Guides Imọlẹ Parcours62 / 88
Modèle · Texte

GLM 5.2

Modèle de code agentique haut de gamme pour les dépôts, les outils, le débogage et les tâches logicielles complexes.

Identifiant du modèleglm-5.2
Disponibilité Agent et Laboratoire
Tester dans le Laboratoire
Présentation du modèle

Ce que fait ce modèle

GLM 5.2 doit être traité comme un collaborateur d’ingénierie : donnez-lui les règles du dépôt, le comportement exact à modifier et les commandes qui prouvent que le travail est terminé.

Ce modèle est disponible dans l’Agent et le Laboratoire Imọlẹ. Il n’est pas proposé dans l’API publique.

Capacités

Résultats et opérations pris en charge

  • Exploration de dépôt, débogage, implémentation, refactorisation et revue.
  • Tâches longues qui nécessitent lecture de fichiers, modifications multi-modules et tests.
  • Transformation d’un besoin produit en modification testée.
Demande

Décrire clairement le résultat attendu

Construisez la demande dans cet ordre. Chaque étape précise une information que le modèle peut utiliser directement.

  1. 01

    Contexte du dépôt

    Nommez la stack, les fichiers concernés, les conventions et les commandes qui prouvent la correction.

  2. 02

    Modification concrète

    Décrivez le comportement à ajouter ou corriger, pas uniquement une idée d’implémentation.

  3. 03

    Limites

    Indiquez ce qui ne doit pas changer, notamment le comportement public, la sécurité et les fichiers sans rapport.

  4. 04

    Vérification

    Demandez des tests ciblés, vérifications de types, build et un résumé concis.

Exemple 1

Correction ciblée

Dans ce dépôt SvelteKit, corrige le menu mobile des modèles pour qu’il reste au-dessus du panneau de résultat et que chaque option soit accessible au clavier. Préserve les tokens visuels et HugeIcons. Inspecte d’abord le composant et les tests, ajoute un test de régression, exécute bun run check et le test ciblé, puis résume les fichiers modifiés et les risques restants.

La demande identifie la stack, le comportement visible, les contraintes, le test et les conditions de fin.

Exemple 2

Revue de dépôt

Revois la modification d’authentification dans le diff actuel. Priorise les régressions de sécurité, fuites de pages privées, gestion de session et tests manquants. Cite les fichiers et lignes exacts, sépare les blocages des améliorations et ne réécris pas le code sans rapport.

La revue possède une hiérarchie des risques, un format de preuve et un périmètre strict.

Réglages

Contrôles disponibles dans Imọlẹ

Effort de raisonnement

Moyen est un bon défaut pour coder de façon interactive. Augmentez-le pour une architecture ambiguë, un débogage difficile ou une migration importante.

Fichiers et journaux

Joignez le plus petit ensemble de fichiers et la sortie exacte qui reproduit le problème.

Disponibilité

Disponible dans l’Agent et le Laboratoire

GLM 5.2 n’est pas accessible avec une clé API Imọlẹ. Utilisez-le directement dans le Laboratoire pour une génération ou confiez un travail complet à l’Agent.

Cauris

Tarification et sources

Coût Agent et Laboratoire1 / 5 cauris

La tarification utilise le total des tokens consommés par une requête réussie : tokens d’entrée plus tokens de sortie. Les tokens d’entrée en cache et de raisonnement sont déjà inclus dans ces totaux et ne sont pas comptés deux fois. Le routeur exige seulement au moins 1 cauri avant le démarrage, puis facture la tranche applicable après la réponse.

ExpressRequêtes courtes utilisant au maximum 10 000 tokens au total.
0 à 10 000 tokens1 cauris
ÉtenduRequêtes utilisant plus de 10 000 tokens au total.
Plus de 10 000 tokens5 cauris
Documentation de référenceDocumentation du modèle GLM 5.2 sur Cloudflare Workers AI