GLM-5.2: Open source AI sætter nye standarder for kodning og agent-opgaver

De grundlæggende specifikationer i overblik:

• Parametre: ~753 mia. i alt, ~40 mia. aktive per token
• Kontekstvindue: 1.048.576 tokens (et fuldt brugbart vindue på 1 mio. tokens)
• Maksimalt output: 128K–131K tokens (der er mindre variation i kilderne)
• Licens: MIT, der tillader ubegrænset kommerciel og forskningsmæssig brug
• Ræsonnements-tilstande: "High" (hurtig og effektiv) og "Max" (maksimal dybde) giver en afvejning mellem hastighed og grundighed

En central arkitektonisk nyskabelse er den såkaldte “IndexShare”-mekanisme. For at gøre det enorme kontekstvindue på 1 million tokens økonomisk rentabelt, genbruger Z.ai en letvægtsindekseringsmekanisme på tværs af hvert fjerde spredte opmærksomhedslag. Tekniske analyser viser, at dette trick kan reducere beregningsbehovet per token med en faktor på cirka 2,9 ved fuld kontekstlængde. Det forebygger den forringelse af ydelsen, der ofte plager modeller med lang kontekst .

Benchmark-ydelse: I clinch med frontløberne

Z.ai har positioneret GLM-5.2 direkte over for GPT-5.5 og Claude Opus 4.8. Tallene i tabellen nedenfor er Z.ai's egne opgivelser, inklusive konkurrenternes scorer. De repræsenterer én leverandørs målinger og er ikke blevet uafhængigt reproduceret af de konkurrerende laboratorier .

Hovedpointer fra tallene

GLM-5.2 fører over GPT-5.5 på flere kodnings- og ræsonnementsevalueringer. På SWE-bench Pro scorer den 62,1 mod GPT-5.5s 58,6 . På FrontierSWE, en krævende 20-timers benchmark for autonom ingeniørarbejde, opnår den 74,4, mens GPT-5.5 får 72,6 . Inden for matematik rammer den næsten det perfekte med 99,2 på AIME 2026 og overgår dermed begge sine amerikanske konkurrenter .

Afstanden til Claude Opus 4.8 er indsnævret dramatisk på agentisk kodning. Selvom Opus 4.8 stadig har en klar føring på flere benchmarks – ikke mindst SWE-bench Pro med 69,2 mod GLM-5.2s 62,1 – er resultaterne på de lange, agentiske opgaver tættere, end mange havde forventet. På FrontierSWE er GLM-5.2 blot 0,7 point efter Opus 4.8 (74,4 mod 75,1) . På MCP-Atlas er den bagud med kun 0,8 point (77,0 mod 77,8) .

Generationsspringet fra GLM-5.1 er enormt. Den mest dramatiske forbedring ses på Terminal-Bench 2.1, hvor GLM-5.2's score på 81,0 repræsenterer et hop på hele 19 point i forhold til forgængerens 62,0 . Det gør GLM-5.2 til den første åben-vægtsmodel, der bryder 80%-barrieren på denne test .

Det er vigtigt at bemærke, hvor GLM-5.2 stadig halter efter. På de allersværeste, mest langstrakte opgaver som SWE-Marathon (ultralange ingeniøropgaver) fører Opus 4.8 med 26,0% mod 13,0% – en markant forskel, der indikerer, at amerikanske frontmodeller stadig har en fordel i pålidelighed over meget lange agentiske forløb .

Pris og tilgængelighed: Fordelene ved åben adgang

GLM-5.2's konkurrenceevne handler i lige så høj grad om pris som om ydelse.

• API-priser: Tilgængelig via Z.ai's GLM Coding Plan (Lite, Pro, Max og Team). Det koster cirka 4,40 dollars per million output-tokens . Sammenlignet med GPT-5.5's offentliggjorte priser, er der tale om en omtrent 83% reduktion i driftsomkostninger .
• Åbne vægte på Hugging Face: De fulde modelvægte kan hentes på zai-org/GLM-5.2 under MIT-licensen, inklusiv en kvantiseret FP8-version, der gør lokal kørsel mere overkommelig . For brugere i Kina er vægtene også tilgængelige via ModelScope-platformen .
• Økosystem fra tredjeparter: Ud over Z.ai's egen infrastruktur er modellen tilgængelig gennem Cloudflare Workers AI og understøttes i mere end 20 tredjeparts kodningsmiljøer og hostingtjenester, såsom Modular Cloud og Featherless.ai, der tilbyder fastpris-modeller til servering af lang kontekst .

Kombinationen af en eftergivende MIT-licens og en infrastruktur-agnostisk implementeringsmodel giver udviklere mulighed for at hoste modellen selv, integrere den i CI/CD-pipelines og undgå at blive låst fast til én bestemt leverandør. Det står i skarp kontrast til de lukkede, API-only adgangsmodeller, som de primære konkurrenter benytter sig af.

Strategisk kontekst: Åbne vægte og AI-rivalisering mellem USA og Kina

Timingen for lanceringen af GLM-5.2 var mindst lige så symbolsk, som den var teknisk. Den faldt i samme uge, som den amerikanske regering skærpede restriktionerne over for Anthropic's Claude Fable 5 – et træk, der ifølge rapporter var påvirket af samtaler mellem Amazons CEO og embedsmænd i Det Hvide Hus . Kontrasten var tilsigtet og slående: En fuldt åben kinesisk frontmodel ankom, netop som USA strammede grebet om et førende amerikansk laboratorium.

Grundlæggeren af Z.ai præsenterede den MIT-licenserede lancering med sloganet: “Frontier Intelligence Belongs to Everyone”, "Frontlinje-intelligens tilhører alle" . Dermed blev GLM-5.2 indrammet som både en teknologisk bedrift og en politisk markering i den eskalerende teknologikonkurrence mellem USA og Kina.

GLM-5.2 eksisterer ikke i et vakuum. Det er den seneste i en række af stadigt mere kapable åben-vægtsmodeller fra kinesiske laboratorier – en liste, der inkluderer DeepSeek, Alibabas Qwen og Baidus ERNIE – som systematisk indsnævrer ydelsesgabet til proprietære amerikanske modeller, samtidig med at de tilbyder ubegrænset adgang til radikalt lavere priser .