GLM-4-FLASH

对 glm-4-flash 的缓存命中要求所有请求的提示符前缀必须相同。请将稳定的指令和参考资料放在提示符的开头，保持字节一致，并将可变部分放在后面。这样，缓存读取操作将按缓存速率计费，而不是按输入速率计费。

GLM-4-FLASH 按使用量计费，记录中未公布任何免费额度。当前公布的费率为每 1M 个 token 输入 $0.0000，每 1M 个 token 输出 $0.0000。试用额度或促销配额与您的帐户绑定，而非与模型绑定，因此在规划免费额度之前，请务必查看控制台。

将 glm-4-flash 的 max_tokens 设置为任务实际需要的最长响应长度，而不是 4,095 的 Token 上限。严格控制上限可以降低最坏情况下的开销并缩短尾延迟。仅当任务明显需要更长的输出时才提高此值。

是的。glm-4-flash 可通过 OpenAI 兼容的端点访问，因此现有的 OpenAI SDK 客户端在将基本 URL 指向 MixRoute 并将模型参数设置为 glm-4-flash 后即可正常工作。请保留您当前的请求和响应处理方式。

glm-4-flash 单次请求最多输出 4,095 个 token，context window 为 128,000。用 max_tokens 设上限，避免单次调用超出预算。