GLM-5.2: Il modello open-weight cinese che sta rivoluzionando l'AI globale

Cosa offre GLM-5.2: specifiche, benchmark e prezzi

GLM-5.2 utilizza un'architettura MoE da 744 miliardi di parametri, con circa 40 miliardi di parametri attivi per token . La sua finestra di contesto da 1 milione di token è completamente utilizzabile e rappresenta un incremento di cinque volte rispetto al limite di 200K di GLM-5.1 . L'output massimo raggiunge i 131.072 token . Il modello è stato addestrato, stando alle fonti, su chip Huawei Ascend e non su hardware NVIDIA, un dettaglio con significative implicazioni per la catena di approvvigionamento e i controlli all'esportazione .

Nei benchmark standard, GLM-5.2 ha ottenuto il punteggio più alto tra tutti i modelli open-weight nell'Artificial Analysis Intelligence Index v4.1, con 51 punti, superando MiniMax-M3 (44), DeepSeek V4 Pro (44) e Kimi K2.6 (43) . Ha raggiunto l'80,3% su GPQA Diamond (ragionamento scientifico di livello post-laurea) e l'86,67% su AIME 2025 (ragionamento matematico) . Su SWE-bench Pro, un benchmark chiave per l'ingegneria del software, ha ottenuto 62,1 — superando GPT-5.5 (58,6) e restando a circa 0,7 punti da Claude Opus 4.8 sul benchmark correlato FrontierSWE (74,4% vs 75,1%) . Secondo CNBC, GLM-5.2 si trova entro un punto percentuale da Opus 4.8 di Anthropic su un benchmark agentico chiave, a circa un quinto del costo .

I prezzi API sono di 1,40 dollari per milione di token in input e 4,40 dollari per milione di token in output , circa un sesto del costo di GPT-5.5 via API . I token in cache costano 0,26 dollari per milione .

Restrizioni all'esportazione USA e la svolta verso l'AI cinese

GLM-5.2 è stato reso disponibile agli abbonati il 13 giugno 2026 — un giorno dopo che il Dipartimento del Commercio USA ha costretto Anthropic a disabilitare Fable 5 a livello globale in base alle restrizioni all'esportazione . La giustapposizione non è passata inosservata alle imprese. Le restrizioni USA all'esportazione di chip AI avanzati (NVIDIA H100/B200 verso la Cina) hanno spinto i laboratori cinesi ad addestrarsi su hardware nazionale come Huawei Ascend, rendendo al contempo i modelli cinesi esenti dalle regole di licenza di re-export USA — un vantaggio di conformità nei mercati in cui i modelli AI di origine USA devono affrontare restrizioni .

La strategia di costo di Coinbase: risparmio del 50% impostando come default i modelli open-weight

L'amministratore delegato di Coinbase, Brian Armstrong, ha esposto pubblicamente il caso aziendale. L'8 giugno 2026, ha previsto che l'80% dei carichi di lavoro AI sarebbe stato eseguito su modelli open-weight, sostenendo che l'economia è innegabile — specialmente quando i modelli open-weight cinesi offrono prestazioni quasi all'avanguardia a una frazione del prezzo . Il 27 giugno, ha dettagliato l'approccio interno di Coinbase: impostare come default per gli ingegneri i modelli open-source cinesi come GLM 5.2 e Kimi 2.7, instradare i prompt in modo intelligente tramite un gateway LLM e memorizzare aggressivamente le risposte in cache .

I risultati sono notevoli. Coinbase ha tagliato la spesa AI interna di circa il 50%, anche con una crescita esponenziale dell'uso dei token . Il tasso di cache hit è migliorato dal 5% al 60% . L'azienda non ha imposto limiti di utilizzo o avvisi di budget agli ingegneri . Coinbase sta ora sperimentando uno strumento interno 'LLM Ops' che automatizza ulteriormente la selezione del modello per attività .

Ma la strategia ha suscitato scetticismo. I critici hanno evidenziato rischi per la sicurezza e tensioni geopolitiche irrisolte: instradare i prompt aziendali attraverso modelli creati da un laboratorio legato allo stato cinese comporta un'esposizione legale che nessun regolatore ha ancora chiarito .

OpenRouter: i modelli cinesi superano quelli USA nel traffico di token

I dati di OpenRouter mostrano un drammatico riequilibrio nell'utilizzo dei modelli AI tra il 2024 e il 2026 . Nel giugno 2025, i modelli USA di Google, OpenAI e Anthropic detenevano circa il 70-80% della quota di token, con i modelli cinesi intorno al 10% . A febbraio 2026, i modelli cinesi hanno superato circa il 61% del volume di token dei primi 10 modelli . Entro giugno 2026, i modelli cinesi elaboravano circa 18 trilioni di token a settimana contro i circa 5,5 trilioni di quelli USA, con un volume totale settimanale di circa 25 trilioni . La quota USA è crollata a circa il 30% in 12 mesi . I modelli cinesi chiave alla base di questo cambiamento includono DeepSeek, Qwen, MiniMax, Moonshot/Kimi e, ora, GLM-5.2 .

I rischi legali e di sicurezza irrisolti

La principale preoccupazione legale è chiara ma irrisolta. Z.ai (Zhipu AI) è un'azienda cinese nata come spin-off dell'Università di Tsinghua e affiliata alla Beijing Academy of Artificial Intelligence (BAAI) — entità integrate nell'ecosistema AI statale cinese . La Legge sull'Intelligence Nazionale cinese (2017) e la Legge sulla Sicurezza dei Dati (2021) impongono un obbligo generale a tutte le organizzazioni cinesi di 'sostenere, assistere e cooperare con il lavoro di intelligence dello Stato'. Queste leggi sono ampiamente formulate e hanno portata extraterritoriale.

I vettori di rischio specifici citati nei media includono: le imprese che eseguono autonomamente i pesi di GLM-5.2 potrebbero comunque essere legalmente obbligate ai sensi della legge cinese se interagiscono con qualsiasi entità cinese per aggiornamenti, telemetria o supporto ; le chiamate API instradate attraverso endpoint di inferenza ospitati in Cina attraversano giurisdizioni in cui l'accesso ai dati da parte di attori statali è legalmente consentito ; e la stessa strategia di Coinbase ha incontrato opposizione pubblica per 'rischi di sicurezza e legali irrisolti' per le aziende che gestiscono dati finanziari sensibili . Nessuna linea guida normativa USA o UE ha ancora affrontato in modo definitivo se l'utilizzo di modelli open-weight cinesi — anche se auto-ospitati — crei responsabilità ai sensi dei regimi di protezione dei dati o dei quadri sanzionatori. Alla fine di giugno 2026, il rischio rimane irrisolto, con le imprese che effettuano le proprie valutazioni in base alla posizione di hosting del modello, alla sensibilità dei dati e alle dipendenze della catena di approvvigionamento .