Zhipu GLM

Zhipu GLM هي عائلة من النماذج اللغوية الكبيرة مفتوحة الأوزان طورتها Z.ai، العلامة التجارية الدولية لشركة Zhipu AI ومقرها بكين، وهي شركة ناشئة انبثقت عن جامعة Tsinghua في عام 2019. تستخدم سلسلة GLM بنية خليط الخبراء (MoE) وتصدر أوزانها بموجب ترخيص MIT، مما يعني أنه يمكن للمطورين استضافة النماذج ذاتياً، وضبطها بدقة، ونشرها تجارياً دون التزامات بدفع رسوم أو قيود على الاستخدام. تتوفر واجهة الويب على chat.z.ai؛ بينما يتم الوصول إلى واجهة برمجة التطبيقات (API) عبر bigmodel.cn و docs.z.ai. اعتباراً من منتصف عام 2026، يشمل الجيل النشط GLM-4.5 (الصادر في أغسطس 2025)، و GLM-4.6 (سبتمبر 2025)، و GLM-4.7 (ديسمبر 2025)، حيث يمثل كل منها قفزة تدريجية ولكن ملموسة في قدرات البرمجة، والاستدلال، والمهام الوكيلة.

الميزات الأساسية واضحة ومباشرة: نوافذ سياق بسعة 200K رمز (بدءاً من GLM-4.6)، ووضع مزدوج للتفكير/عدم التفكير للموازنة بين العمق والسرعة، ودعم الرؤية متعددة الوسائط من خلال متغيرات GLM-V، وتوافق كامل مع عملاء API المتوافقين مع OpenAI، مما يجعله بديلاً جاهزاً للاستخدام في أدوات مثل Cline و Roo Code و OpenCode. تتوفر متغيرات flash المجانية (GLM-4.7-Flash و GLM-4.5-Flash) دون أي تكلفة عبر API للمهام الخفيفة. تبلغ تكلفة الوصول المدفوع إلى API لنموذج GLM-4.5 الكامل $0.60/مليون رمز إدخال و $2.20/مليون رمز إخراج، وهو أرخص بحوالي 5-6 مرات من Claude Sonnet في مستويات القدرة المماثلة. تتوفر الأوزان المفتوحة على HuggingFace (zai-org/GLM-4.5 و zai-org/GLM-4.6) و ModelScope، مع دعم مدمج للاستدلال عبر vLLM و SGLang.

نظرة سريعة على Zhipu GLM، مايو 2026

تضم عائلة GLM العديد من متغيرات النماذج النشطة. يستخدم GLM-4.5 إجمالي 355 مليار معلمة مع 32 مليار معلمة نشطة (توجيه MoE)، وسياق 128K رمز، وترخيص MIT للنشر التجاري. يقلص GLM-4.5-Air هذا إلى 106B إجمالاً و 12B نشطة، مما يقلل بشكل كبير من متطلبات الأجهزة مع الحفاظ على معظم جودة التقييم. وسّع GLM-4.6 السياق إلى 200K رمز، وحسّن كفاءة الرموز بنسبة 15% تقريباً مقارنة بـ GLM-4.5، وحقق المرتبة الأولى على LMArena بين النماذج المفتوحة عند إطلاقه في سبتمبر 2025. قدم GLM-4.7، الصادر في 22 ديسمبر 2025، سلوك "التفكير قبل التصرف"، وهو توقف للاستدلال قبل اتخاذ الإجراء أدى إلى تحسن بنسبة 38% في تقييم Humanity's Last Exam (HLE) مقارنة بـ GLM-4.6. يضيف النموذج متعدد الوسائط GLM-4.6V (106B) ونسخته الأصغر GLM-4.6V-Flash (9B، مجاني للاستخدام التجاري) قدرات فهم الصور إلى العائلة. تدعم جميع النماذج اللغتين الصينية والإنجليزية بشكل أصلي، مما يعكس السوق الأساسي لشركة Z.ai وأحد المزايا التنافسية الحقيقية للعائلة في عمليات النشر المؤسسية ثنائية اللغة.

بم يتميز Zhipu GLM حقاً؟

أرقام التقييم هي أفضل نقطة انطلاق. سجل GLM-4.5 نسبة 98.2% في مسائل مسابقة الرياضيات AIME 2025، معادلاً بذلك Claude Opus 4 في هذه المهمة. وفي تقييمات استدعاء الأدوات، تفوق على Claude Sonnet 4 (90.6% مقابل 89.5%). وفي مهام وكيل تصفح الويب، تفوق GLM-4.5 على Claude 4 Opus (26.4% مقابل 18.8%). ومع GLM-4.6، وصل أداء البرمجة على LiveCodeBench إلى 82.8%، مقترباً من نطاق منتصف الثمانينيات الخاص بـ Claude 4. وسجل GLM-4.6 نسبة 93.9% في AIME 2025 و 82.9% في GPQA، متعادلاً بشكل أساسي مع Claude 4.5 في التقييم الأخير.

بالنسبة للمطورين، ترخيص MIT هو الميزة التي تغير الحسابات. الاستضافة الذاتية لـ GLM-4.5 عبر Ollama أو vLLM تعني عدم وجود فواتير لكل رمز، ولا مراجعة لسياسة الاستخدام، والقدرة على الضبط الدقيق على قواعد البيانات البرمجية الخاصة. يعالج سياق 200K رمز قواعد البيانات البرمجية القديمة الكبيرة في طلب واحد. يحظى إنشاء الواجهات الأمامية بإشادة خاصة: يصف المراجعون GLM-4.6 بأنه ينتج "صفحات واجهة أمامية مصقولة بصرياً" مع الحد الأدنى من التعديلات المطلوبة. بالنسبة لمهام الوكلاء، يتكامل النموذج بسلاسة مع Cline و Roo Code والإعدادات المتوافقة مع MCP عبر نقاط اتصال API المتوافقة مع OpenAI.

"أستخدم GLM-4.6 منذ إصداره هذا الشهر. إنه المفضل الجديد لدي. [لقد] ألغيت اشتراكي في Claude بعد استخدام كلتا الخدمتين لمدة عامين." -- jhancock، Hacker News، سبتمبر 2025

"يتفوق GLM 4.7 بالفعل عندما يتعلق الأمر باستكشاف أخطاء مكتبة مفتوحة المصدر معقدة ولكنها شائعة مبنية على GLib/GObject." -- greenavocado، Hacker News، مارس 2026

تعد المهام ثنائية اللغة (الصينية-الإنجليزية) نقطة قوة مميزة. ستجد الفرق التي تعالج المستندات القانونية الصينية، أو التقارير المالية، أو بيانات العملاء جنباً إلى جنب مع المخرجات الإنجليزية أن تحسين GLM الأصلي للغة الصينية أكثر موثوقية من النماذج المدربة بشكل أساسي على نصوص إنجليزية.

أين يتعثر Zhipu GLM؟ أنماط الفشل التي يواجهها المستخدمون باستمرار

أكثر المشكلات التي يتم الإبلاغ عنها هي تصفية المحتوى السياسي في الاستعلامات باللغة الصينية. أكدت الأبحاث المنشورة في PNAS Nexus (2026) أن نماذج GLM ترفض مناقشة ساحة Tiananmen، واحتجاجات Hong Kong، وانتقاد CCP عند سؤالها باللغة الصينية، بينما قد تتلقى نفس الأسئلة باللغة الإنجليزية ردوداً موضوعية. هذه الرقابة المعتمدة على اللغة هي نتاج لتنظيمات الذكاء الاصطناعي للحكومة الصينية (يجب على الشركات التصديق على الرفض في مواضيع محددة قبل النشر العام)، وليست قيداً تقنياً. أنشأ المجتمع متغيرات GGUF معدلة وغير مقيدة على Hugging Face و Ollama، ولكن يجب على المستخدمين الذين يحتاجون إلى ردود باللغة الصينية غير مقيدة سياسياً تقييم البدائل بعناية.

يُظهر أداء SWE-Bench Verified فجوة حقيقية في مستوى الريادة: سجل GLM-4.6 نسبة 68% مقابل 77.2% لـ Claude Sonnet 4.5. بالنسبة لتصحيح الأخطاء المعقد على مستوى المستودع عبر قواعد بيانات برمجية كبيرة وغير مألوفة، يحتفظ Claude بميزة كبيرة. حسّن GLM-4.7 من هذا الأمر، لكن الفجوة لا تزال قائمة في مهام التحكم في واجهة المستخدم الرسومية/المتصفح وجلسات البرمجة المستقلة الممتدة.

تُشكل حدود الاستخدام عائقاً في الفئة المجانية. تخضع نماذج flash API لحدود استخدام للمستخدمين المسجلين، وتحتوي واجهة chat.z.ai المجانية على حدود استخدام أسبوعية تُحبط المستخدمين المحترفين الذين يكتشفون النموذج ويحاولون اختباره بقوة قبل الالتزام بالوصول المدفوع. تمت إزالة السعر الترويجي لخطة Coding Plan البالغ $3/شهرياً في 11 فبراير 2026، وتم رفع الأسعار بحوالي 30% في أوائل عام 2026، مما أثار استياء المستخدمين الأوائل.

عمق النظام البيئي أقل مقارنة بـ OpenAI أو Anthropic. لا توجد إضافة أصلية للمتصفح، ولا تطبيق للهاتف المحمول، ودليل الإضافات/التكاملات محدود. يستخدمه المطورون عبر نقاط اتصال متوافقة مع OpenAI في أدوات خارجية، وهو ما يعمل بشكل موثوق، لكن تجربة المستهلك الجاهزة للاستخدام لا تزال متأخرة.

مقارنة بين Zhipu GLM و Qwen و DeepSeek

تُعد Qwen (Alibaba) و GLM أقوى عائلتين صينيتين للنماذج مفتوحة الأوزان، وتلعب الاختلافات المعمارية بينهما دوراً مهماً في قرارات النشر. يستخدم Qwen 3.6-35B-A3B فقط 3 مليارات معلمة نشطة مقابل 32 مليار معلمة نشطة في GLM-4.5، مما يجعل تشغيل Qwen أرخص بكثير لكل استدعاء استدلال في مستويات الجودة المماثلة. يمتد Qwen 3.6 Plus إلى سياق 1M رمز مقابل 200K في GLM-4.6، وهي فجوة ذات مغزى لمهام المستندات الطويلة جداً. في التقييم المباشر للبرمجة عند إطلاق GLM-4.5، حقق GLM معدل فوز بنسبة 80.8% ضد Qwen3-Coder في المهام المباشرة، لكن Qwen يتصدر في كفاءة SWE-Bench Verified لكل FLOP. بالنسبة للفرق التي تعمل بميزانيات GPU محدودة، يُعد Qwen عموماً الخيار الأخف؛ أما بالنسبة لجودة التقييم الخام لكل جيل، فإن GLM و Qwen يتبادلان الانتصارات حسب نوع المهمة.

يتنافس DeepSeek V3/V4 في نفس المستوى الرائد ولكن بنموذج أكبر بكثير: حوالي 1 تريليون معلمة إجمالية، مما يتطلب مجموعات GPU من نوع H100 أو H800 للاستضافة الذاتية على نطاق كامل. يُعد GLM-4.5 بـ 32 مليار معلمة نشطة أكثر سهولة في الوصول إليه على الأجهزة الأصغر، مما يجعل الاستضافة الذاتية واقعية للفرق التي لا تمتلك وصولاً إلى وحدات GPU فائقة النطاق. من حيث تسعير API، يُعد DeepSeek أرخص ($0.28/M إدخال مقابل $0.60/M لـ GLM-4.5)، ويتصدر DeepSeek V4 تقييمات البرمجة الخام بنسبة 83.7% في SWE-Bench Verified. عانى DeepSeek أيضاً من خرق بيانات بارز في يناير 2025 أدى إلى كشف سجلات دردشة المستخدمين، وهو حادث لم يواجه GLM مثيلاً له. يُظهر كلا النموذجين تصفية للمحتوى السياسي تعتمد على اللغة، على الرغم من اختلاف التفاصيل حسب الموضوع وسياق النشر. بالنسبة لاستخدام API فقط حيث تكون التكلفة هي العامل الحاسم، يفوز DeepSeek من حيث السعر. أما بالنسبة للنشر بالاستضافة الذاتية على الأجهزة متوسطة المدى، فإن البصمة الأصغر للمعلمات النشطة في GLM تُعد ميزة عملية.

في مواجهة Llama (Meta) و Mistral، يتمثل الفارق الرئيسي لـ GLM في التدريب ثنائي اللغة (الصينية-الإنجليزية) على نطاق واسع وسياق 200K رمز في مستوى المعلمات الرائد. تستخدم متغيرات Scout/Maverick من Llama 4 بنية محولات كثيفة بدلاً من MoE، مما يؤدي إلى مقايضات مختلفة في الأجهزة. تظل نماذج Mistral المفتوحة قوية لحالات الاستخدام متعددة اللغات الأوروبية ولكنها لا تضاهي أداء GLM في اللغة الصينية. وفي مواجهة Kimi (Moonshot AI)، وهو منافس صيني آخر مفتوح الأوزان، يتساوى GLM-4.6 و Kimi K2 تقريباً في أداء البرمجة، حيث يقدم Kimi سياقاً أكبر قليلاً يبلغ 256K مقابل 200K لـ GLM-4.6، بينما يُظهر GLM كفاءة أفضل في الرموز.

هل تستحق الفئة المدفوعة التكلفة؟

بالنسبة لمعظم المطورين الأفراد، تُعد الفئة المجانية نقطة انطلاق حقيقية، وليست مجرد فترة تجريبية. يتوفر GLM-4.7-Flash و GLM-4.5-Flash بتكلفة صفرية عبر API ويتعاملان مع مجموعة واسعة من مهام التنسيق، والتلخيص، والبرمجة الخفيفة دون رسوم. توفر واجهة الويب المجانية chat.z.ai وصولاً إلى النماذج كاملة الجودة مع حدود أسبوعية.

يُعد الاشتراك في خطة Coding Plan (Lite بحوالي $10/شهرياً، و Pro بـ $30/شهرياً، و Max بـ $80/شهرياً) منطقياً للفرق التي تستخدم GLM-4.6 أو GLM-4.7 كمساعد برمجة أساسي، حيث ستتجاوز تكلفة API لكل رمز حد الاشتراك. بالنسبة لأعباء عمل الإنتاج الكثيفة عبر API، يُعد الدفع حسب الاستخدام بسعر $0.60/M رمز إدخال فعالاً من حيث التكلفة مقارنة بالبدائل المغلقة المصدر المكافئة. وبسعر $2.20/M رمز إخراج مقابل Claude Sonnet 3.5 بحوالي $15/M إخراج، فإن الحسابات تميل لصالح GLM لمهام الإنشاء عالية الحجم حتى بالأسعار المدفوعة.

الأوزان المفتوحة هي القيمة الخفية. الاستضافة الذاتية لـ GLM-4.5 عبر vLLM على مجموعة GPU مستأجرة تلغي تكاليف الرموز تماماً. بالنسبة للفرق ذات أحمال الاستدلال المتوقعة وعالية الحجم، يعني ترخيص MIT أن التكلفة الإجمالية للملكية يمكن أن تنخفض إلى ما دون أرخص خيارات API المستضافة على مدار 6-12 شهراً.

أفضل حالات الاستخدام (ومتى يجب تجنبه)

يُعد GLM الأنسب لـ: المطورين الذين يبنون مسارات وكلاء ذاتية الاستضافة ويحتاجون إلى أوزان مرخصة بموجب MIT يمكنهم ضبطها بدقة على تعليمات برمجية خاصة؛ وفرق المؤسسات ثنائية اللغة (الصينية-الإنجليزية) التي تعالج المستندات على نطاق واسع؛ والباحثين الذين يعملون على مهام الرياضيات والمنطق الثقيلة (مسائل مسابقات بمستوى AIME)؛ والفرق الحساسة للتكلفة التي تدير أعباء عمل API عالية الحجم حيث تكون أسعار Claude باهظة.

تجنب GLM عندما: يكتب مستخدموك بشكل أساسي باللغة الصينية ويحتاجون إلى مناقشة مواضيع حساسة سياسياً (تصفية المحتوى تنظيمية، وليست قابلة للتكوين من خلال API الرسمية)؛ أو يعتمد سير عملك على أتمتة واجهة المستخدم الرسومية/المتصفح حيث يظل Claude Sonnet 4.5 هو الرائد في التقييم؛ أو تحتاج إلى منتج استهلاكي مصقول مع تطبيق للهاتف المحمول وإضافة للمتصفح؛ أو يحتاج فريقك إلى أداء SWE-Bench Verified بمستوى رائد بأي تكلفة (حيث لا يزال Claude Sonnet 4.5 بنسبة 77.2% يتفوق على GLM-4.6 بنسبة 68%).

البدء مع Zhipu GLM

أسرع مسار هو chat.z.ai، والذي يتطلب تسجيلاً مجانياً ويوفر وصولاً فورياً إلى النماذج كاملة الجودة مع حدود استخدام أسبوعية. للوصول إلى API، قم بالتسجيل في bigmodel.cn أو docs.z.ai، والذي يصدر مفتاح API متوافقاً مع عملاء تنسيق OpenAI. لتوجيه Cline أو Roo Code إلى GLM-4.6، قم بتعيين عنوان URL الأساسي إلى نقطة اتصال Z.ai وأدخل مفتاح API، ولا حاجة لتغييرات في التكوين بعد ذلك.

للنشر المحلي، تتوفر أوزان GLM-4.6 على HuggingFace في zai-org/GLM-4.6 ومتاحة كإصدارات GGUF مكممة على Ollama (عبر الأمر ollama pull glm-4.6). يعمل نموذج MoE بـ 32B معلمة نشطة على أجهزة بذاكرة VRAM تتراوح بين 40-80GB بدقة كاملة؛ وتنخفض الإصدارات المكممة بـ 4-bit إلى 20-24GB، مما يجعلها قابلة للتطبيق على إعدادات GPU الاستهلاكية المزدوجة. يُعد vLLM و SGLang أطر الاستدلال المدعومة للاستضافة الذاتية في بيئة الإنتاج. يُعد متغير GLM-4.5-Air (بـ 12B معلمة نشطة) نقطة الانطلاق الموصى بها للفرق ذات ميزانيات الأجهزة المحدودة والتي لا تزال ترغب في نماذج مفتوحة الأوزان بدلاً من فئة flash API.