GLM-5.2: Den åpne KI-modellen som snudde markedet på hodet i 2026

On June 13, 2026, the Chinese AI lab Z.ai (formerly Zhipu AI) released GLM-5.2, a 744-billion-parameter Mixture-of-Experts open-weight model . It shipped with full weights on Hugging Face four days later under a permissive MIT license with no regional restrictions , arriving one day after US export controls forced Anthropic to disable its Fable 5 model globally . The timing created a direct "US restricts, China releases" narrative that accelerated enterprise interest in Chinese AI alternatives — and the benchmarks and pricing made the case hard to ignore.

Hva GLM-5.2 tilbyr: Spesifikasjoner, tester og priser

GLM-5.2 bruker en MoE-arkitektur med 744 milliarder parametere, hvorav cirka 40 milliarder er aktive per token . Kontekstvinduet på 1 million tokens er fullt brukbart og representerer en femdobling fra GLM-5.1s 200K-grense . Maksimalt utdata når 131 072 tokens . Modellen ble angivelig trent på Huaweis Ascend-brikker i stedet for NVIDIA-maskinvare – en detalj med betydelige implikasjoner for forsyningskjeder og eksportkontroll .

På standardreferansetester scoret GLM-5.2 høyest av alle åpne modeller på Artificial Analysis Intelligence Index v4.1 med 51 poeng, foran MiniMax-M3 (44), DeepSeek V4 Pro (44) og Kimi K2.6 (43) . Den oppnådde 80,3 % på GPQA Diamond (vitenskapelig resonnering på høyere gradsnivå) og 86,67 % på AIME 2025 (matematisk resonnering) . På SWE-bench Pro, en sentral programvareteknisk referansetest, nådde den 62,1 – forbi GPT-5.5 (58.6) og kun omtrent 0,7 poeng bak Claude Opus 4.8 på den relaterte FrontierSWE-referansetesten (74,4 % vs 75,1 %) . Ifølge CNBC ligger GLM-5.2 innenfor ett prosentpoeng av Anthropics Opus 4.8 på en sentral agentisk referansetest, til omtrent en femtedel av kostnaden .

API-prisen er $1,40 per million input-tokens og $4,40 per million output-tokens , omtrent en sjettedel av kostnaden for GPT-5.5 via API . Mellomlagrede tokens koster $0,26 per million .

USAs eksportkontroll og skiftet mot kinesisk KI

GLM-5.2 ble tilgjengelig for abonnenter 13. juni 2026 – én dag etter at USAs handelsdepartement tvang Anthropic til å deaktivere Fable 5 globalt som følge av eksportkontrollrestriksjoner . Denne kontrasten gikk ikke upåaktet hen blant bedrifter. USAs eksportkontroll på avanserte KI-brikker (NVIDIA H100/B200 til Kina) har tvunget kinesiske laboratorier til å trene på nasjonal maskinvare som Huawei Ascend, samtidig som kinesiske modeller er unntatt fra amerikanske lisensieringsregler for re-eksport – noe som gir dem et etterlevelsesfortrinn i markeder hvor amerikanske KI-modeller møter restriksjoner .

Coinbases kostnadsstrategi: 50 % besparelse ved å velge åpne modeller som standard

Coinbase-sjef Brian Armstrong la offentlig frem bedriftstilfellet. 8. juni 2026 spådde han at 80 % av KI-arbeidsmengdene til slutt ville kjøres på åpne modeller, og argumenterte for at økonomien er uomtvistelig – spesielt når kinesiske åpne modeller leverer ytelse nær frontlinjen til en brøkdel av prisen . 27. juni detaljerte han Coinbases interne tilnærming: la ingeniører som standard bruke åpne kinesiske modeller som GLM-5.2 og Kimi 2.7, rute forespørsler intelligent via en LLM-gateway, og aggressivt mellomlagre svar .

Resultatene er slående. Coinbase kuttet interne KI-utgifter med omtrent 50 %, selv mens token-bruken vokste eksponentielt . Andelen treff i mellomlageret ble forbedret fra 5 % til 60 % . Selskapet innførte ingen bruksbegrensninger eller budsjettvarsler for ingeniører . Coinbase eksperimenterer nå med et internt "LLM Ops"-verktøy som ytterligere automatiserer modellvalg per oppgave .

Men strategien vakte skepsis. Kritikere pekte på uløste sikkerhetsrisikoer og geopolitiske spenninger – å rutine bedriftsforespørsler gjennom modeller skapt av et kinesisk statstilknyttet laboratorium medfører juridisk eksponering som ingen regulator ennå har avklart .

OpenRouter: Kinesiske modeller overgår USA i token-trafikk

Data fra OpenRouter viser en dramatisk ombalansering av KI-modellbruk i løpet av 2024–2026 . I juni 2025 hadde amerikanske modeller fra Google, OpenAI og Anthropic omtrent 70–80 % av token-andelen, mens kinesiske modeller lå rundt 10 % . I februar 2026 krysset kinesiske modeller omtrent 61 % av token-volumet blant topp 10-modellene . I juni 2026 prosesserte kinesiske modeller omtrent 18 billioner tokens ukentlig mot amerikanske modellers omtrent 5,5 billioner, med totalt ukentlig volum på omtrent 25 billioner . USAs andel kollapset til omtrent 30 % i løpet av 12 måneder . Sentrale kinesiske modeller som driver skiftet inkluderer DeepSeek, Qwen, MiniMax, Moonshot/Kimi, og nå GLM-5.2 .

De uløste sikkerhets- og juridiske risikoene

Den sentrale juridiske bekymringen er grei, men uløst. Z.ai (Zhipu AI) er et kinesisk selskap som er skilt ut fra Tsinghua University og tilknyttet Beijing Academy of Artificial Intelligence (BAAI) – enheter som er forankret i Kinas statlige KI-økosystem . Kinas nasjonale etterretningslov (2017) og datalov (2021) pålegger en generell plikt for alle kinesiske organisasjoner til å "støtte, bistå og samarbeide med statens etterretningsarbeid." Disse lovene er bredt utformet og har ekstraterritoriell rekkevidde.

Spesifikke risikovektorer som er sitert i mediedekning inkluderer: bedrifter som kjører selvhostede GLM-5.2-vekter kan fortsatt være juridisk forpliktet i henhold til kinesisk lov hvis de samhandler med noen kinesisk enhet for oppdateringer, telemetri eller støtte ; API-kall rutet gjennom kinesisk-hostede slutningspunkter passerer gjennom jurisdiksjoner hvor datatilgang fra statlige aktører er juridisk tillatt ; og Coinbases egen strategi har møtt offentlig motstand på grunn av "uløste sikkerhets- og juridiske risikoer" for selskaper som håndterer sensitiv finansiell data . Ingen amerikanske eller EU-regulatoriske retningslinjer har ennå definitivt tatt stilling til om bruk av kinesiske åpne modeller – selv når de er selvhostede – skaper ansvar under databeskyttelsesregimer eller sanksjonsrammeverk. Per slutten av juni 2026 forblir risikoen uløst, og bedrifter gjør sine egne vurderinger basert på modellens vertslokasjon, datasensitivitet og forsyningskjedeavhengigheter .