Z.ai merilis GLM-5.2 pada 16 Juni, menjanjikan performa tingkat atas, mengalahkan GLM 5.1 yang sudah canggih.
Lab yang berbasis di Beijing ini, yang telah masuk dalam Daftar Entitas AS sejak Januari 2025, tampaknya mendapat keuntungan dari meningkatnya kekhawatiran atas pendekatan Amerika terhadap AI. Selama seminggu terakhir, larangan terhadap Anthropic Fable dan rilis model baru ini telah membantu mendorong saham zAI naik 90%, mengirimkannya ke level tertinggi sepanjang masa yang baru.
GLM 5.2 memiliki angka-angka yang mendukung hype tersebut.
Pada FrontierSWE—sebuah benchmark yang mengevaluasi apakah agen AI dapat menyelesaikan proyek teknis terbuka yang diukur dalam jam, meliputi optimasi sistem, konstruksi kode skala besar, dan penelitian ML terapan, yang dinilai berdasarkan tingkat dominasi—GLM-5.2 mencapai 74.4 berbanding 75.1 milik Claude Opus 4.8. Ini mengungguli GPT-5.5 pada 72.6. Pada SWE-bench Pro, yang menguji penyelesaian otonom masalah GitHub dunia nyata yang dinilai sebagai tingkat lulus, GLM-5.2 mencetak 62.1 berbanding 58.6 milik GPT-5.5—dan melampaui pendahulunya GLM-5.1 yang 58.4 dengan selisih yang lebar.
Lompatan kualitas menjadikannya model sumber terbuka terbaik hingga saat ini dalam Artificial Analysis Intelligence Index, yang mengumpulkan hasil dari 9 skor berbeda untuk menilai kualitas umum model AI. Benchmark OpenRouter menempatkannya dalam kategori yang sama dengan Claude Fable 5 yang kini dilarang.
Perangkat keras yang digunakan untuk mencapai prestasi ini adalah bagian menarik lainnya dari cerita. GLM-5.2 dilatih pada chip Huawei Ascend—tidak ada Nvidia di seluruh pipeline. Emad Mostaque, pendiri Stability AI, memperkirakan total biaya pelatihan sekitar $25 juta, 80% di antaranya untuk pasca-pelatihan, yang akan membuatnya sangat murah dibandingkan dengan para pesaingnya.
Seperti yang Decrypt laporkan awal tahun ini, Z.ai sudah melatih model gambar di server Huawei Ascend Atlas tanpa satu pun chip Amerika. GLM-5.2 membawa infrastruktur itu lebih jauh—model mixture-of-experts 744 miliar parameter dengan jendela konteks 1 juta token asli, lima kali batas 200K pada GLM-5.1, dan lisensi MIT yang berarti tidak ada arahan pemerintah yang dapat membalik sakelar akses.
Token adalah potongan teks yang dapat dibaca dan dibuat oleh model sedangkan Parameter adalah jumlah pengaturan internal dan nilai yang menentukan bagaimana model memproses informasi dan menghasilkan respons
Bagi pengembang, jendela konteks adalah perubahan operasional. Navigasi seluruh repo, refactor multi-file, dan pipeline agen panjang yang sebelumnya memerlukan pemotongan menjadi alur kerja sekali panggil. Harga API adalah $1.40 per juta token input dan $4.40 per juta output—berbanding $5 input dan $25 output Claude Opus 4.8. Paket Coding dimulai sekitar $18 sebulan dan berfungsi langsung di dalam Claude Code, Cline, Kilo Code, dan sebagian besar lingkungan agen populer.
Penyebaran lokal juga secara teknis memungkinkan. Unsloth AI mendorong kuantisasi GGUF 2-bit yang mengompres model dari 1.51TB menjadi 238GB sambil mempertahankan akurasi ~82%.
Namun, jangan terlalu senang. Itu masih berarti membutuhkan memori terpadu 256GB atau kombinasi RAM/VRAM yang sesuai—Mac Studio M4 Ultra maksimal atau workstation dengan GPU kelas menengah dan RAM sistem 256GB dengan offloading mixture-of-experts. Ini masih banyak uang, tetapi setidaknya sesuatu yang dapat Anda beli dan jalankan di rumah jika Anda benar-benar ingin.
Kami melakukan tes cepat, meminta GLM-5.2 untuk membangun game standar kami yang mencampur mekanik mengetik dengan penembak. UI-nya tidak terlalu cantik—model lain menghasilkan antarmuka yang terlihat lebih halus, tetapi pengalamannya adalah yang paling bervariasi: skenario berbeda di seluruh gelombang, jenis musuh yang bergeser, bos muncul di akhir permainan.
Ini menghasilkan kondisi permainan yang lebih beragam daripada yang lain yang kami uji untuk tugas yang sama dalam pengaturan zero shot.
Jika Anda ingin memainkannya, itu sudah tayang di profil Itch.io kami.
Variasi itu menunjukkan di mana GLM-5.2 paling masuk akal secara ekonomi. Untuk alur kerja generasi multi-shot dan pipeline agen di mana keragaman output lebih penting daripada polesan, perhitungan pada tingkat harga sumber terbuka sulit dibantah. Untuk tugas-tugas berkelanjutan tersulit—SWE-Marathon, di mana ia mencetak 13.0 berbanding 26.0 milik Opus 4.8—jarak ke batas tertutup masih nyata, dan 13 poin lebarnya.
Bobot sumber terbuka tersedia di HuggingFace di bawah lisensi MIT. Bobot terkuantisasi juga tersedia di HuggingFace. Pelanggan GLM Coding Plan dapat beralih sekarang dengan string model GLM-5.2, dan juga tersedia untuk pengujian gratis di z.AI dengan beberapa batasan penggunaan.
