Passer au contenu principal
Dernière vérification : 2026-10-14
GLM est la famille de modèles à poids ouverts de Z.ai (Zhipu), conçue pour la programmation et les flux de travail d’agents, et distribuée sous licence MIT. La famille couvre une large gamme : un petit modèle 9B qui se télécharge et s’exécute sur un seul GPU grand public, un modèle mixture-of-experts de 106B au total (GLM-4.5-Air) qui nécessite une configuration à grande VRAM ou mémoire unifiée, GLM-4.6 — un modèle phare MoE de 357B au total avec un contexte de 200K tokens qui requiert un service multi-GPU, et l’actuel modèle de pointe GLM-5.2 — un MoE de 753B au total avec un contexte de 1M tokens qui est réaliste sur un cloud ou un serveur multi-GPU, pas sur une seule station de travail. Cette page commence par ce qui s’exécute réellement en local, puis couvre les modèles plus grands pour quand vous voulez le meilleur de Z.ai et utilisez soit un point de terminaison hébergé soit avez le matériel pour l’auto-héberger. Associez Tokios à votre choix pour y accéder depuis n’importe quelle machine, coéquipier ou agent hébergé via https://api.tokios.com — pas de ports entrants, pas de VPN. Vous cherchez GLM-5.3 ? Il a été lancé le 2026-08-14 via l’API de Z.ai, basé sur le même modèle de base que GLM-5.2, avec des poids publiés le 2026-08-27. Cette page couvre son profil matériel et le changement d’API ; celle-ci couvre les modèles GLM que vous pouvez télécharger et exécuter aujourd’hui.
Vous exécutez déjà un modèle GLM en local ? Enregistrez-le dans Tokios pour y accéder via https://api.tokios.com depuis n’importe quel client.

​
Exécutez-le en local avec Ollama

Pour un téléchargement local en une seule commande, utilisez le petit GLM-4 classique :
Cela télécharge glm4:9b (alias :latest), le modèle dense de Z.ai d’environ 9B — le seul tag GLM qui installe les poids directement sur votre machine. Consultez la page de la bibliothèque Ollama pour la liste complète des tags.
GLM-4.5-Air et GLM-5.2 ne sont pas des téléchargements locaux Ollama. GLM-5.2 est listé sur Ollama uniquement comme glm-5.2:cloud, qui route vers l’infrastructure hébergée de Z.ai au lieu de télécharger les poids. Pour exécuter GLM-4.5-Air vous-même, utilisez un build GGUF avec llama.cpp ou LM Studio — voir ci-dessous.

​
Variantes et tags

Chaque valeur ci-dessous provient de la configuration Hugging Face de chaque modèle et de la bibliothèque Ollama. Les tags et tailles de téléchargement changent avec les nouvelles quantifications — confirmez sur les pages liées avant de standardiser. Sources : ollama.com/library/glm4, ollama.com/library/glm-5.2, fiche modèle zai-org/GLM-4.5-Air, fiche modèle zai-org/GLM-4.6, fiche modèle zai-org/GLM-5.2, unsloth/GLM-4.5-Air-GGUF, blog Z.ai GLM-4.6 (en juillet 2026).
GLM-4.5-Air, GLM-4.6 et GLM-5.2 sont des modèles mixture-of-experts : GLM-4.5-Air active seulement 12B de ses 106B paramètres par token, GLM-4.6 active 32B de ses 357B paramètres, et GLM-5.2 active 8 des 256 experts. Cela rend le décodage rapide par rapport à leur taille totale, mais tous les paramètres doivent tenir en mémoire (ou être déchargés) — ne dimensionnez pas votre matériel sur le seul nombre de paramètres actifs. Consultez le fonctionnement de l’inférence pour comprendre pourquoi.

​
Quantification et formats

Le glm4:9b d’Ollama est distribué en GGUF. Pour GLM-4.5-Air, unsloth/GLM-4.5-Air-GGUF publie une gamme complète de quantifications — de Q2_K (~45 GB) jusqu’à Q8_0, plus les quants dynamiques « UD » d’Unsloth (par exemple UD-Q4_K_XL à ~68 GB) qui échangent un peu de taille contre une meilleure qualité au même bit-width. GLM-4.6 est distribué en safetensors pleine précision pour l’inférence serveur multi-GPU (vLLM/SGLang) ; des quants communautaires GGUF et AWQ existent sur Hugging Face (par exemple bullpoint/GLM-4.6-AWQ à ~176 GB) mais restent trop grands pour une seule station de travail. GLM-5.2 est actuellement distribué en safetensors pleine précision pour l’inférence serveur (vLLM/SGLang) ou accessible comme point de terminaison hébergé/cloud — ce n’est pas encore un téléchargement GGUF pratique. Consultez Formats de quantification et matériel nécessaire pour la matrice complète, et qu’est-ce que la quantification pour comprendre les noms de type Q4_K_M.

​
Adéquation matérielle

Considérez chaque entrée comme une estimation — la vérité terrain est la taille réelle du GGUF plus le cache KV pour votre contexte. Consultez quel modèle tient sur votre GPU ? pour les calculs de dimensionnement.

​
Exécutez-le — du débutant à l’avancé

Laissez Ollama écouter sur l’adresse par défaut http://127.0.0.1:11434. C’est glm4:9b — pour GLM-4.5-Air ou GLM-5.2, utilisez l’un des onglets ci-dessous.

​
Capacités

  • Raisonnement : GLM-4.5-Air, GLM-4.6 et GLM-5.2 sont des modèles de raisonnement hybrides — mode réflexion pour le raisonnement complexe et l’utilisation d’outils, mode sans réflexion pour des réponses immédiates. GLM-5.2 ajoute des niveaux d’effort de réflexion réglables pour arbitrer latence et qualité. Le petit GLM-4 (glm4:9b) n’a pas ce mode de raisonnement hybride.
  • Appels d’outils natifs : Oui, sur GLM-4.5-Air, GLM-4.6 et GLM-5.2. Avec vLLM/SGLang, définissez --tool-call-parser glm45 (associé à --reasoning-parser glm45) ; Ollama applique les templates pour vous quand un tag local existe.
  • Entrée visuelle : GLM-4.6 accepte du texte et des images en entrée (en juillet 2026, selon le blog Z.ai). Les autres variantes GLM sont texte uniquement.
  • Programmation et tâches d’agents : C’est le focus de la famille — Z.ai a conçu GLM pour l’ingénierie d’agents, et la sortie de GLM-5.2 met l’accent sur les flux de travail d’agents de programmation à long horizon.
  • Contexte long : glm4:9b et GLM-4.5-Air sont nativement de 131,072 tokens (128K). GLM-4.6 est nativement de 200,000 tokens (200K). GLM-5.2 est nativement de 1,048,576 tokens (1M), positionné pour le contexte d’ingénierie au niveau projet et les trajectoires d’agents longues.

​
Connectez-le avec Tokios

Une fois votre modèle GLM en marche — en local via Ollama, ou auto-hébergé pour GLM-4.5-Air/GLM-5.2 — associez le connecteur Tokios pour y accéder via https://api.tokios.com depuis Claude Code, Cline ou tout autre client compatible — au lieu de seulement localhost.
1

Associez le connecteur Tokios

Connectez-vous sur tokios.com/console, ouvrez l’onglet Setup et cliquez sur Start pairing pour obtenir un code d’appairage unique (TKS-XXXX-XXXX). Installez et lancez le connecteur sur la machine qui exécute votre modèle :
Windows
macOS
Linux
Puis approve l’appareil sur l’onglet Setup ou Connectors.
2

Pointez le connecteur vers l'API de votre modèle

Ollama expose une interface compatible OpenAI à /v1. Pour une configuration à un seul modèle, l’assistant Setup de la console la remplit automatiquement comme http://127.0.0.1:11434/v1. Le serveur local de LM Studio utilise http://127.0.0.1:1234/v1. Pour vLLM/SGLang ou plusieurs modèles, définissez le point de terminaison explicitement dans tokios-connector.json — consultez Configuration du connecteur.
3

Enregistrez un déploiement

Dans l’onglet Models, enregistrez le modèle et choisissez un nom de déploiement public, par exemple glm-tunnel. Ce nom — pas l’id de modèle local d’Ollama — est ce que les clients envoient dans le champ model.
4

Créez une clé API

Dans l’onglet Keys, cliquez sur Create key. Copiez la clé sk-tok-… maintenant — elle n’est affichée qu’une seule fois.

​
Appelez-le depuis n’importe où

Le champ model est toujours le nom de déploiement enregistré (glm-tunnel ci-dessus), jamais l’id de modèle local d’Ollama. Consultez Utiliser Claude Code et Utiliser Cline pour la configuration complète des clients.

​
Mises en garde

  • GLM-5.2 n’est pas un modèle pour GPU grand public, et ce n’est pas non plus un modèle pour un seul DGX Spark : avec 753B paramètres stockés, le plancher de poids est d’environ 377 GB à INT4 et 753 GB à FP8, contre 128 GB par Spark. Sur Ollama c’est glm-5.2:cloud uniquement (pas de téléchargement de poids), donc l’auto-hébergement signifie un serveur multi-GPU ou un cluster de 4 Sparks. Consultez le guide de compatibilité DGX Spark pour le dimensionnement mémoire. Pour tout ce qui est plus petit, utilisez un point de terminaison hébergé/cloud.
  • GLM-4.6 avec 357B paramètres au total ne tient pas sur une seule machine de 128 GB (DGX Spark, Strix Halo ou Apple Silicon). À Q4-class il nécessite ~178 GB — prévoyez au moins 2 GPU à haute VRAM ou un serveur multi-GPU. Pour du matériel de 128 GB, utilisez GLM-4.5-Air à la place.
  • GLM-4.5-Air — ses builds GGUF nécessitent un GPU à grande VRAM ou une machine à grande mémoire unifiée (Apple Silicon, Strix Halo) même à Q4-class — ce n’est pas adapté à une seule carte grand public de 24 GB.
  • L’analyse des appels d’outils et du raisonnement sur GLM-4.5-Air/GLM-4.6/GLM-5.2 dépend du runtime qui applique le parseur glm45. Si vous auto-hébergez avec vLLM/SGLang, passez les flags ci-dessus explicitement sinon les appels d’outils et la réflexion ne se sépareront pas correctement.
  • Le petit glm4:9b n’a pas le mode de réflexion hybride ni les appels d’outils natifs que GLM-4.5-Air, GLM-4.6 et GLM-5.2 ont — choisissez le niveau qui correspond à la capacité dont vous avez besoin, pas seulement ce qui tient dans votre GPU.

​
FAQ

GLM-4 (glm4:9b) à 5.5 GB est le seul modèle GLM qui tient sur une carte de 24 GB — il tourne confortablement sur une RTX 3090 ou 4090 avec de la place pour le contexte long. GLM-4.5-Air à ~68–73 GB (Q4) ne tient pas, ni les modèles plus grands. Pour du matériel de 24 GB, GLM-4 est le choix.
Les modèles de cette page — GLM-4, GLM-4.5-Air, GLM-4.6 et GLM-5.2 — sont tous publiés sous licence MIT. Pour la ligne plus récente GLM-5.3, consultez sa propre page — la licence peut différer selon la version. Notez que poids ouverts et open source ne sont pas la même chose — les données d’entraînement et le pipeline ne sont pas publiés.
Oui — GLM-4.5-Air, GLM-4.6 et GLM-5.2 prennent tous en charge les appels d’outils natifs. Sur vLLM ou SGLang, passez --tool-call-parser glm45 (associé à --reasoning-parser glm45) pour que les appels d’outils et la réflexion se séparent correctement. Le petit GLM-4 (glm4:9b) n’a pas d’appels d’outils natifs — choisissez le niveau qui correspond à la capacité dont vous avez besoin.
GLM-4 est un modèle dense de 9B qui se télécharge en une commande sur Ollama — texte uniquement, contexte 128K, pas de raisonnement hybride. GLM-4.5-Air est un MoE de 106B au total (12B actifs) avec raisonnement hybride et appels d’outils, nécessitant ~68–73 GB à Q4. GLM-4.6 est un MoE de 357B au total (32B actifs) qui ajoute l’entrée visuelle et un contexte de 200K, nécessitant un service multi-GPU. GLM-5.2 est le MoE frontière de 753B au total avec un contexte de 1M tokens et un effort de réflexion réglable — un modèle cloud ou serveur multi-GPU, pas un téléchargement pour GPU grand public.

Démarrage rapide

Associez un connecteur et enregistrez votre premier modèle de bout en bout.

Quel modèle tient sur votre GPU ?

Associez la variante GLM à votre VRAM disponible avant de le télécharger.

Quantification et matériel

Quel format de GLM — GGUF, safetensors, AWQ — fonctionne sur votre matériel.

Quel modèle local pour quelle tâche ?

Comparez GLM aux autres modèles locaux par tâche.

Compatibilité DGX Spark

Dimensionnement mémoire et configuration de cluster pour GLM-5.2 sur DGX Spark.

GLM-5.3 release watch

Ce qui est vérifiable sur la prochaine version GLM, et ce qui est rumeur.