Poziomy wysiłku GLM to kontrola flagowego modelu GLM nad tym, ile obliczeń przeznacza na zadanie w pojedynczym żądaniu. Są trzy — Non-Thinking, High i Max — a wybór między nimi to najbardziej brzemienne w skutki pokrętło, jakie masz, bo na opublikowanej krzywej różnica między najtańszym a najdroższym ustawieniem to mniej więcej jedenaście punktów trafności i 2,4× więcej tokenów wyjściowych.
Model GLM nie ma jednej prędkości. To, że poziom wysiłku traktuje się jako decyzję dla każdego zadania, a nie jako ustawienie globalne, czyni tę funkcję wartościową: rutynowa praca kosztuje niewiele, trudna dostaje potrzebne obliczenia, a nic nie płaci za głębię, której nie wykorzystuje. Poniższe liczby są zgodne z publikacją autorów modelu.
Opublikowana krzywa, uśredniona dla Terminal-Bench 2.1, DeepSWE i SWE-Atlas QnA na Claude Code 2.1.167, przebiega mniej więcej następująco. Liczby tokenów to średnia liczba tokenów wyjściowych na zadanie, czyli koszt, który faktycznie się zmienia.
Szybkie edycje, kod szablonowy, rutynowe refaktoryzacje — wszędzie tam, gdzie opóźnienie liczy się bardziej niż głębia.
Domyślny wybór dla większości agentowego kodowania: jakość zbliżona do Max przy mniej więcej połowie zużycia tokenów.
Trudne problemy długodystansowe — przydziel dodatkowe obliczenia, gdy zadanie naprawdę tego wymaga.
Uśrednione dla Terminal-Bench 2.1, DeepSWE i SWE-Atlas QnA, ewaluowane na Claude Code 2.1.167. Dane raportowane przez autorów modelu. Przy porównywalnych budżetach tokenów GLM-5.2 plasuje się pomiędzy Claude Opus 4.7 a Opus 4.8.
Te dwa kroki nie są równoważne. Przejście z Non-Thinking na High kupuje około dziewięciu punktów trafności za około 23% więcej tokenów wyjściowych — jednoznacznie dobra wymiana przy niemal każdym zadaniu, na którym Ci zależy. Przejście z High na Max kupuje około dwóch punktów więcej za mniej więcej 93% więcej tokenów, co opłaca się tylko wtedy, gdy te dwa punkty decydują, czy zadanie w ogóle się powiedzie.
Ta asymetria jest powodem, dla którego High to praktyczne ustawienie domyślne. Tłumaczy też, dlaczego hurtowe włączanie Max to częsty i kosztowny błąd: w kolejce rutynowych zadań niemal podwaja zużycie tokenów, nie dając prawie nic, a przy naprawdę trudnych problemach długodystansowych to właśnie ono robi różnicę. Przy porównywalnych budżetach tokenów autorzy modelu plasują GLM-5.2 pomiędzy Claude Opus 4.7 a Opus 4.8. Warto też zauważyć, czego krzywa nie mówi. To średnie z trzech ewaluacji, więc punkt przecięcia na Twoim własnym obciążeniu może leżeć gdziekolwiek — rozkład zadań zdominowany przez krótkie edycje odniesie z Max jeszcze mniej korzyści, niż sugeruje średnia, a zdominowany przez wielogodzinne debugowanie może odnieść znacznie więcej. Kształt krzywej przenosi się na inne przypadki; dokładne liczby nie.
Kieruj według klasy zadania, a nie preferencji. Sensowna domyślna polityka wygląda tak:
Wszystkie liczby na tej stronie to wyniki opublikowane przez autorów modelu. glmmodel.com je raportuje; nie przeprowadza tych ewaluacji.
Przeczytaj benchmarki modeli GLM, a potem sprawdź działający model w praktyce. Playground powyżej jest darmowy i niczego od Ciebie nie wymaga; jeśli chcesz pełniejszego zestawu narzędzi AI, darmowy plan naszego partnera zaczyna się tutaj.