GLM の推論強度：Non-Thinking、High、Max

GLM の推論強度：Non-Thinking と High と Max

GLM の推論強度は、フラッグシップのGLMモデルがタスクにどれだけ計算を費やすかをリクエスト単位で制御する仕組みです。Non-Thinking、High、Max の3段階があり、その選択は手元にある最も影響の大きいつまみです。公表されたカーブでは、最も安い設定と最も高い設定の差は精度で約11ポイント、出力トークンで2.4倍にもなるからです。

GLMモデルの速度は一定ではありません。推論強度をグローバル設定ではなくタスクごとの判断として扱うことこそ、この機能を持つ意味です。定型作業は安く済み、難しい作業には必要な計算が割り当てられ、使わない深さに対価を払わずに済みます。以下の数値はモデル開発元の公表値です。

3つの GLM 推論強度

Claude Code 2.1.167 上の Terminal-Bench 2.1、DeepSWE、SWE-Atlas QnA を平均した公表カーブは、おおむね次の通りです。トークンの数値はタスクあたりの平均出力トークンで、実際に変動するコストはここです。

Non-Thinking

~63%

~35K 平均トークン

深さよりレイテンシが重要な、素早い修正・定型コード・日常的なリファクタリング向け。

High

最も使われる設定

~72%

~43K 平均トークン

多くのエージェント型コーディングにおける既定値。Max に近い品質を、およそ半分のトークン消費で実現します。

Max

~74%

~83K 平均トークン

難易度が高く長時間に及ぶ問題向け。本当に必要な場面でだけ追加の計算資源を投入します。

Terminal-Bench 2.1、DeepSWE、SWE-Atlas QnA の平均値。Claude Code 2.1.167 上で評価、モデル開発元の公表値です。同等のトークン予算では、GLM-5.2 は Claude Opus 4.7 と Opus 4.8 の間に位置します。

GLM の推論強度カーブの読み方

2つの段差は等価ではありません。Non-Thinking から High への移行は、出力トークン約23%増で精度を約9ポイント買える、ほとんどのタスクにとって文句なしに良い取引です。High から Max への移行は、トークン約93%増で約2ポイントの上積みであり、その2ポイントがタスクの成否を分ける場合にのみ良い取引になります。

この非対称性こそ High が実務上の既定値である理由です。また、Max を一律で有効にすることがよくある高くつく間違いである理由でもあります。定型タスクのキューではトークン消費をほぼ倍にしてほとんど何も得られませんが、本当に難しい長時間の問題では結果を左右する設定になります。同等のトークン予算では、モデル開発元は GLM-5.2 を Claude Opus 4.7 と Opus 4.8 の間に位置づけています。カーブが語っていないことにも注意が必要です。これは3つの評価の平均なので、自分のワークロードでの交差点はどこにあってもおかしくありません。短い修正が中心のタスク分布では Max の恩恵は平均以下になり、数時間のデバッグが中心なら平均よりかなり大きくなるでしょう。転用できるのはカーブの形であって、正確な数値ではありません。

実務での GLM 推論強度の選び方

好みではなくタスクの種類で振り分けてください。実用的な既定ポリシーは次の通りです。

このページの数値はすべてモデル開発元が公表した結果です。glmmodel.com はそれを掲載しているだけで、これらの評価を自ら実施してはいません。

GLM の推論強度に関するよくある質問

GLM の推論強度とは何ですか？

Non-Thinking、High、Max は、フラッグシップのGLMモデルがタスクに費やす計算量を制御するリクエスト単位の設定です。公表されたエージェント型コーディングのカーブでは、出力約35Kトークンで約63%、約43Kで72%、約83Kで74%になります。

どの GLM 推論強度を使うべきですか？

エージェント型コーディングの大半では High です。およそ半分のトークン消費で Max に近い品質が得られます。レイテンシが支配的な素早い定型作業には Non-Thinking。Max は、追加の2ポイントが結果を決める本当に難しい長時間の問題に限ってください。

GLM の Max はトークンコストに見合いますか？

限定的に、です。Max は公表カーブ上で約2ポイントの上積みのために、High より約93%多い出力トークンを消費します。失敗のコストが高い場面では優れた価値ですが、定型タスクのキューでは割に合いません。だからこそ、既定を Max にするより失敗時にエスカレートするほうが優れています。

古いGLMモデルにも推論強度はありますか？

ありません。明示的な推論強度は GLM-5.2 で導入されました。GLM-5.1 以前のリリースはタスクごとに固定量の計算を費やすため、それらの上に作ったものはリクエスト単位でトレードオフを調整できません。

この推論強度カーブはクローズドなモデルと比べてどうですか？

モデル開発元は、同等のトークン予算で GLM-5.2 を Claude Opus 4.7 と Opus 4.8 の間に位置づけています。測定は Terminal-Bench 2.1、DeepSWE、SWE-Atlas QnA を平均し、Claude Code 2.1.167 上で行われました。

稼働中のAIモデルを無料で試す — アカウント不要

GLMモデルのベンチマークを読んだら、実際のモデルを動かしてみてください。上のプレイグラウンドは無料で、何の登録も必要ありません。より本格的なAIツールが必要なら、パートナーの無料プランをどうぞ。