GLM-4.5 là gì: mô hình agent mở trọng số của Zhipu (Z.ai)

Q: Làm sao tắt chế độ suy nghĩ của GLM-4.5?

Khi chạy qua vLLM hoặc SGLang, thêm extrabody={"chattemplatekwargs": {"enablethinking": False}} vào yêu cầu. Mặc định chế độ suy nghĩ đang bật.

Q: Dùng GLM-4.5 với Claude Code được không?

Được. Zhipu có hướng dẫn chính thức trong thư mục example/claudecode, dùng SGLang trên máy chủ và claude-code-router trên máy cá nhân. Xem các mốc khác trong dòng thời gian AI 2025 tới 2026. Nguồn: zai-org/GLM-4.5 trên GitHub, 28/07/2025.

Thử hình dung thế này. Đội lập trình của công ty anh rất mê Claude Code. Nhưng phòng pháp chế lắc đầu: code của khách hàng không được rời khỏi máy chủ nội bộ. Anh kẹt giữa hai lựa chọn khó chịu: bỏ công cụ tốt, hoặc phá quy định.

Ngày 28/07/2025, Zhipu AI (thương hiệu quốc tế là Z.ai) mở ra lối thứ ba với GLM-4.5: một model mở trọng số theo giấy phép MIT, có bản nhẹ để tự chạy, và kèm sẵn hướng dẫn làm "bộ não" cho Claude Code ngay trong mạng nội bộ.

Đọc nhanh trong 30 giây

GLM-4.5 là dòng mô hình nền của Zhipu AI cho agent, gộp suy luận, lập trình và dùng công cụ vào một model, công bố ngày 28/07/2025.

Hai cỡ: GLM-4.5 (355 tỷ tham số, 32 tỷ hoạt động) và GLM-4.5-Air (106 tỷ, 12 tỷ hoạt động). Mở trọng số theo giấy phép MIT.

Dùng qua trang chat, API của Z.ai, hoặc tự chạy bằng vLLM, SGLang. Có hướng dẫn chính thức ghép với Claude Code qua claude-code-router.

Hợp với doanh nghiệp cần giữ dữ liệu trong nhà và có máy chủ GPU. Công ty nhỏ nên dùng API.

GLM-4.5 là gì, có những bản nào?

GLM-4.5 là mô hình suy luận lai: một model có hai chế độ, chế độ suy nghĩ cho bài toán phức tạp và dùng công cụ, chế độ không suy nghĩ để trả lời ngay. Giống một người thu ngân lâu năm: khách hỏi giá thì đáp liền, gặp hóa đơn sai lệch thì mới lấy máy tính ra ngồi soát từng dòng.

So sánh hai chế độ của GLM-4.5: suy nghĩ cho việc phức tạp và trả lời ngay cho việc đơn giản

Một model, hai nhịp làm việc: nghĩ kỹ khi cần, đáp nhanh khi được.

Theo README, dòng này có hai cỡ:

Model	Tổng tham số	Tham số hoạt động	Bản có sẵn
GLM-4.5	355 tỷ	32 tỷ	BF16, FP8, Base
GLM-4.5-Air	106 tỷ	12 tỷ	BF16, FP8, Base

Cả hai đều là kiểu MoE, mỗi lần chỉ dùng một phần tham số nên chạy nhẹ hơn con số tổng. Độ dài ngữ cảnh tối đa là 128K token.

Theo Zhipu, trên 12 bài đánh giá chuẩn ngành, GLM-4.5 đạt 63,2 điểm, đứng thứ 3 trong số các model đóng và mở được so sánh; GLM-4.5-Air đạt 59,8 điểm. Đây là số hãng tự công bố, báo cáo kỹ thuật được ghi là sẽ ra sau.

Điểm doanh nghiệp quan tâm nhất: README ghi rõ các model mở theo giấy phép MIT, dùng thương mại và phát triển tiếp được.

Bắt đầu với GLM-4.5 từ dễ tới khó

Có ba đường vào, chọn theo mức đầu tư của anh chị.

Dùng thử trên web: README dẫn tới trang chat của Z.ai và bản demo trên Hugging Face Spaces, ModelScope.
Gọi API: Z.ai API Platform cho thị trường quốc tế, Zhipu AI Open Platform cho Trung Quốc đại lục.
Tự chạy: cài thư viện theo requirements.txt rồi khởi động bằng vLLM hoặc SGLang.

Lệnh vLLM trong README cho bản Air:

vllm serve zai-org/GLM-4.5-Air \
    --tensor-parallel-size 8 \
    --tool-call-parser glm45 \
    --reasoning-parser glm45 \
    --enable-auto-tool-choice \
    --served-model-name glm-4.5-air

Khi chạy qua vLLM hoặc SGLang, chế độ suy nghĩ bật sẵn. Muốn tắt, thêm extra_body={"chat_template_kwargs": {"enable_thinking": False}} vào yêu cầu. Công cụ khai báo theo định dạng của OpenAI.

Mẹo

Việc đơn giản như phân loại email, trích tên khách hàng thì tắt chế độ suy nghĩ để trả lời nhanh hơn. Việc nhiều bước như sửa code, lập kế hoạch thì để mặc định.

Tự chạy cần máy cỡ nào?

README đưa bảng cấu hình tối thiểu, với điều kiện máy chủ có trên 1TB RAM và GPU hỗ trợ FP8:

Model	Độ chính xác	GPU tối thiểu
GLM-4.5	FP8	8 H100 hoặc 4 H200
GLM-4.5-Air	BF16	4 H100 hoặc 2 H200
GLM-4.5-Air	FP8	2 H100 hoặc 1 H200

Muốn dùng đủ 128K ngữ cảnh thì cần gấp đôi số GPU ở bảng trên.

Bảng so sánh GLM-4.5 và GLM-4.5-Air về tham số, điểm đánh giá và GPU tối thiểu

Bản Air nhẹ hơn ba lần về tham số, đổi lại điểm thấp hơn một chút.

Cho GLM-4.5 làm bộ não của Claude Code

Quay lại bài toán ở đầu bài. Zhipu đưa sẵn hướng dẫn trong thư mục example/claude_code: chạy GLM-4.5 trên máy chủ bằng SGLang, rồi dùng Claude Code trên máy cá nhân để lập trình, với claude-code-router làm cầu nối.

Router giống tổng đài nội bộ: Claude Code tưởng mình đang gọi về Anthropic, tổng đài lặng lẽ chuyển máy sang GLM-4.5 trong phòng server của công ty. Đọc thêm bài claude-code-router để hiểu kỹ cách nó chuyển.

Sơ đồ kết nối: Claude Code trên máy cá nhân, claude-code-router, máy chủ SGLang chạy GLM-4.5 trong mạng nội bộ

Giao diện Claude Code quen thuộc, nhưng code chỉ đi tới máy chủ nội bộ.

Trên máy cá nhân, cài hai gói:

npm install -g @anthropic-ai/claude-code
npm install -g @musistudio/claude-code-router

Trên máy chủ, cài sglang và khởi động GLM-4.5 bằng lệnh python3 -m sglang.launch_server như trong hướng dẫn, mở cổng 8000.
Sửa api_base_url trong file config.example.json thành địa chỉ máy chủ, đổi tên thành config.json, chép vào ~/.claude-code-router/config.json.
Chạy ccr restart, rồi ccr code để mở Claude Code dùng GLM-4.5.

File cấu hình mẫu đặt GLM-4.5 cho mọi loại việc của router: mặc định, chạy nền, suy nghĩ, ngữ cảnh dài, tìm kiếm web.

Những điểm cần soát trước khi triển khai

Lưu ý

Giấy phép hai phần. README ghi model theo MIT, còn file LICENSE của repo code là Apache 2.0. Cả hai đều cho dùng thương mại, nhưng phòng pháp chế nên ghi nhận đúng từng phần.

Tự chạy vẫn tốn. Bản nhẹ nhất (Air FP8) cũng cần ít nhất 1 GPU H200 và máy chủ trên 1TB RAM theo điều kiện của bảng.

Số đánh giá do hãng công bố. Báo cáo kỹ thuật chưa ra tại ngày công bố.

Dữ liệu khi gọi API. Dùng API của Z.ai thì dữ liệu đi tới máy chủ của họ. Repo không nói về chính sách lưu trữ.

Lỗi flash infer trên vLLM. README gợi ý tạm dùng VLLM_ATTENTION_BACKEND=XFORMERS. Với 8 GPU H100 mà thiếu bộ nhớ khi chạy bản đủ, thêm --cpu-offload-gb 16.

Nhận xét của chuyên gia

Tôi đánh giá GLM-4.5 cao ở hai điểm với doanh nghiệp: giấy phép MIT rõ ràng, và có bản Air đủ nhỏ để một đơn vị có một máy chủ GPU tốt tự vận hành. So với Kimi K2 mà tôi đã viết trong bài Kimi K2 là gì, GLM-4.5 có thêm chế độ suy nghĩ, còn Kimi K2 Instruct chỉ trả lời nhanh.

Hợp với ai: doanh nghiệp có dữ liệu nhạy cảm không muốn gửi ra ngoài; đội lập trình muốn agent chạy trong mạng nội bộ; đơn vị làm sản phẩm AI cần một model mở để đóng gói.

Chưa hợp với ai: công ty nhỏ không có đội vận hành hạ tầng, vì tự chạy model hàng trăm tỷ tham số kéo theo chi phí điện, máy, người trực. Thêm một rủi ro: khi ghép model khác vào Claude Code qua router, các tính năng tối ưu cho Claude có thể chạy không giống hẳn.

Cách bắt đầu của tôi: thử bản Air qua trang chat hoặc API với vài việc thật của phòng, như tóm tắt hợp đồng hay viết script báo cáo. Kết quả đạt mới tính tới chuyện tự chạy, và thử ghép Claude Code trên một dự án phụ trước khi cho cả đội dùng.

Một câu để nhớ: mở trọng số là chìa khóa phòng server, nhưng anh chị vẫn phải tự trả tiền điện cho căn phòng đó.

Câu hỏi thường gặp

GLM-4.5 có dùng thương mại được không?

Được. README của Zhipu ghi các model GLM-4.5 mở theo giấy phép MIT, dùng thương mại và phát triển tiếp được.

GLM-4.5 và GLM-4.5-Air khác nhau thế nào?

GLM-4.5 có 355 tỷ tham số tổng, 32 tỷ hoạt động. GLM-4.5-Air có 106 tỷ tổng, 12 tỷ hoạt động, nhẹ hơn và cần ít GPU hơn, điểm đánh giá theo Zhipu thấp hơn một chút.

Làm sao tắt chế độ suy nghĩ của GLM-4.5?

Khi chạy qua vLLM hoặc SGLang, thêm extra_body={"chat_template_kwargs": {"enable_thinking": False}} vào yêu cầu. Mặc định chế độ suy nghĩ đang bật.

Dùng GLM-4.5 với Claude Code được không?

Được. Zhipu có hướng dẫn chính thức trong thư mục example/claude_code, dùng SGLang trên máy chủ và claude-code-router trên máy cá nhân.

Xem các mốc khác trong dòng thời gian AI 2025 tới 2026.

Nguồn: zai-org/GLM-4.5 trên GitHub, 28/07/2025.