GLM-5.2: El modelo de IA chino que planta cara a los gigantes de Silicon Valley

Especificaciones principales resumidas:

• Parámetros: ~753.000 millones en total, ~40.000 millones activos por token
• Ventana de contexto: 1.048.576 tokens (un millón de tokens utilizables en la práctica)
• Límite de tokens de salida: 128.000–131.000 (las fuentes varían ligeramente)
• Licencia: MIT, que permite sin restricciones su uso comercial y de investigación
• Modos de razonamiento: "Alto" (High, pensado para la eficiencia) y "Máximo" (Max, para un esfuerzo de razonamiento profundo), lo que permite equilibrar velocidad y profundidad de análisis

Una de las innovaciones arquitectónicas más destacadas es el mecanismo "IndexShare". Para que la enorme ventana de contexto de un millón de tokens sea económicamente viable, Z.ai reutiliza un indexador ligero en cada cuatro capas de atención dispersa. Según los análisis técnicos, este truco reduce el cálculo por token en un factor de aproximadamente 2,9 veces cuando se trabaja con el contexto completo de 1M de tokens, evitando la degradación de rendimiento que suele afectar a otros modelos en contextos tan extensos .

Rendimiento en pruebas: un cara a cara con los mejores

Z.ai ha comparado directamente GLM-5.2 con GPT-5.5 y Claude Opus 4.8. Las puntuaciones de la siguiente tabla son las publicadas por la propia Z.ai, incluyendo las cifras que declara para sus competidores. Representan las mediciones de un único proveedor y no han sido reproducidas de forma independiente por los laboratorios rivales .

Lo que nos dicen las cifras

GLM-5.2 supera a GPT-5.5 en múltiples evaluaciones de programación y razonamiento. En SWE-bench Pro obtiene un 62.1 frente al 58.6 de GPT-5.5 . En FrontierSWE, una exigente prueba de 20 horas para ingeniería autónoma, alcanza un 74.4 frente al 72.6 de GPT-5.5 . En matemáticas, logra un casi perfecto 99.2 en AIME 2026, superando a sus dos competidores estadounidenses .

La brecha con Claude Opus 4.8 se ha reducido drásticamente en programación para agentes. Aunque Opus 4.8 mantiene una clara ventaja en varios puntos de referencia —especialmente en SWE-bench Pro con un 69.2 frente al 62.1 de GLM-5.2 —, los resultados en tareas autónomas de larga duración están mucho más ajustados. En FrontierSWE, GLM-5.2 está a solo 0.7 puntos de Opus 4.8 (74.4 vs 75.1) . En MCP-Atlas, la diferencia es de apenas 0.8 puntos (77.0 vs 77.8) .

El salto generacional respecto a GLM-5.1 es enorme. La mejora más espectacular se observa en Terminal-Bench 2.1, donde la puntuación de GLM-5.2 (81.0) supone un salto de 19 puntos desde los 62.0 de la generación anterior . Esto convierte a GLM-5.2 en el primer modelo de pesos abiertos en superar la barrera del 80 % en esta exigente prueba .

Es justo señalar dónde GLM-5.2 todavía se queda atrás. En las tareas más difíciles y de mayor duración, como SWE-Marathon (ingeniería de ultra-larga duración), Opus 4.8 lidera con un 26.0 % frente al 13.0 % de GLM-5.2. Esta es una diferencia significativa que indica que los modelos de vanguardia estadounidenses aún mantienen una ventaja en fiabilidad durante ejecuciones autónomas muy prolongadas .

Precio y disponibilidad: la economía del acceso abierto

El atractivo de GLM-5.2 reside tanto en su precio como en su rendimiento.

• Precio de la API: Se puede acceder a través del GLM Coding Plan de Z.ai (con planes Lite, Pro, Max y Team). El modelo cuesta aproximadamente 4,40 dólares por cada millón de tokens de salida . Si lo comparamos con el precio oficial de GPT-5.5, esto representa una reducción del coste operativo de alrededor de un 83% .
• Pesos abiertos en Hugging Face: Los pesos completos están disponibles para descargar en zai-org/GLM-5.2 bajo la licencia MIT, incluyendo una versión cuantizada FP8 para facilitar su uso en equipos locales . La plataforma ModelScope también aloja los pesos para usuarios en China .
• Ecosistema de terceros: Más allá de la infraestructura de Z.ai, el modelo está disponible en Cloudflare Workers AI y cuenta con soporte en más de 20 entornos de programación y servicios de alojamiento, como Modular Cloud y Featherless.ai, que ofrecen tarifas planas para su uso con contextos extensos .

La combinación de una licencia MIT, que permite un uso sin ataduras, y un modelo de implementación independiente de la infraestructura permite a los desarrolladores alojar el modelo por su cuenta, integrarlo en sus flujos de trabajo de integración y entrega continuas (CI/CD) y evitar la dependencia de un único proveedor. Un fuerte contraste con el acceso cerrado y exclusivo mediante API que ofrecen sus principales competidores.

El contexto estratégico: pesos abiertos y la dinámica tecnológica entre EE. UU. y China

El lanzamiento de GLM-5.2 fue tan simbólico como técnico. Llegó en la misma semana en que el gobierno de Estados Unidos intensificaba las restricciones sobre Claude Fable 5 de Anthropic, una medida que, según los informes, estuvo influenciada por conversaciones entre el CEO de Amazon y altos cargos de la Casa Blanca . El contraste era intencionado y evidente: un modelo chino de vanguardia, completamente abierto, llegaba justo cuando Estados Unidos reforzaba el control sobre un laboratorio estadounidense líder.

El fundador de Z.ai presentó este lanzamiento bajo licencia MIT con el lema "La inteligencia de vanguardia pertenece a todos" , enmarcando GLM-5.2 como un lanzamiento técnico y, al mismo tiempo, como una declaración de principios en la creciente competencia tecnológica entre Estados Unidos y China.

GLM-5.2 no aparece de la nada. Es el último de una serie de modelos de pesos abiertos cada vez más potentes surgidos de laboratorios chinos —una lista que incluye a DeepSeek, Qwen de Alibaba y ERNIE de Baidu— que están acortando sistemáticamente la brecha de rendimiento con los modelos propietarios de EE. UU., a la vez que ofrecen un acceso sin restricciones a precios mucho más bajos .

Nota para el lector en español: Es importante contextualizar que las pruebas de rendimiento mencionadas (benchmarks) son evaluaciones estandarizadas en el mundo de la inteligencia artificial, similares a los exámenes o pruebas de certificación para profesionales. Miden habilidades muy específicas como la corrección de errores de software (SWE-bench Pro) o la resolución de problemas matemáticos complejos (AIME 2026). Aunque los resultados son prometedores, conviene recordar que provienen de la propia empresa desarrolladora.