quelques longues chaînes de raisonnement (analyses multi-sauts sur ~3 à 5 paragraphes), j’ai remarqué moins de « sauts oublieux » par rapport aux modèles denses plus petits.

Améliorations clés : raisonnement, codage, comportement agentique, écriture créative

Ce qui a changé pour moi par rapport aux GLM précédents :

• Raisonnement : Une structure de type chaîne de pensée (même sans le demander) est apparue plus souvent. Je ne voulais pas toujours l’avoir mot pour mot, mais la logique interne semblait plus stable. Quand je lui demandais de critiquer son propre plan, il s’ajustait sans se mettre sur la défensive ni tourner en rond.
• Codage : Il gérait mieux les modifications incrémentielles que les réécritures complètes. Quand je demandais un changement de style diff dans un script, il préservait le contexte au lieu de tout réimprimer. Cela m’a fait gagner quelques minutes — peu, mais réel.
• Comportement agentique : Les tâches de type appel d’outil (décrire les étapes, identifier les entrées manquantes, proposer des reprises) ressortaient plus clairement. Je ne lui confierais pas un accès non surveillé à des systèmes critiques, mais en tant que partenaire de planification, il était compétent.
• Écriture créative : Le contrôle du ton s’est amélioré. Si je définissais un registre (« simple, lent et bienveillant »), il maintenait cette ligne sur plusieurs pages. Il trébuche encore quand le brief mélange trop de contraintes, mais la dérive était faible.

Rien de tout cela ne m’a semblé magique. Cela a, en revanche, réduit la charge mentale que mes prompts requièrent habituellement. C’est important un mardi après-midi quand l’attention se fait rare.

Profil de vitesse d’inférence — à quoi s’attendre

J’ai testé GLM-5 via une couche d’inférence partagée plutôt que la console de Zhipu elle-même, donc le matériel a probablement varié en coulisses. Un schéma s’est néanmoins dessiné sur trois sessions (6–9 février 2026) :

• Latence du premier token : Généralement inférieure à une seconde sur les prompts courts ; 1 à 2 secondes sur les requêtes plus lourdes, de type outil, avec des instructions en plusieurs parties. C’est la plage où je ne perds pas le fil de mes pensées.
• Débit soutenu : Pour les réponses longues, j’ai observé un streaming régulier qui semblait se situer dans la bande des 30 à 60 tokens par seconde. Il ne calait pas en milieu de paragraphe comme certains modèles MoE sous charge.
• Stabilité sous contexte : À ~8 000–16 000 tokens, les sorties restaient cohérentes. Je n’ai pas poussé jusqu’à la fenêtre maximale lors de ces tests car mes tâches réelles en ont rarement besoin. Plus d’informations sur la taille de la fenêtre dans la FAQ.

Compromis latence / débit / coût

La conception MoE signifie que vous échangez la simplicité d’un modèle dense contre une couche de routage qui (idéalement) se rentabilise en vitesse et en coût pour un même niveau de qualité. En pratique :

• Si vous tenez à des échanges rapides (specs produit, brouillons d’e-mails, refactorisations), GLM-5 est suffisamment réactif pour rester dans le flux.
• Si vous traitez de gros volumes, le débit tient la route. Je découperais tout de même les très longs documents pour éviter les reprises.
• Le coût dépend du fournisseur. Les 44 milliards actifs suggèrent une tarification dans le tier « grand mais pas géant ». Si votre stack actuel utilise de petits modèles denses pour les tâches rapides et un seul modèle coûteux pour les tâches difficiles, GLM-5 pourrait couvrir davantage de terrain intermédiaire avec moins de changements.

Une note de terrain : je n’ai pas constaté de grandes différences de vitesse entre les prompts « à fort raisonnement » et les prompts « créatifs ». Certains modèles ralentissent quand ils décident de penser à voix haute. GLM-5 a maintenu un rythme stable dans les deux cas.

Comment accéder à GLM-5 via l’API WaveSpeed

J’ai utilisé GLM-5 via WaveSpeed, qui regroupe plusieurs fournisseurs derrière une interface compatible OpenAI. Pas de code ici, juste les étapes que j’ai suivies, en langage clair.

ID de modèle, endpoint, configuration de l’authentification

• ID de modèle : J’ai sélectionné le modèle répertorié sous « glm-5 » dans le catalogue de modèles WaveSpeed. Certains fournisseurs ajoutent des tags de taille ou de routage : je me suis en tenue à la valeur par défaut.
• Style d’endpoint : L’interface reproduisait le schéma familier chat.completions. Si vous avez intégré quelque chose de compatible OpenAI, le changement consiste généralement à modifier l’URL de base et la chaîne du modèle.
• Authentification : Une seule clé API dans l’en-tête Authorization standard a suffi. J’ai défini une clé par projet pour garder les journaux bien organisés. Les limites de débit apparaissaient dans les en-têtes — pratique quand on règle la concurrence.

Deux notes pratiques issues de ma configuration :

1. temperature et top_p se comportaient de manière prévisible, mais j’ai obtenu une meilleure stabilité en abaissant légèrement la température (0,5–0,7) sur les prompts complexes. Cela réduisait les divagations sans aplatir le ton.
2. Tokens de sortie maximum : le plafond par défaut était conservateur. Si vos réponses sont tronquées, augmentez-le dès le début. Cela évite les relances.

GLM-5 dans le paysage (GPT-5, Claude 4.5, DeepSeek)

Les comparaisons deviennent vite bruyantes, alors je me limiterai à l’impression pratique, pas aux tableaux de classement.

• Face à la gamme GPT : La famille GPT l’emporte toujours sur la gravité de l’écosystème, les plugins, les exemples et les snippets communautaires. En rédaction concentrée et en raisonnement par étapes, GLM-5 a tenu la comparaison. Il produisait moins d’anomalies de mise en forme dans les longs plans que certaines variantes GPT que j’ai utilisées récemment, et il gérait les modifications incrémentielles de code avec moins d’excès.
• Face à la gamme Claude : Les modèles Claude ont tendance à être prudents, bons dans la retenue et la synthèse. GLM-5 a égalé cette retenue sur les réécritures factuelles et était légèrement plus disposé à proposer les prochaines étapes sans qu’on le lui demande. Si vous appréciez Claude pour son ton et ses garde-fous de sécurité, vous pourriez encore le préférer pour les contenus sensibles.
• Face à DeepSeek : Les modèles DeepSeek que j’ai essayés paraissent agiles et rentables — excellents pour les tâches à volume élevé. GLM-5 semblait plus lourd par appel mais plus stable sur les analyses multi-sauts. Si vous bombardez un modèle de nombreuses petites requêtes, DeepSeek pourrait l’emporter sur le rapport coût-performance ; pour des appels moins nombreux mais plus profonds, GLM-5 me semblait plus adapté.

Aucun de ces choix n’est bon ou mauvais — ce sont simplement des valeurs par défaut différentes. Si vous êtes déjà ancré dans un écosystème, l’argument pour changer est mince. Si vous alternez entre modèles selon la tâche, GLM-5 est un solide candidat pour le créneau du « travail de réflexion ».

FAQ — disponibilité, tarification, fenêtre de contexte

• Disponibilité : GLM-5 est accessible via la plateforme de Zhipu et certains agrégateurs. Si vous êtes en dehors de la Chine, la latence et l’accès peuvent varier selon le fournisseur. J’ai utilisé WaveSpeed durant la semaine du 6 au 9 février 2026.
• Tarification : Elle varie. Les agrégateurs fixent leurs propres tarifs et les fournisseurs les ajustent au fil du temps. J’évite de citer des chiffres qui vieilliront mal. Consultez la page de tarification de votre fournisseur juste avant de passer quoi que ce soit en production.
• Fenêtre de contexte : Je n’ai pas atteint le plafond lors de mes tests. Les plages de travail autour de 8 000–16 000 tokens étaient stables. Si votre flux de travail s’appuie sur des contextes très longs (PDF complets, transcriptions), confirmez les limites strictes dans la documentation et surveillez les troncatures.
• Sécurité et modération : J’ai constaté des garde-fous standard. Il a refusé quelques requêtes ambiguës jusqu’à ce que je précise l’utilisation. Si votre domaine a des exigences de conformité strictes, effectuez d’abord un petit audit des politiques.
• À qui s’adresse-t-il : Si vous avez besoin de moins de modèles et de sorties plus stables pour la planification, l’analyse et la rédaction à forte révision, GLM-5 convient. Si vous optimisez pour des micro-tâches ultra-rapides et ultra-économiques, un modèle dense plus petit ou une option de type DeepSeek pourrait mieux vous servir.

Une petite note finale depuis mon bureau : ce que j’ai apprécié n’était pas la puissance brute, c’était de ne pas avoir à le surveiller. Ce n’est pas un titre accrocheur, mais c’est le genre d’amélioration discrète qui s’accumule au fil d’une semaine.