GLM-5.2 : le modèle open-weight chinois qui défie les géants américains de l'IA

Ce que propose GLM-5.2 : spécifications, performances et prix

GLM-5.2 utilise une architecture MoE de 744 milliards de paramètres, dont environ 40 milliards sont activés par token . Sa fenêtre de contexte d'un million de tokens est pleinement utilisable, soit un bond de cinq fois par rapport à la limite de 200 000 tokens de GLM-5.1 . La sortie maximale atteint 131 072 tokens . Fait notable, le modèle a été entraîné sur des puces Huawei Ascend plutôt que sur du matériel NVIDIA, un détail aux implications majeures en matière de chaîne d'approvisionnement et de contrôle des exportations .

Sur les benchmarks standards, GLM-5.2 a obtenu le score le plus élevé de tous les modèles open-weight sur l'Artificial Analysis Intelligence Index v4.1 avec 51 points, devançant MiniMax-M3 (44), DeepSeek V4 Pro (44) et Kimi K2.6 (43) . Il a notamment obtenu 80,3 % sur GPQA Diamond (raisonnement scientifique de niveau graduate) et 86,67 % sur AIME 2025 (raisonnement mathématique) . Sur SWE-bench Pro, un benchmark clé en génie logiciel, il a atteint 62,1, surpassant GPT-5.5 (58,6) et ne se situant qu'à environ 0,7 point de Claude Opus 4.8 sur le benchmark associé FrontierSWE (74,4 % contre 75,1 %) . Selon CNBC, GLM-5.2 se trouve à moins d'un point de pourcentage d'Opus 4.8 sur un benchmark agentique clé, pour un coût environ cinq fois inférieur .

Tarification de l'API : 1,40 $ par million de tokens en entrée et 4,40 $ par million de tokens en sortie , soit environ six fois moins cher que GPT-5.5 via API . Les tokens en cache coûtent 0,26 $ par million .

Contrôles à l'exportation américains et bascule vers l'IA chinoise

GLM-5.2 a été mis à disposition des abonnés le 13 juin 2026, un jour après que le département du Commerce américain a forcé Anthropic à désactiver Fable 5 au niveau mondial en raison de restrictions à l'exportation . Cette juxtaposition n'a pas échappé aux entreprises. Les restrictions américaines sur les puces d'IA avancées (NVIDIA H100/B200 vers la Chine) ont poussé les laboratoires chinois à s'entraîner sur du matériel domestique comme Huawei Ascend, tout en rendant les modèles chinois exempts des règles de licence de réexportation américaines. Cela leur confère un avantage en matière de conformité sur les marchés où les modèles d'origine américaine sont soumis à des restrictions .

La stratégie de coût de Coinbase : 50 % d'économies en misant sur les modèles open-weight

Brian Armstrong, PDG de Coinbase, a exposé publiquement le cas d'usage pour les entreprises. Le 8 juin 2026, il prédisait que 80 % des charges de travail en IA fonctionneraient à terme sur des modèles open-weight, arguant que l'économie est indéniable — surtout lorsque des modèles chinois open-weight offrent des performances proches de la frontière pour une fraction du prix . Le 27 juin, il a détaillé l'approche interne de Coinbase : orienter par défaut les ingénieurs vers des modèles open-source chinois comme GLM 5.2 et Kimi 2.7, router intelligemment les requêtes via une passerelle LLM, et mettre en cache de manière agressive les réponses .

Les résultats sont frappants :

• Coinbase a réduit ses dépenses internes en IA d'environ 50 %, même si l'utilisation de tokens a explosé .
• Le taux de réussite du cache est passé de 5 % à 60 % .
• Aucun plafond d'utilisation ni alerte budgétaire n'a été imposé aux ingénieurs .
• Coinbase expérimente désormais un outil interne « LLM Ops » qui automatise la sélection du modèle par tâche .

Mais la stratégie a suscité le scepticisme. Les critiques ont souligné les risques de sécurité non résolus et les tensions géopolitiques : router les requêtes d'une entreprise via des modèles créés par un laboratoire lié à l'État chinois expose à des risques juridiques qu'aucun régulateur n'a encore clarifiés .

OpenRouter : les modèles chinois dépassent les américains en trafic de tokens

Les données d'OpenRouter montrent un rééquilibrage spectaculaire de l'utilisation des modèles d'IA entre 2024 et 2026 . En juin 2025, les modèles américains de Google, OpenAI et Anthropic détenaient environ 70 à 80 % de la part des tokens, les modèles chinois tournant autour de 10 % . En février 2026, les modèles chinois avaient franchi la barre des 61 % du volume de tokens parmi les 10 premiers modèles . En juin 2026, les modèles chinois traitaient environ 18 000 milliards de tokens par semaine contre environ 5 500 milliards pour les modèles américains, pour un volume hebdomadaire total d'environ 25 000 milliards . La part américaine s'est effondrée pour atteindre environ 30 % en 12 mois . Les modèles chinois clés à l'origine de ce changement incluent DeepSeek, Qwen, MiniMax, Moonshot/Kimi, et maintenant GLM-5.2 .

Les risques sécuritaires et juridiques non résolus

La principale préoccupation juridique est simple mais non résolue. Z.ai (Zhipu AI) est une entreprise chinoise issue de l'Université Tsinghua et affiliée à l'Académie d'intelligence artificielle de Pékin (BAAI) — des entités ancrées dans l'écosystème étatique chinois de l'IA . La loi chinoise sur le renseignement national (2017) et la loi sur la sécurité des données (2021) imposent à toutes les organisations chinoises une obligation générale de « soutenir, assister et coopérer avec le travail de renseignement d'État ». Ces lois sont rédigées en termes larges et ont une portée extraterritoriale.

Les vecteurs de risque spécifiques cités dans les médias incluent :

• Les entreprises qui hébergent elles-mêmes les poids de GLM-5.2 pourraient toujours être légalement obligées en vertu du droit chinois si elles interagissent avec une entité chinoise pour des mises à jour, de la télémétrie ou du support .
• Les appels API acheminés via des points de terminaison d'inférence hébergés en Chine transitent par des juridictions où l'accès aux données par des acteurs étatiques est légalement autorisé .
• La propre stratégie de Coinbase a suscité des critiques publiques concernant des « risques de sécurité et juridiques non résolus » pour les entreprises traitant des données financières sensibles .

Aucune directive réglementaire américaine ou européenne n'a encore définitivement tranché la question de savoir si l'utilisation de modèles open-weight chinois — même auto-hébergés — crée une responsabilité en vertu des régimes de protection des données ou des cadres de sanctions. Fin juin 2026, le risque reste non résolu, les entreprises procédant à leurs propres évaluations en fonction de l'emplacement d'hébergement du modèle, de la sensibilité des données et des dépendances de la chaîne d'approvisionnement .