Um modelo GLM é um membro de uma família de grandes modelos de linguagem de pesos abertos cujo modelo emblemático atual é o GLM-5.2. Se chegou aqui a partir de uma pesquisa por "o que é o GLM", a resposta curta é esta: GLM é uma linha de modelos de linguagem de uso geral lançados com pesos publicados sob licença MIT, indo de lançamentos leves de 30B até um modelo emblemático com contexto de 1M de tokens criado para engenharia agêntica de longo alcance.
O que distingue um LLM GLM da maioria dos modelos que consegue nomear é a combinação de duas coisas que raramente aparecem juntas. Compete nos mesmos benchmarks que a fronteira fechada — 81.0 no Terminal-Bench 2.1, 74.4 no FrontierSWE Dominance, 99.2 no AIME 2026, tudo tal como publicado pelos autores do modelo — e, ainda assim, os pesos podem ser descarregados, auto-alojados e são licenciados de forma permissiva. É essa combinação que este site existe para documentar.
Um modelo GLM é um grande modelo de linguagem baseado em transformer: recebe texto, prevê texto e foi pós-treinado para seguir instruções, usar ferramentas e trabalhar dentro de harnesses de agentes. Funcionalmente, ocupa na sua arquitetura o mesmo lugar que qualquer outro LLM de uso geral — envia-lhe um prompt e ele devolve uma continuação em streaming. As diferenças interessantes são arquitetónicas e jurídicas, e não conceptuais.
Do ponto de vista arquitetónico, a geração atual usa atenção esparsa com um indexador partilhado, um design a que os autores do modelo chamam IndexShare, para que a computação por token não escale com o contexto como aconteceria com atenção densa. É isso que torna a janela de 1M de tokens do modelo emblemático prática de servir, e não apenas declarável. Do ponto de vista jurídico, todos os modelos GLM principais são disponibilizados sob MIT, sem restrições regionais, o que significa que pode descarregá-los, fazer fine-tuning, implementá-los comercialmente e manter todos os prompts dentro da sua própria rede.
A família evoluiu rapidamente, e os lançamentos entendem-se melhor como uma sequência de problemas concretos a serem resolvidos do que como um número de versão a subir. Cada entrada abaixo remete para a sua própria ficha técnica neste site.
A palavra "aberto" é usada de forma vaga nesta indústria, por isso vale a pena ser preciso sobre o que se afirma acerca da família de modelos GLM. Os pesos principais estão publicados no HuggingFace e no ModelScope sob licença MIT, sem restrições regionais e sem qualquer cláusula de uso aceitável que estreite o que a licença de outro modo concede. Na prática, isso significa que os pesos se comportam como qualquer outro artefacto MIT da sua stack.
As consequências operacionais são as que realmente importam. Os seus prompts nunca saem de infraestrutura que controla, o que resolve uma classe inteira de objeções de governação de dados antes sequer de serem levantadas. Uma versão do modelo não pode ser descontinuada debaixo dos seus pés, porque já detém os pesos. E pode fazer fine-tuning com dados proprietários sem enviar esses dados para lado nenhum. São essas propriedades que fazem com que um LLM GLM aberto seja avaliado de forma diferente de uma API alojada, mesmo quando as pontuações de benchmark são semelhantes.
Comece pelo comprimento do contexto, porque é a restrição que não se contorna. Se uma tarefa precisa de ver um repositório inteiro, uma superfície completa de API ou dias de registos num único prompt, apenas o GLM-5.2 tem uma janela publicada de 1.000.000 de tokens; tudo o resto na família exigirá uma camada de recuperação que decide por si que fragmentos o modelo vê. Se as suas tarefas são bem delimitadas, essa restrição desaparece e o hardware passa a ser o fator decisivo.
Depois escolha pela pegada. O GLM-4.7-Flash com 30B e o GLM-4.5-Air são os níveis leves criados para inferência local e trabalho de grande volume; o GLM-5.1 oferece uma janela de 200.000 tokens com um custo de KV-cache muito menor do que o do modelo emblemático; o GLM-ASR trata de voz para texto e não de geração de texto. O padrão sensato em produção é correr dois deles — um modelo pequeno para volume e o emblemático para os problemas que realmente justificam a computação.
Todos os valores desta página são resultados tal como publicados pelos autores do modelo. O glmmodel.com apenas os reporta; não executa estas avaliações.
Leia os benchmarks do modelo GLM e depois ponha um modelo real a trabalhar. O playground acima é gratuito e não exige nada de si; se quiser um conjunto de ferramentas de IA mais completo, o plano gratuito do nosso parceiro começa aqui.