Arkitektur og nøkkelspesifikasjoner

GLM-5.2 er bygget på en såkalt Mixture-of-Experts-arkitektur (MoE). Dette designvalget balanserer rå ytelse med effektivitet under kjøring. Offisielle spesifikasjoner bekrefter totalt rundt 753 milliarder parametere, men bare cirka 40 milliarder er aktive per token . Denne spredte aktiveringen er nøkkelen til modellens gunstige pris.

Kjernespesifikasjoner:

• Parametere: ~753 mrd. totalt, ~40 mrd. aktive per token
• Kontekstvindu: 1 048 576 tokens (et fullverdig 1M kontekstvindu)
• Maksimalt antall output-tokens: 128K–131K (kildene er noe delte)
• Lisens: MIT, som tillater ubegrenset kommersiell bruk og forskning
• Resonneringsmoduser: "High" (effektiv) og "Max" (maksimal resonneringskraft) for å balansere hastighet og dybde

En sentral arkitektonisk innovasjon er «IndexShare»-mekanismen. For å gjøre det massive kontekstvinduet på én million tokens økonomisk bærekraftig, gjenbruker Z.ai en lettvekts-indekserer på tvers av hvert fjerde «sparse-attention»-lag. Ifølge tekniske gjennomganger reduserer dette trikset datakraftbehovet per token med en faktor på omtrent 2,9 ved full 1M kontekstlengde, noe som forhindrer ytelsesforringelsen som ofte plager modeller med lang kontekst .

Benchmark-ytelse: I ring med de beste

Z.ai stilte GLM-5.2 direkte opp mot GPT-5.5 og Claude Opus 4.8. Resultatene i tabellen nedenfor er selvrapportert av Z.ai, inkludert tallene de oppgir for sine konkurrenter. De representerer én enkelt leverandørs målinger og er ikke uavhengig reprodusert av de konkurrerende laboratoriene .

Hovedfunn fra tallene

GLM-5.2 leder foran GPT-5.5 på flere kode- og resonneringsevalueringer. På SWE-bench Pro oppnår den 62,1 mot GPT-5.5s 58,6 . På FrontierSWE, en krevende 20-timers benchmark for autonom utvikling, får den 74,4 mot GPT-5.5s 72,6 . I matematikk oppnår den nærmest perfekte 99,2 på AIME 2026, og slår dermed begge sine amerikanske konkurrenter .

Avstanden til Claude Opus 4.8 har krympet dramatisk på agentisk koding. Mens Opus 4.8 fortsatt har en klar ledelse på flere benchmarks – spesielt SWE-bench Pro med 69,2 mot GLM-5.2s 62,1 – er resultatene på langsiktige agentoppgaver mye jevnere. På FrontierSWE ligger GLM-5.2 bare 0,7 poeng bak Opus 4.8 (74,4 mot 75,1) . På MCP-Atlas halter den kun 0,8 poeng etter (77,0 mot 77,8) .

Generasjonsspranget fra GLM-5.1 er enormt. Den mest dramatiske forbedringen er på Terminal-Bench 2.1, der GLM-5.2s poengsum på 81,0 representerer et hopp på 19 poeng fra forrige generasjons 62,0 . Dette gjør GLM-5.2 til den første åpne modellen som bryter 80 %-grensen på denne benchmarken .

Det er viktig å merke seg hvor GLM-5.2 fortsatt henger etter. På de aller tøffeste og mest langvarige oppgavene, som SWE-Marathon (ultralange ingeniøroppgaver), leder Opus 4.8 med 26,0 % mot 13,0 % – et betydelig gap som indikerer at de amerikanske toppmodellene fremdeles har et forsprang i pålitelighet over svært lange agentiske økter .

Pris og tilgjengelighet: Økonomien i åpen tilgang

GLM-5.2s konkurransefortrinn handler like mye om pris som ytelse.

• API-pris: Tilgjengelig via Z.ais GLM Coding Plan (Lite, Pro, Max og Team-nivåer), koster modellen omtrent $4,40 per million output-tokens . Sammenlignet med GPT-5.5s offisielle priser, representerer dette en reduksjon i driftskostnader på rundt 83 % .
• Åpne vekter på Hugging Face: De fullstendige vektene er tilgjengelige for nedlasting på zai-org/GLM-5.2 under MIT-lisensen, inkludert en kvantisert FP8-versjon for enklere lokal kjøring . Plattformen ModelScope speiler også vektene for brukere i Kina .
• Tredjeparts økosystem: Utover Z.ais egen infrastruktur er modellen tilgjengelig gjennom Cloudflare Workers AI og støttes i over 20 forskjellige kodemiljøer og hostingtjenester, som Modular Cloud og Featherless.ai, som tilbyr flatpris for servering med lang kontekst .

Denne kombinasjonen av en tillatende MIT-lisens og en infrastruktur-uavhengig distribusjonsmodell lar utviklere selvhoste modellen, integrere den i CI/CD-rørledninger og unngå leverandørbinding – en skarp kontrast til den lukkede, API-baserte tilgangen til hovedkonkurrentene.

Det strategiske bakteppet: Åpne modeller og KI-kappløpet mellom USA og Kina

Tidspunktet for lanseringen av GLM-5.2 var like symbolsk som den var teknisk. Modellen ble sluppet i samme uke som den amerikanske regjeringen skjerpet restriksjonene mot Anthropics Claude Fable 5, et trekk som angivelig var påvirket av samtaler mellom Amazons administrerende direktør og Det hvite hus . Kontrasten var tilsiktet og slående: en fullstendig åpen kinesisk toppmodell som ankommer idet USA strammer grepet om et ledende amerikansk laboratorium.

Grunnleggeren av Z.ai presenterte den MIT-lisensierte utgivelsen med slagordet «Frontier Intelligence Belongs to Everyone» (Spisskompetanse innen KI tilhører alle) , og rammet dermed inn GLM-5.2 som både en teknisk milepæl og en politisk uttalelse i den eskalerende teknologikonkurransen mellom USA og Kina.

GLM-5.2 eksisterer ikke i et vakuum. Den er den siste i en rekke stadig mer kapable åpne modeller fra kinesiske laboratorier – en liste som inkluderer DeepSeek, Alibabas Qwen og Baidus ERNIE – som systematisk reduserer ytelsesgapet til proprietære amerikanske modeller, samtidig som de tilbyr ubegrenset tilgang til radikalt lavere priser .

Arkitektur og nøkkelspesifikasjoner

GLM-5.2 er bygget på en såkalt Mixture-of-Experts-arkitektur (MoE). Dette designvalget balanserer rå ytelse med effektivitet under kjøring. Offisielle spesifikasjoner bekrefter totalt rundt 753 milliarder parametere, men bare cirka 40 milliarder er aktive per token . Denne spredte aktiveringen er nøkkelen til modellens gunstige pris.

Kjernespesifikasjoner:

• Parametere: ~753 mrd. totalt, ~40 mrd. aktive per token
• Kontekstvindu: 1 048 576 tokens (et fullverdig 1M kontekstvindu)
• Maksimalt antall output-tokens: 128K–131K (kildene er noe delte)
• Lisens: MIT, som tillater ubegrenset kommersiell bruk og forskning
• Resonneringsmoduser: "High" (effektiv) og "Max" (maksimal resonneringskraft) for å balansere hastighet og dybde

En sentral arkitektonisk innovasjon er «IndexShare»-mekanismen. For å gjøre det massive kontekstvinduet på én million tokens økonomisk bærekraftig, gjenbruker Z.ai en lettvekts-indekserer på tvers av hvert fjerde «sparse-attention»-lag. Ifølge tekniske gjennomganger reduserer dette trikset datakraftbehovet per token med en faktor på omtrent 2,9 ved full 1M kontekstlengde, noe som forhindrer ytelsesforringelsen som ofte plager modeller med lang kontekst .

Benchmark-ytelse: I ring med de beste

Z.ai stilte GLM-5.2 direkte opp mot GPT-5.5 og Claude Opus 4.8. Resultatene i tabellen nedenfor er selvrapportert av Z.ai, inkludert tallene de oppgir for sine konkurrenter. De representerer én enkelt leverandørs målinger og er ikke uavhengig reprodusert av de konkurrerende laboratoriene .

Hovedfunn fra tallene

GLM-5.2 leder foran GPT-5.5 på flere kode- og resonneringsevalueringer. På SWE-bench Pro oppnår den 62,1 mot GPT-5.5s 58,6 . På FrontierSWE, en krevende 20-timers benchmark for autonom utvikling, får den 74,4 mot GPT-5.5s 72,6 . I matematikk oppnår den nærmest perfekte 99,2 på AIME 2026, og slår dermed begge sine amerikanske konkurrenter .

Avstanden til Claude Opus 4.8 har krympet dramatisk på agentisk koding. Mens Opus 4.8 fortsatt har en klar ledelse på flere benchmarks – spesielt SWE-bench Pro med 69,2 mot GLM-5.2s 62,1 – er resultatene på langsiktige agentoppgaver mye jevnere. På FrontierSWE ligger GLM-5.2 bare 0,7 poeng bak Opus 4.8 (74,4 mot 75,1) . På MCP-Atlas halter den kun 0,8 poeng etter (77,0 mot 77,8) .

Generasjonsspranget fra GLM-5.1 er enormt. Den mest dramatiske forbedringen er på Terminal-Bench 2.1, der GLM-5.2s poengsum på 81,0 representerer et hopp på 19 poeng fra forrige generasjons 62,0 . Dette gjør GLM-5.2 til den første åpne modellen som bryter 80 %-grensen på denne benchmarken .

Det er viktig å merke seg hvor GLM-5.2 fortsatt henger etter. På de aller tøffeste og mest langvarige oppgavene, som SWE-Marathon (ultralange ingeniøroppgaver), leder Opus 4.8 med 26,0 % mot 13,0 % – et betydelig gap som indikerer at de amerikanske toppmodellene fremdeles har et forsprang i pålitelighet over svært lange agentiske økter .

Pris og tilgjengelighet: Økonomien i åpen tilgang

GLM-5.2s konkurransefortrinn handler like mye om pris som ytelse.

• API-pris: Tilgjengelig via Z.ais GLM Coding Plan (Lite, Pro, Max og Team-nivåer), koster modellen omtrent $4,40 per million output-tokens . Sammenlignet med GPT-5.5s offisielle priser, representerer dette en reduksjon i driftskostnader på rundt 83 % .
• Åpne vekter på Hugging Face: De fullstendige vektene er tilgjengelige for nedlasting på zai-org/GLM-5.2 under MIT-lisensen, inkludert en kvantisert FP8-versjon for enklere lokal kjøring . Plattformen ModelScope speiler også vektene for brukere i Kina .
• Tredjeparts økosystem: Utover Z.ais egen infrastruktur er modellen tilgjengelig gjennom Cloudflare Workers AI og støttes i over 20 forskjellige kodemiljøer og hostingtjenester, som Modular Cloud og Featherless.ai, som tilbyr flatpris for servering med lang kontekst .

Denne kombinasjonen av en tillatende MIT-lisens og en infrastruktur-uavhengig distribusjonsmodell lar utviklere selvhoste modellen, integrere den i CI/CD-rørledninger og unngå leverandørbinding – en skarp kontrast til den lukkede, API-baserte tilgangen til hovedkonkurrentene.

Det strategiske bakteppet: Åpne modeller og KI-kappløpet mellom USA og Kina

Tidspunktet for lanseringen av GLM-5.2 var like symbolsk som den var teknisk. Modellen ble sluppet i samme uke som den amerikanske regjeringen skjerpet restriksjonene mot Anthropics Claude Fable 5, et trekk som angivelig var påvirket av samtaler mellom Amazons administrerende direktør og Det hvite hus . Kontrasten var tilsiktet og slående: en fullstendig åpen kinesisk toppmodell som ankommer idet USA strammer grepet om et ledende amerikansk laboratorium.

Grunnleggeren av Z.ai presenterte den MIT-lisensierte utgivelsen med slagordet «Frontier Intelligence Belongs to Everyone» (Spisskompetanse innen KI tilhører alle) , og rammet dermed inn GLM-5.2 som både en teknisk milepæl og en politisk uttalelse i den eskalerende teknologikonkurransen mellom USA og Kina.

GLM-5.2 eksisterer ikke i et vakuum. Den er den siste i en rekke stadig mer kapable åpne modeller fra kinesiske laboratorier – en liste som inkluderer DeepSeek, Alibabas Qwen og Baidus ERNIE – som systematisk reduserer ytelsesgapet til proprietære amerikanske modeller, samtidig som de tilbyr ubegrenset tilgang til radikalt lavere priser .