从需求走向代码迭代
GLM-5.1 的重点不只是生成一段代码，也包括复杂工程任务中的规划与迭代。给出需求、相关实现和验收条件后，可让它先拆解修改范围，再提出实现方案；继续补充测试失败信息，推动修订，而不是把初次回答当作最终交付。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 模型类型
- GLM 系列成熟旗舰文本模型
- 输入与输出
- 文本输入、文本输出；支持多轮对话
- 编程任务
- 代码生成、复杂工程分析、反馈迭代
- 工具协作
- Function Calling；应用执行函数并回传结果
- 结构化交付
- 结构化输出；直接入口提供 JSON 与 JSON Schema 格式选项
- 交互方式
- 直接入口支持流式响应；AI Chat v2 支持托管会话与结构化事件
模型的文本、编程和工具协作能力，与各入口提供的会话管理、输出格式及执行功能应分开理解。
核心能力
了解 glm-5.1 能为你的工作带来什么。
长程任务保持推进节奏
面对需要反复分析、执行和调整的任务，GLM-5.1 适合作为 Agent 的文本决策核心。将目标、当前状态和工具结果组织成连续上下文，让它判断下一步行动。任务进度仍应由应用记录，以便检查计划是否偏离原始约束。
让分析进入业务流程
文本结论可以与函数调用、结构化输出结合：让模型提出需要调用的函数，或按约定格式整理问题与建议。直接入口适合应用自行掌控执行环节；AI Chat v2 则提供托管工具工作流和事件，便于展示任务过程与最终答案。
适用场景
从具体任务出发，找到模型发挥作用的位置。
修复与审查工程代码
输入相关源码、错误日志、依赖说明和预期行为，要求 GLM-5.1 输出问题定位、修改建议及测试清单。把实际测试结果带回下一轮，继续修正方案。适合需要理解约束的缺陷处理与代码审查，交付代码仍需在真实环境中验证。
分析长篇技术材料
将需求文档、接口说明或设计记录整理为文本，要求模型提炼约束、识别矛盾并形成决策摘要。可按章节逐步分析，再汇总待确认事项和实施步骤；保留章节编号，方便团队回查具体依据，而不只得到一份笼统概述。
搭建多步任务助手
为查询、读取与业务操作定义可用工具，让 GLM-5.1 根据任务选择行动，并结合执行结果继续分析。使用 AI Chat v2 时，可围绕会话 ID 延续任务，通过工具事件展示进度；涉及写入或发布的动作，应设置明确授权与确认规则。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
复杂文本任务选择成熟旗舰
如果目标是复杂推理、工程代码或长文档分析，GLM-5.1 是 GLM 系列中的成熟旗舰选择。GLM-5.3 则定位于更新的复杂软件工程与 Agent 任务，不能把它的容量和推理设置套用到 GLM-5.1。已有应用可用相同需求、日志和验收条件比较结果，再决定是否切换。
按控制需求选择入口
需要自行维护消息历史、解析函数调用和控制回复格式时，选择 /glm/chat/completions。希望托管多轮会话、观察工具过程或开展异步任务时，选择 /aichat2/conversations。只需提交问题并获取回答的既有应用，也可继续使用 /aichat/conversations。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- GLM-5.1 应按文本模型使用，不把通用接口中的图片、音频字段视为它的视觉或语音能力。处理文档时，可先提供提取后的正文；使用文件读取工具获得文本，也不等于模型能直接理解所有附件内容。
- 长程任务能力不意味着一次普通对话请求会自动运行程序、修改仓库或完成部署。直接入口返回函数调用后，应用需要执行并回传结果；工具执行应有权限边界、错误处理和必要的人工确认。
- 长文分析和代码修改都依赖输入完整性。多轮任务应保留关键约束与已验证结论，较大任务宜分阶段验收；若回复因长度结束，应检查缺失部分再续写，避免将未完成代码直接交付。
常见问题
解答使用 glm-5.1 时的常见疑问。
GLM-5.1 更适合编程还是日常问答？
它可以用于文本问答，但更有选择价值的方向是复杂编程、推理和长文档分析。简单问答不一定需要旗舰模型；当任务包含工程约束、错误诊断或多轮修订时，更适合让 GLM-5.1 参与分析与推进。
怎样让 GLM-5.1 修复代码更有效？
同时提供相关代码、运行环境、完整错误信息和验收条件，先让它解释问题及修改范围，再生成实现。将测试结果回传后继续修订；不要只给一句“修好这个错误”，也不要省略影响行为的依赖与配置。
GLM-5.1 可以自动执行函数吗？
直接对话入口中，模型返回函数名称和参数，由应用负责执行，再把结果作为工具消息回传。AI Chat v2 可使用托管工具工作流，但具体动作仍受工具可用性和授权约束，不能把生成调用信息等同于执行成功。
GLM-5.1 能联网查资料或读取文件吗？
这些任务可通过 AI Chat v2 的搜索、网页抓取和文件读取工具组织完成，应理解为工具辅助的文本工作流，而不是模型自带搜索或视觉能力。分析附件时，应确认读取结果包含所需正文，并检查关键内容是否遗漏。
调用 GLM-5.1 时怎样延续多轮任务？
直接入口将历史消息按顺序放入 messages；托管会话入口则使用 stateful 并携带返回的 id。前者适合自行控制上下文，后者适合持续交互。无论采用哪种方式，都建议明确记录任务目标、当前进度和待验收事项。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.84per 1M tokens
Official $1.40
Output
$2.64per 1M tokens
Official $4.40
−40%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
Your API key is pre-filled in the snippet — copy and run it in your terminal or IDE.
This is only a basic call example. See the full docs for more parameters and advanced usage.