GLM-5.2采用7440亿参数的MoE架构,每个token大约有400亿个参数被激活。其100万token的上下文窗口完整可用,是GLM-5.1的20万token窗口的五倍。最大输出可达131,072个token。据多家媒体报道,该模型是在华为昇腾芯片上训练的,而非英伟达硬件,这个细节对供应链和出口管制有着重大意义。
在标准评测中,GLM-5.2 在人工分析智能指数(Artificial Analysis Intelligence Index)v4.1上拿到51分,是所有开源模型中最高分,领先于 MiniMax-M3(44分)、DeepSeek V4 Pro(44分)和 Kimi K2.6(43分)。它在 GPQA Diamond(研究生级别科学推理)上得到80.3%,在 AIME 2025(数学推理)上得到86.67%。在关键软件工程基准 SWE-bench Pro 上,它拿到62.1分,超过了 GPT-5.5(58.6分),在相关的 FrontierSWE 基准上也只比 Claude Opus 4.8 低约0.7个百分点(74.4% vs 75.1%)。据 CNBC 报道,GLM-5.2在关键智能体基准测试中与 Anthropic 的 Opus 4.8 相差不到一个百分点,但成本仅为后者约五分之一。
API 定价为:每百万输入token 1.40美元,每百万输出token 4.40美元,大约是 GPT-5.5 API 价格的六分之一。缓存token的价格为每百万0.26美元。
GLM-5.2于2026年6月13日对订阅用户开放——就在前一天,美国商务部根据出口管制规定,迫使 Anthropic 在全球关停其 Fable 5 模型。这个时间点上的鲜明对比,全世界的企业都看在眼里。美国对先进AI芯片(如英伟达 H100/B200)对华出口的限制,迫使中国实验室转向华为昇腾等国产硬件来训练模型;同时,这也让中国模型本身不受美国再出口许可规则的约束——在某些美国原产AI模型面临限制的市场中,中国模型反而拥有了合规优势。
Coinbase CEO Brian Armstrong 在公开场合阐述了企业端的逻辑。2026年6月8日,他预测未来80%的AI工作负载将由开源模型承担,他认为从经济角度看这无可辩驳——尤其是当中国的开源模型以极低的价格提供了接近顶尖水平的性能时。6月27日,他详细介绍了Coinbase的内部做法:通过LLM网关,将工程师默认使用的模型设置为 GLM 5.2 和 Kimi 2.7 等中国开源模型,并智能路由提示词、缓存响应结果。
效果惊人。在token使用量指数级增长的同时,Coinbase 的内部AI支出反而削减了约50%。缓存命中率从5%提升到了60%。公司没有对工程师设置任何使用上限或预算警报。Coinbase 目前还在尝试开发一款内部“LLM运维”工具,以进一步自动化按任务选择模型的工作。
不过,他的策略也引来了一些质疑。批评者指出了尚未解决的安全风险和地缘政治紧张因素——将企业提示词路由给一家与中国国有实验室有联系的模型,其中涉及的法律风险尚未得到任何监管机构的明确解释。
OpenRouter 的数据揭示了2024至2026年间AI模型使用情况的剧烈洗牌。2025年6月,谷歌、OpenAI 和 Anthropic 等美国模型占据了约70%-80%的token份额,中国模型仅占约10%。到2026年2月,中国模型在前十大模型中的token占比已跨过约61%。到了2026年6月,中国模型每周处理约18万亿token,而美国模型约5.5万亿,平台总周流量约25万亿。美国模型的份额在12个月内急剧下滑至约30%。推动这一变化的主要中国模型包括 DeepSeek、Qwen、MiniMax、Moonshot/Kimi,以及现在的 GLM-5.2。
核心的法律担忧很直接,但尚无定论。Z.ai(智谱AI)是一家从清华大学孵化出来的中国公司,与北京智源人工智能研究院(BAAI)关系密切——这些机构都深度嵌入了中国的官方AI生态系统。中国的《国家情报法》(2017年)和《数据安全法》(2021年)对所有中国组织施加了“支持、协助和配合国家情报工作”的一般性义务。这些法律的措辞宽泛,并具有域外效力。
媒体报道中提到的具体风险点包括:即使企业自行部署GLM-5.2权重,只要它们与任何中国实体就更新、遥测或技术支持进行交互,就可能仍需承担中国法律下的义务;通过中国托管推理端点进行的API调用,其数据可能会经过法律上允许国家行为体访问数据的司法管辖区;Coinbase 自身的策略因其“未解决的安全和法律风险”而受到公开质疑,尤其考虑到它处理的是敏感的金融数据。截至目前,美国或欧盟的监管机构尚未发布任何明确指导,来说明使用中国开源模型——即使是自行部署——是否会根据数据保护制度或制裁框架产生法律责任。截至2026年6月底,这一风险仍然悬而未决,各企业只能根据模型部署地点、数据敏感性和供应链依赖性等情况自行评估。