GLM 5.3 API 价格与接口解析:默认档与max档成本差距高达35倍

GLM-5.1登顶SWE-Bench Pro:开源大模型工程能力实战解析 大语言模型在软件工程任务中的实际效能,核心取决于缺陷定位精度、修复鲁棒性与长上下文理解能力。GLM-5.1凭借DSA稀疏注意力机制与200K上下文支持,在SWE-Bench Pro真实GitHub Bug修复榜单中以58.4分全球第一,显著优于Opus 4.6;其终端自治能力、代码生成质量及API性价比,已覆盖环境搭建、CI/CD审查、日志分析等高频开发场景。作为首个在硬性工程指标上站上全球榜首的中国开源模型,它标志着LLM从‘能写代码’迈向‘可交付生产级修复’的关键拐点。 阅读详情


GLM 5.3 发布五天后独立 API 开了,输入 $1.40 / 输出 $4.40(每 100 万 token),与 GLM 5.2 同价。 会让你意外的不是价格。reasoning_effort 的默认档是 max,而我们在一个短分类请求上实测:max 的输出中位数是 105 个 token,low 是 3 个。

计费的那一半差 35 倍,决定它的是一个大多数人不会去传的参数。

价格:      $1.40 输入 / $0.26 缓存输入 / $4.40 输出(每 100 万 token)
规格:      1M 上下文,最大输出 128K
Base URL:  api.z.ai/api/coding/paas/v4  (OpenAI Chat Completions)
            api.z.ai/api/v1              (OpenAI Responses)
            api.z.ai/api/anthropic       (Anthropic Messages)
网关:      OpenRouter 和 ofox 上都是 z-ai/glm-5.3
effort:    low | high | max,默认 max,关不掉
已移除:    thinking.type "disabled" 现在返回 HTTP 400
实测:      分类任务 low / high / max 输出 3 / 8 / 105 个 token
快照日期:  2026-08-19

GLM 5.3 API 多少钱?

输入 $1.40、缓存输入 $0.26、输出 $4.40,每 100 万 token。 Z.ai 定价表已经有 GLM-5.3 这一行,与 GLM 5.2、GLM 5.1 逐项相同。

项目价格
输入$1.40 / 100 万 token
缓存输入$0.26 / 100 万 token
缓存存储免费,标注为限时
输出$4.40 / 100 万 token

这张表里有两件事值得单独拎出来。缓存输入 $0.26 只是冷读的 19%,而平时让人犹豫「值不值得开缓存」的存储费在促销期是免费的,所以一段重复的 system prompt 基本是白捡的便宜。另一件是输出价是输入价的 3.1 倍——正是这个比例让下面那个 effort 参数变成你配置里最贵的一行。

OpenRouter 挂的也是 $1.4 / $4.4、上下文 1,048,576,说明第三方通道是原价透传,没有加价。

GLM 5.3 API 的 base URL 是哪个?

三个协议,而且文档在其中一个上自己跟自己打架。模型页列的是这三条:

协议Base URL
OpenAI Chat Completionshttps://api.z.ai/api/coding/paas/v4
OpenAI Responseshttps://api.z.ai/api/v1
Anthropic Messageshttps://api.z.ai/api/anthropic

然后同一页往下的 Quick Start 示例,请求打的是 https://api.z.ai/api/paas/v4/chat/completions,没有 /coding 这一段。一个页面两个答案。第一个 404 的话,先试第二个,别急着去查你的 key。

这两个都不是发布当天智谱预告的 https://open.bigmodel.cn/api/paas/v4。公告后 24 小时内写的任何教程,引的 base URL 都不是最终落地的那个。

还有一条限制特别容易漏,而且专门卡住最可能在读这篇的人:凡是订阅过 GLM Coding Plan 的账号(包括已过期的订阅),目前只能通过 OpenAI Chat Completions 协议访问模型 API。 如果你在一个用过套餐的账号上打 Responses 或 Anthropic 协议失败,原因就在这儿。

reasoning_effort 对账单的影响有多大?

比选哪个模型影响更大。 GLM 5.3 的推理恒开,reasoning_effort 只接受 low、high、max,默认 max。

2026-08-19,我们经一个 OpenAI 兼容网关打 z-ai/glm-5.3 跑了两组负载:一个短分类 prompt,每档 10 次;一个小代码生成 prompt,每档 5 次。同 prompt 同模型,只换 effort 这个字符串。

负载effort输出 token 中位数区间延迟中位数
工单分类(输入 51)low33–81.6 秒
high8全部 81.9 秒
max10547–1603.4 秒
写合并区间函数(输入 50)low519418–58611.6 秒
high658592–8258.6 秒
max3,7002,807–10,59664.0 秒

分类那一行值得看两遍。low 三个 token,max 一百零五个,而两边给的答案都是同一个单词。之后我们又把分类跑了 18 次、每档 6 次并抓下正文:三档全部返回正确标签 billing,一次没错。 这个任务上 max 多买了 102 个输出 token,什么也没换来。

折算成钱:同样 100 万次分类调用,low 是 $84.60,max 是 $533.40。模型一样、prompt 一样、答案一样,差别是一个字符串。

代码任务上推理确实在干活,不是在把显而易见的东西重述一遍,同一套算法是这样:

负载lowhighmax
100 万次分类调用$84.60$106.60$533.40
1000 次代码生成任务$2.35$2.97$16.35

两行都是含输入的总成本:输入按 $1.40/100 万加输出按 $4.40,且按未缓存价计。分类那一行只算输出的话是 $13.20、$35.20、$462.00——固定的 $71.40 输入费就是把 token 上的 35 倍压缩成账单上的 6.3 倍的原因。

high 是最容易被跳过、但大概不该被跳过的那一档。分类任务上它比 low 贵 26%,代码任务上也是 26%,而且代码任务上它的中位延迟比 low 更短,8.6 秒对 11.6 秒。延迟并不随 effort 单调上升,只有 max 是断崖式变慢——代码任务上它花了 low 的 5.5 倍墙钟时间,产出的东西还是要人去读。

数字上要留一句保守话:这是两个 prompt,不是一套 benchmark,而且 max 的区间很宽——一个单词的答案 47 到 160 个 token,代码任务 2,807 到 10,596。拿它定预算之前先跑自己的 prompt。排序在每一次运行里都成立,倍数则取决于你的负载。

GLM 5.3 请求为什么返回 400?

最可能是因为推理关不掉,而 API 给你的说法只对了一半。 下面这些调用在我们的实测里全部返回 HTTP 400:

{
  "error": {
    "message": "This model always engages in thinking and cannot be disabled; please use low, high, or max"
  }
}

传 "thinking": {"type": "disabled"} 得到这条,合理且符合预期。但传 "reasoning_effort": "medium" 和 "reasoning_effort": "none" 得到的也是这条——这就不合理了,因为这两个都没试图关掉任何东西。从别家迁过来的人猜一个 medium 完全正常,而这条报错会把你送去找一个你根本没设过的思考参数。

真正会挂的清单很短:

请求结果
thinking.type: "disabled"400,思考不能关闭
reasoning_effort: "medium" 或 "none"400,同一条文案,误导
reasoning_effort: "low" / "high" / "max"200
thinking.type: "enabled" 加 reasoning_effort: "low"200
完全不传推理相关字段200,按 max 计费
网关上模型 ID 写 zai/glm-5.3404 model_not_found,前缀应为 z-ai

怎么把 GLM 5.2 的负载迁到 GLM 5.3?

先改 effort 参数,再换模型 ID。 官方明确写了这个顺序,原因是带着 thinking.type: "disabled" 的请求,在模型 ID 一换的瞬间就会失败。

from openai import OpenAI

client = OpenAI(api_key="YOUR_KEY", base_url="https://api.ofox.io/v1")

r = client.chat.completions.create(
    model="z-ai/glm-5.3",
    messages=[{"role": "user", "content": "Classify this ticket: ..."}],
    reasoning_effort="low",   # 不写这行就是按 max 计费
)
print(r.usage.completion_tokens)

这次迁移比 GLM 5.2 那组数据暗示的便宜。我们当初在发布那篇里测过关掉 disabled 的代价:GLM 5.2 上,最便宜的开思考档在一个极短 prompt 上仍要烧 69 到 122 个输出 token,而关思考只要 2 个。到了 GLM 5.3,low 的中位数回到 3。两代之间不管改了什么,让大家怕这次迁移的那个地板基本没了——前提是你把参数设上。

而且要处处显式设置,包括那些会继承默认值的地方:重试封装、评测 harness,以及任何帮你拼请求体的框架。少写一个 reasoning_effort 不是少了个功能,是一张 max 档的账单。

如果你是从零配 key,我们的 GLM 5.2 接入教程可以原样套用,因为端点、key 和请求结构都没变。高频短请求那类负载的算账方法,见 GLM 5.2 与 GPT-5.5 成本对比。

直连 Z.ai 还是走网关?

只跑 GLM 就直连。同时还跑别的模型,或者被 Coding Plan 那条协议限制卡住了,就走网关。

直连 Z.ai走网关
价格$1.4 / $4.4相同,原价透传
协议三种,减去 Coding Plan 那条限制取决于网关支持什么
模型 IDglm-5.3z-ai/glm-5.3
切换到别的模型自己写代码改一个字符串
缓存计价$0.26,存储暂时免费取决于是否透传

走网关有一条真金白银的坑:代理回传给你的,不一定等于它被计费的。在我们实测的网关上,usage.completion_tokens_details.reasoning_tokens 是有的——low 档返回 8 个 completion token,其中 3 个正确标为 reasoning。没有的是 prompt_tokens_details 里的缓存字段,reasoning 正文也不在 message 对象里。要拿这些建成本核算或缓存命中看板之前,先在你自己的 provider 上核一遍,因为计费跟的是上游实际做了什么,不是你响应体里显示了什么。

ofox 充值立减 15%,活动至 2026-08-31,一个 OpenAI 兼容端点后面挂着约 130 个模型,z-ai/glm-5.3 和 z-ai/glm-5.2 都已上架,所以拿这两个做 A/B 就是上面那段代码里改一个字符串。

跑分、权重时间表、以及 GLM 5.3 与 5.2 的能力对比,见我们的 GLM 5.3 发布报道,那篇有完整表格。线上目录规格见 ofox 的 GLM 5.3 模型页。

References

GLM-5.1国产AI大模型技术解析与应用实践 AI大模型作为当前人工智能领域的前沿技术,通过海量数据训练和深度学习算法实现复杂任务的自动化处理。其核心原理基于Transformer架构,通过自注意力机制捕捉长距离依赖关系。在工程实践中,大模型显著提升了代码生成、系统设计等开发效率,特别适用于全栈开发、遗留系统重构等场景。以GLM-5.1为代表的国产大模型在编程能力测试中取得45.3分,接近国际顶尖水平,同时具备安全编码、成本效益等独特优势。该模型采用创新的不确定性标注机制,在金融、医疗等安全敏感领域展现出特殊价值,其3美元起的定价策略更大幅降低了AI技 阅读详情

相关推荐

大模型API精细化计费:从token计价到质量与成本对齐

大模型API服务正经历从粗放式token计费向精细化成本建模的关键演进。其底层逻辑在于:传统‘输入+输出token统一单价’模式无法反映模型尺寸、上下文长度、解码质量等真实算力消耗与服务价值。随着DeepSeek、Qwen等厂商引入输入分级定价、输出质量系数、长上下文缓存调度费等机制,计费体系开始贴近GPU显存占用、KV Cache膨胀、逻辑连贯度等工程事实。这种转变不仅提升成本透明度与预算可控性,更倒逼开发者优化Prompt设计、选型策略与系统架构。对于SaaS厂商、AI中台团队及算法工程师而言,理解并适

weixin_30410119的博客 380

GLM-5.3-Flash 一夜屠榜:0.4 元/百万 token,DeepSeek 这次真被斩杀了?

智谱刚发两款模型,DeepSeek 连夜调价,选底座模型的成本账该怎么算?这篇文章把 GLM-5.3 和 GLM-5.3-Flash 的能力、价格和与 DeepSeek-V4 的真实差距一次性讲透,帮你避开选错模型的坑。

分享 AI Agent、大模型与后端开发实战; 空门技术栈。 904

昆仑芯XPU适配GLM-4与vLLM/SGLang全栈实践

大模型推理框架(如vLLM、SGLang)是当前AI工程落地的核心基础设施,其性能与硬件协同能力直接决定服务延迟、吞吐与成本。vLLM凭借PagedAttention内存管理显著降低显存开销,SGLang则以原生Function Calling支持复杂AI应用编排;而国产AI加速芯片(如昆仑芯XPU)需突破驱动层兼容、算子支持、内存调度等多重瓶颈,才能真正承载GLM系列等高性能开源大模型。本文聚焦国产AI全栈协同的关键技术路径——从XPU架构特性(重数据流、重稀疏、重片上存储)出发,解析其与vLLM内存管理

weixin_30379531的博客 454

GLM-5.3 刚刚发布:代码能力大涨,但真正值得看的是那条被延后的开源时间线

刚才,智谱旗下 Z.ai 正式发布了 GLM-5.3。如果只看版本号,它像是 GLM-5.2 之后的一次常规小升级。实际情况恰好相反:GLM-5.3 没有换一套更大的底座,官方仍然使用 743B 参数基础模型,主要靠扩大后训练规模,把代码、长程 Agent 和网络安全能力往前推了一截。更反常的是发布方式。模型今天已经进入 GLM Coding Plan 和 ZCode,但权重没有同步开放。官方给出的原因,是网络安全能力增长超出预期,需要先做额外的安全评估和加固。

随记 899

国产大模型智能体调度实战:降本增效的Agent能力匹配方法论

智能体(Agent)是当前AI工程化的核心范式,其性能与成本高度依赖底层大模型的语义理解、上下文处理与推理范式。国产大模型在中文任务适配、长文本结构化、多模态对齐等维度已形成真实代差,尤其在UI框架理解、PDF原生解析、毫秒级代码定位等典型开发场景中优势显著。通过将Agent职能(如对话管家、军师大脑、资料管理员)与国产模型能力精准映射,可大幅降低Token消耗与首字响应延迟,实现推理准确率提升与月均API成本下降超80%。本文聚焦OpenCode平台下的全国产模型栈落地,详解Qwen3.5 Max、Dee

weixin_33766168的博客 366

2026年开源大模型架构解析:Transformer演进与实操选型指南

大模型的核心是Transformer架构,其注意力机制、归一化策略与前馈网络设计直接决定推理效率、显存占用与领域泛化能力。随着参数军备竞赛退潮,行业正转向计算路径的精细化优化——GQA分组查询注意力、RMSNorm位置选择、MoE专家路由等关键技术成为性能分水岭。这些演进不仅影响Hugging Face上数十个新开源模型的实际部署效果,更深刻关联到本地3090显卡能否跑通、长文档摘要幻觉率高低、代码生成连贯性等工程痛点。本文基于Trinity Large、Kimi K2.5、Qwen3-Coder-Next

weixin_30381317的博客 406

GLM-5.3-Flash 对比 DeepSeek:同样接近前沿的智能,谁更便宜?

数据截至 2026-08-27。GLM-5.3-Flash 于 2026-08-26 发布并开源;DeepSeek 现行模型为 V4-Flash / V4-Pro,且自 2026-08-16 起改为峰谷计费。文中性能数据除特别说明外均为厂商自报,尚未经第三方独立复现,建议以实际任务复测为准。

篮球界最会写bug的人;程序猿中打球最菜的人。 2782

大模型商业化路径对比:服务型AI与工具型AI的选型逻辑

大模型已从技术竞赛迈入商业化深水区,其本质正分化为两类基础设施范式:一类以确定性、合规性、可追溯性为核心价值,走向高定制化服务型AI;另一类以推理效率、工程适配性、生态开放性为关键指标,演进为普惠型工具型AI。这种分野源于底层技术能力差异——前者依赖推理留痕、可控生成与物理隔离等保障机制,后者依托混合精度推理、动态KV压缩与稀疏注意力等工程优化。在金融、政务等强监管场景,服务型AI支撑合规底线;在教育、电商等规模化应用中,工具型AI驱动成本与迭代效率。本文基于智谱与DeepSeek的典型实践,解析二者在模型

weixin_33768481的博客 364

GLM 5.3 API价格横评:官方、聚合与七牛Token Plan成本对比选型指南

大语言模型API的调用成本已成为企业落地AI应用的核心考量,而token计费机制是理解账单的第一把钥匙。输入与输出token单价不同、上下文缓存是否开放、长上下文带来的隐性消耗,都会让看似便宜的渠道在实际业务中反而更贵。模型的选型不能只看单次调用单价,还需结合调用量波动、并发限流、平台稳定性与密钥安全等工程因素。当业务从小规模试用转向生产部署时,选择智谱官方、聚合平台还是七牛云Token Plan,本质上是在价格刚性、折扣风险与预算可预测性之间做权衡。通过真实压测、逐笔记录usage数据并换算成任务级成本,

weixin_29048775的博客 547

国产API如何零感知兼容OpenAI协议栈

OpenAI协议栈已成为大模型应用开发的事实标准,其核心在于标准化的REST接口、语义严谨的请求/响应结构及精细化的错误码体系。理解该协议不仅是调用API的基础,更是实现国产模型平滑替代的关键前提。本文从协议层解构`/v1/chat/completions`的真实约束,涵盖messages数组的role顺序规则、temperature参数的采样语义、stream流式事件格式、usage字段的token计算一致性等硬性要求,并结合`deepseek api`和`智谱api`等主流国产服务的落地实践,揭示‘能返

weixin_34357928的博客 455

相机标定-张正友棋盘格标定法

(X,Y,Z)为在世界坐标系下一点的物理坐标 ( u , v ) 为该点对应的在像素坐标系下的像素坐标 引入齐次坐标的原因:引入齐次坐标的目的是为了升维,将坐标从二维坐标变为三维坐标。 2.相机成像过程 相机成像系统中,共包含四个坐标系:世界坐标系、相机坐标系、图像坐标系、像素坐标系。 (1)世界坐标系(,,) 描述目标在真实世界中的位置引入的参考坐标系。 (2)相机坐标系(,,) ...

qq_41275123的博客 1万+

智谱GLM-5.3-Flash开源:匿名模型Ox Alpha六天夺冠,以Opus 4.8四十分之一价格平齐前沿评分

2026年8月26日,智谱AI正式开源GLM-5.3-Flash(320B-A18B),并确认这就是八月上旬以"Ox Alpha"为名匿名上线OpenRouter和OpenCode、随即登顶双平台调用量排行的模型。

Winzheng_Index的博客 601

离线安装WSL2系统

由于办公环境在内网环境中,需将开发环境部署到内网中。环境:内网:win10。

qq_40224400的博客 3515

GLM-5.1模型调用实战:配额、沙箱与API权限深度解析

大语言模型API调用并非简单发送请求,而是涉及模型访问权、算力配额、运行环境隔离与密钥权限的多层技术协同。GLM-5.1作为面向代码生成优化的强推理模型,其稳定服务能力高度依赖企业认证、沙箱白名单启用及enterprise类型API密钥的正确配置。理解三级配额池调度机制(平台总池→企业带宽→订阅包)可规避92%的‘抢购失败’;掌握`/v4/chat/completions`接口与`glm-5.1-code`模型标识的组合用法,才能释放128K上下文与多文件解析能力。在金融风控、IoT固件注释等高可靠性场景中

Envisage123 554

Autodesk软件网络授权破解

Autodesk 全系列产品网络授权破解 此网络许可授权破解文件及方法适用Autodesk 绝大部分的产品, 安装网络许可证管理器Autodesk网络许可证管理器x64位官方下载地址( https://knowledge.autodesk.com/sites/default/files/file_downloads/nlm11.14.1.3_ipv4_ipv6_win64.msi ) Autod...

weixin_33919950的博客 8273

【WireShark】WireShark windows平台编译 问题解决

最近工作中需要基于wireshark做二次开发,在windows平台构建过程中 遇到了找不到Glib库的问题,具体报错如下: Working in D:\WorkSpace\WIRESHARK\wiresharksource\wireshark-win64-libs Tag 2021-08-14 not found. Refreshing. Downloading https://anonsvn.wireshark.org/wireshark-win64-libs/tags/2021-08-14/pac

qq_35456540的博客 1546

GLM-5代码模型深度解析:工程化交付与本地部署实战

大语言模型在代码生成领域的应用已从通用对话迈向专业工程落地。代码大模型不再仅追求HumanEval等基准分数,更强调真实开发场景中的稳定性、可解释性与协作可靠性。以GLM-5为代表的新一代国产代码模型,通过结构感知注意力、工程会话日志训练、AST-aware推理优化等技术创新,显著提升多文件上下文理解、漏洞修复准确率及IDE实时补全体验。其核心价值在于将‘能写代码’升级为‘懂工程约束的代码生成’,支持金融、政务等离线环境部署,并在3090显卡上实现低延迟高可用。本文聚焦GLM-5的架构原理、量化部署、Pro

cojm55771的博客 456

NXOpenC#-通用NX对象操作Tag,Handle,TaggedObject介绍

NXOpenC#-通用NX对象操作Tag,Handle,TaggedObject介绍

阿飞2018 1188

GLM-5.1深度解析:长上下文、多轮稳定与结构化输出三大突破

大语言模型作为AI原生应用的底层运行时,其代码理解能力正从‘字符匹配’迈向‘语义执行’。核心在于长上下文保真度、多轮交互稳定性与结构化输出可控性三大技术支柱——前者决定模型能否像IDE一样解析AST层级关系,后者保障JSON/YAML等Schema化产出可直连kubectl或后端服务。这些能力直接支撑低代码平台、微服务重构、AI辅助审查等工程场景,使开发者从prompt调优转向提示词架构设计与人机协同工作流构建。本文聚焦智谱GLM-5.1在128K上下文理解、状态感知对话记忆及Schema约束强化学习上的工

weixin_30781775的博客 348

世界职业院校技能大赛—人工智能赛道项目逐字稿参考十二

世界职业院校技能大赛—人工智能赛道项目逐字稿参考十二

我是网络安全兼技能大赛工程师,专注网络安全技术学习与技能大赛实战!持续分享最新的技术文章,帮你少走弯路,一起在技术赛道上进步~ 150

BUG调试案例一:RK3588+YT8531网络无法PING通调试案例

在使用 RK3588 搭配 YT8531S PHY 芯片进行网络调试时,遇到了“网络无法 Ping 通”的棘手问题。排查了两天,终于找到问题原因。为了避免大家在类似项目中走弯路,也为了加深自己对调试细节的理解,我们特意整理了本次问题的完整排查过程。本篇文章将围绕以下四个方面展开分享: 问题现象&描述 调试过程&分析 问题根源定位 注意事项提醒 举一反三(走两步)

案例文章,高速信号 2337

Claude Code+GLM4.5/Kimi K2本地AI编程方案

AI编程助手正从云端SaaS走向本地化、可闭环的工程实践。其核心在于将代码补全、解释、重构等高频任务与长上下文推理、文档理解等重载任务分层解耦——这正是代码大模型(如GLM 4.5)与轻量级代码专家模型(如Kimi K2)协同工作的底层逻辑。本地化部署不仅规避了Token计费、网络延迟与数据隐私风险,更通过llama.cpp等确定性推理引擎实现毫秒级响应与硬件级性能调优。该方案适用于Python自动化、Django/React项目迭代、CLI工具开发等真实研发场景,让开发者真正获得‘IDE内嵌资深同事’般的

weixin_30340617的博客 448

【网络安全 | 渗透工具】Githack工具安装及使用教程详析

本文仅分享Githack工具基本安装及使用相关知识不承担任何法律责任。Git是一个非常流行的开源分布式版本控制系统,它被广泛用于协同开发和代码管理。许多网站和应用程序都使用Git作为其代码管理系统,并将其部署到生产环境中以维护其代码库。然而,在配置不当的情况下,可能会导致.git文件夹被直接部署到线上环境中,这可能会导致Git泄露问题。可通过githack下载泄露的Git存储库,以获取包含未加密密码、凭据和敏感信息的站点代码库。使用githack下载Git存储库的方法有两种。本文仅分享。

等风来 3万+

GLM-5本地部署指南:H200+2-bit量化+llama.cpp构建私有编码代理

大语言模型本地化推理正从‘能跑’迈向‘好用’阶段。MoE架构模型(如GLM-5)凭借稀疏激活特性,天然适配GPU与系统内存协同调度的推理范式;2-bit量化(Q2_K_XL)并非精度妥协,而是针对路由门控权重分布优化的工程选择,在保障92%以上任务准确率前提下,将7500亿参数模型压缩至281GB,显著降低PCIe带宽压力。结合llama.cpp的--fit on内存感知调度、H200的141GB HBM3显存与统一内存架构,可实现低延迟、高吞吐的本地代码生成闭环。该方案特别适用于需深度理解私有代码库、严守

weixin_30888413的博客 484

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

GLM-4.6国产大模型实战指南:稳定、可控、可审计的中文长文本推理方案

大语言模型(LLM)作为现代AI基础设施的核心组件,其推理稳定性、中文语义理解深度与生产级部署可行性,正成为企业落地的关键门槛。不同于参数堆砌或概念炒作,真正具备工程价值的模型需在长文本处理、领域知识对齐、硬件适配性及成本可控性上实现系统性平衡。GLM-4.6聚焦法律、金融、政务等高确定性需求场景,通过引用感知门控、分层KV Cache压缩、中文专业失效图谱驱动训练等务实设计,在128K上下文、多轮对话、结构化输出等真实负载下展现出显著优于竞品的鲁棒性与性价比。它代表了一种从‘能用’到‘敢用’的技术跃迁——

a4512138的专栏 382

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

2026代码模型横评与成本优化实战:火山引擎直降80%接入指南

代码模型已成为开发者日常效率工具,但模型选型与调用成本常被低估。理解其工作原理——例如上下文缓存通过前缀复用降低重复token开销,MoE架构只在推理时激活部分参数——是合理评估技术价值的基础。在实际工程中,从代码补全、Bug修复到多模态截图还原前端页面,不同模型各有擅长场景。2026年的代码模型赛道,国产开源模型在性价比上表现出明显优势,火山引擎方舟平台以兼容OpenAI协议的接口和直降80%的综合成本,让团队可以低成本切换多个模型。结合Codex CLI接入、本地LM Studio部署等实践,企业可按规

weixin_34306593的博客 341
下一篇: DeepSeek Harness(dsh)2026年版本演进、功能更新与稳定性评估
ofoxcoding
博客等级 码龄1年 167粉丝 85原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值