Inilabas ng Z.ai ang GLM-5.2 noong Hunyo 16, nangangako ng nangungunang pagganap, tinalo ang dati nang advanced na GLM 5.1 nito.
Ang Beijing-based na lab, na nasa U.S. Entity List mula Enero 2025, ay tila nakikinabang sa lumalaking pag-aalala sa diskarte ng Amerika sa AI. Sa nakalipas na linggo, ang pagbabawal sa Anthropic Fable at ang paglabas ng bagong modelong ito ay nakatulong sa pagtulak ng stock ng zAI ng 90%, na nagpadala dito sa isang bagong all-time high.
Ang GLM 5.2 ay may datos upang suportahan ang pinag-uusapan.
Sa FrontierSWE—isang benchmark na sumusukat kung ang isang AI agent ay makakakumpleto ng mga open-ended na teknikal na proyekto na sinusukat sa oras, sumasaklaw sa pag-optimize ng mga sistema, pagbuo ng malalaking code, at applied ML research, na sinusukat sa dominance rate—ang GLM-5.2 ay nakakuha ng 74.4 laban sa 75.1 ng Claude Opus 4.8. Nadaig nito ang GPT-5.5 na may 72.6. Sa SWE-bench Pro, na sumusuri sa autonomous na resolusyon ng mga tunay na isyu sa GitHub na sinusukat bilang pass rate, ang GLM-5.2 ay nakakuha ng 62.1 laban sa 58.6 ng GPT-5.5—at malaking tinalo ang 58.4 ng nauna nitong GLM-5.1.
Ang pagtalon sa kalidad ang nagiging dahilan upang ito ang pinakamahusay na open-source na modelo hanggang ngayon sa Artificial Analysis Intelligence Index, na pinagsasama-sama ang mga resulta ng 9 na magkakaibang marka upang masuri ang pangkalahatang kalidad ng isang AI model. Ang mga benchmark ng OpenRouter ay naglagay dito sa parehong kategorya ng kasalukuyang ipinagbabawal na Claude Fable 5.
Ang hardware na ginamit upang makamit ang tagumpay na ito ay isa pang kawili-wiling bahagi ng kuwento. Ang GLM-5.2 ay sinanay sa Huawei Ascend chips—walang Nvidia na kasama sa proseso. Tinatayang ang kabuuang gastos sa pagsasanay, ayon kay Emad Mostaque, tagapagtatag ng Stability AI, ay humigit-kumulang $25 milyon, 80% nito sa post-training, na gagawin itong lubhang mura kumpara sa mga kapantay nito.
Gaya ng iniulat ng Decrypt sa simula ng taon, nagsasanay na ang Z.ai ng mga modelong pang-imahe sa mga Ascend Atlas server ng Huawei nang walang kahit isang American chip. Ang GLM-5.2 ay lalong nagpapalawak ng imprastrakturang ito—isang 744-bilyong-parameter na mixture-of-experts na modelo na may tunay na 1 milyong-token na context window, limang beses ng limitasyong 200K sa GLM-5.1, at isang lisensiyang MIT na nangangahulugang walang direktiba ng gobyerno ang makakapigil sa pag-access.
Ang mga Token ay ang mga bahagi ng teksto na maaaring basahin at buoin ng isang modelo habang ang mga Parameter ay ang bilang ng mga panloob na setting at halaga na tumutukoy kung paano pinoproseso ng isang modelo ang impormasyon at bumubuo ng mga tugon.
Para sa mga developer, ang context window ang pagbabago sa operasyon. Ang pag-navigate sa buong repositoryo, multi-file refactors, at mahabang agentic pipelines na dating nangangailangan ng chunking ay nagiging single-call workflows. Ang pagpepresyo ng API ay $1.40 bawat milyong input token at $4.40 bawat milyong output—kumpara sa $5 input at $25 output ng Claude Opus 4.8. Nagsisimula ang Coding Plan sa humigit-kumulang $18 sa isang buwan at direktang gumagana sa loob ng Claude Code, Cline, Kilo Code, at karamihan sa mga sikat na agentic environment.
Posible rin ang lokal na pag-deploy. Ang Unsloth AI ay naglabas ng 2-bit GGUF quantizations na nagpapaliit sa modelo mula 1.51TB pababa sa 238GB habang pinapanatili ang humigit-kumulang 82% na katumpakan.
Huwag masyadong magsaya, bagaman. Nangangahulugan pa rin ito na nangangailangan ito ng 256GB ng pinagsamang memorya o isang katugmang kombinasyon ng RAM/VRAM—isang pinakamataas na M4 Ultra Mac Studio o isang workstation na may mid-range na GPU at 256GB ng system RAM na may mixture-of-experts offloading. Malaki pa rin ang halaga nito, ngunit kahit papaano ay isang bagay na mabibili at mapapatakbo mo sa iyong bahay kung talagang gusto mo.
Nagsagawa kami ng mabilisang pagsubok, humihiling sa GLM-5.2 na buuin ang aming karaniwang laro na pinaghalong typing mechanics at isang shooter. Hindi ito ang pinakamagandang UI—ang ibang modelo ay nakabuo ng mas pinakintab na interfaces, ngunit ang karanasan ang pinakamaraming pagkakaiba: iba't ibang senaryo sa bawat wave, nagbabagong uri ng kalaban, mga boss na lumalabas sa huling bahagi ng laro.
Nakabuo ito ng mas magkakaibang estado ng laro kaysa sa anumang sinubukan namin para sa parehong gawain sa isang zero shot setup.
Kung gusto mong laruin ito, live ito sa aming Itch.io profile.
Ang pagkakaiba-iba na iyon ay nagtuturo kung saan pinakanakapagbibigay ng ekonomikong kabuluhan ang GLM-5.2. Para sa multi-shot generation workflows at agentic pipelines kung saan mas mahalaga ang pagkakaiba-iba ng output kaysa sa pagiging pinakintab, mahirap tutulan ang presyo ng open-source. Para sa pinakamahirap na matagalang gawain—SWE-Marathon, kung saan nakakuha ito ng 13.0 laban sa 26.0 ng Opus 4.8—ang agwat sa closed frontier ay totoo pa rin, at may 13 puntos na pagitan.
Ang mga open-source weights ay live sa HuggingFace sa ilalim ng lisensiyang MIT. Available din ang mga quantized weights sa HuggingFace. Ang mga subscriber ng GLM Coding Plan ay maaaring lumipat ngayon gamit ang model string na GLM-5.2, at available din ito para sa libreng pagsubok sa z.AI na may ilang limitasyon sa paggamit.
