GLM 5: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#34 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.31 contra 9.15). Cuesta $4.11 por cada 1.000 llamadas.

Nota de calidad8.42/10#17 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$4.11el 41º más caro de 97

Al mes, uso típico$6.1750 llamadas por día, todos los días

Velocidad46 tok/s76.9 s de espera media

⬡ Open source · MIT ⚒ Puede usar herramientas ◈ Razona antes de responder ⛨ Cae ante instrucciones ocultas · 2.4/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.15 (+0.07 vs mediana)

Contenido 8.90 (+0.53 vs mediana)

Razonamiento 8.56 (+0.61 vs mediana)

Agentes 7.31 (-0.23 vs mediana)

Medido con 154 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.24. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Contenido con datos verificables (no inventar) — 8.62 (+1.38 contra su media). Decide: escribir sin caer en la trampa del brief
JSON estructurado (extracción, schemas) — 8.48 (+1.24 contra su media). Decide: emitir JSON válido a la primera
Estrategia (pricing, planificación) — 8.45 (+1.21 contra su media). Decide: elegir entre opciones de negocio
Gestión de tareas (action items, planes) — 8.22 (+0.98 contra su media). Decide: convertir una conversación en tareas

Donde se cae

Resistencia a prompt injection — 3.15 (-4.09 contra su media). Decide: resistir una fuga de datos
Tool calling (llamada de funciones) — 5.18 (-2.06 contra su media). Decide: llamar bien las funciones
Capacidades de agente (delegación, skills) — 5.76 (-1.48 contra su media). Decide: delegar y usar lo que tiene a mano
Anti-alucinación (citas, contexto) — 6.29 (-0.95 contra su media). Decide: no inventar cuando no sabe

Si GLM 5 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Qwen 3.7 Flash Más barato, calidad equivalente	8.49	$0.204	28.5 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite Responde antes	8.23	$3.84	4.6 s	al menos 40% menos de espera, sin caer de nota

La ficha: GLM 5 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	154
Tool calling	7.57
Resistencia a prompt injection	2.35
Precio
Precio por millón · entrada	$0.950
Precio por millón · salida	$2.55
Rendimiento y límites
Latencia total media	76.9 s
Ventana de contexto	—

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a GLM 5 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
GLM 5 Este modelo	8.42	$4.11
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 1% más y además es más barato: $0.930 contra $4.11. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 1% más (8.48 contra 8.42) y cuesta 9 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, GLM 5 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	5.797	20.494	25.617 (piso)
Razonamiento profundo (matemática. Fermi)	4.688	8.192	10.240 (piso)
Anti-alucinación (citas. contexto)	1.251	7.211	9.013
Razonamiento general (lógica. decisiones)	3.851	5.045	6.306
Contenido startup (newsletter. actualidad)	3.299	4.920	6.150
Gestión de tareas (action items. planes)	3.466	4.734	5.917
Decisiones de negocio (prioridades. plan)	3.809	4.599	5.748
Generación de código (Python. SQL. debug)	3.494	4.483	5.603
Ventas en frío (cold email. campañas)	2.101	4.292	5.365
Creatividad (hooks. analogías. narrativa)	4.228	4.275	5.343
OCR / extracción desde imágenes	2.560	4.249	5.311
Noticias + SEO (artículos completos)	3.238	4.146	5.182
Presentaciones (slides. reportes)	4.083	4.083	5.103
Estrategia (pricing. planificación)	3.238	4.016	5.020
Auditar números (detectar el error plantado)	2.150	3.239	4.048
Integridad de idioma (no mezclar idiomas)	2.892	3.200	4.000
Traducción (es↔en)	2.328	2.595	3.243
Resúmenes y extracción de datos	2.553	2.553	3.191
Contenido genérico (blog. email. social)	2.220	2.276	2.845
JSON estructurado (extracción. schemas)	874	2.176	2.720
Contenido con datos verificables (no inventar)	706	1.578	1.972
Resistencia a prompt injection	524	1.433	1.791
Orquestación (flujos de varios pasos)	621	1.274	1.592
Verificar un dato contra su fuente	187	1.223	1.528
Capacidades de agente (delegación. skills)	484	1.034	1.292
Precisión literal (hex. JWT. configs)	249	1.024	1.280
Seguir instrucciones al pie de la letra	577	678	847
Multi-turno (debugging. requisitos)	607	661	826
Tool calling (llamada de funciones)	361	635	793
No inventar herramientas (abstenerse cuando no hay)	244	470	587
Soporte al cliente (clasificar y responder)	402	416	520

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de GLM 5

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si GLM 5 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →