Qwen 3.8 vs GLM-5.2: 生のスケール vs リーンで監査済みのオープンモデル

2026年で最も話題になっている2つの中国のモデルは、どちらもスパースMixture-of-Expertsシステムであり、どちらもオープンウェイトを約束し、価格で西洋の最先端を下回っています。しかし、その哲学はまったく異なっています。AlibabaのQwen3.8-Maxは、2026年7月19日に上海で開催されたワールドAIカンファレンスでプレビューされ、圧倒的な規模に賭けています。約2.4兆のパラメータと、初期テスターが愛した執拗な徹底性を備えています。ZhipuのGLM-5.2は正反対に賭けています。Artificial Analysisがすでに評価した、アクティブパラメータ400億のスリムな設計であり、際立ったエージェント結果と今日すぐに入手できるウェイトを備えています。これは効率性と生のサイズの対決であり、この2つのモデルは異常に明確な競争を生み出しています。

以下すべてを形作る要点：GLM-5.2は手の内をすべて見せるが、Qwen 3.8はほとんどのカードを伏せたままにしている。ビルダーへの注意—どちらが自分のスタックに合うかを判断する正直な方法は、両方を自分のプロンプトで実行することだ。OrcaRouterは、1つのOpenAI互換エンドポイントの背後で200以上のモデルを提供しているため、あなたは対決させることができるQwen 3.8GLM-5.2と、同じタスクで、2つのSDKを配線することなく

簡潔なまとめGLM-5.2は、今すぐ実際に使える実用的なオープンウェイトエージェントモデルです。Artificial Analysisによると、監査済みのIntelligence Index 51、強力なTerminal-Bench 2.1（82.7）、低価格の$0.95 / $3.00料金、1Mコンテキスト、そして決定的なことにすでに公開されているオープンウェイト、わずか40Bのアクティブパラメータで実現しています。Qwen 3.8 Maxはより大きな賭けです：約2.4Tの総パラメータと最高級の実践的な品質を誇りますが、アクティブパラメータ数を隠しており、独立したベンチマークがなく、テスターが実行した中で最も遅いモデルであり、そのウェイトはまだ「近日公開」です。GLMは効率性の有効性を証明しています。Qwenはスケールを信じるよう求めています。

重要なポイント

• GLM-5.2（Zhipu）は753B-total / 40B-active MoEであり、監査済みAA知能指数51とTerminal-Bench 2.1スコア82.7（出典：Artificial Analysis）；Qwen 3.8 Maxは約2.4TのMoEプレビューで、アクティブパラメータ数は非公開であり、監査済みスコアはありません。

•  GLM-5.2の重みは 本日公開され、ダウンロード可能です（2026年6月リリース）；Qwen 3.8の重みは「近日公開」と約束されていますが、まだリリースされていません（約1.2TB、自己ホストには8台以上のH200 GPUが必要）。

• 価格はGLMに有利: $0.95 / $3.00 1Mトークンあたり (AA blended ~$0.90)。Qwen 3.8のプレビューは大幅割引中 (~90%オフ) だが、公開されたトークンあたりのAPI価格はない、また割引は一時的である。

• エージェント的/端末作業において、GLM-5.2の82.7 Terminal-Benchは具体的で審査された強みです。Qwen 3.8の強みは徹底性と創造的なワンショットです — 実技テストでは印象的ですが、しかし未監査で遅い。

• 両方とも中国製のオープンウェイトMoEモデルで、100万トークンのコンテキストを謳っています。実際の違いは効率的で実績のある (GLM) 対 大きくて未実証の (Qwen)。

Qwen 3.8の数値はベンダーの主張または初期の制御されていないハンズオンインプレッション — 独立監査を受けたものではありません。GLM-5.2の数値はArtificial Analysisからのものであり、Zhipu自身の報告とは異なる可能性があります。Qwen 3.8のプレビュー価格は一時的な割引です；予算を立てる前にトークン単価を確認してください。Qwenは政治的に敏感なトピックについてCCPに合わせたコンテンツガードレールを備えていることに注意してください。

スペックと価格、並べて比較

こちらがハードデータです。各GLM-5.2の数値はその出典元に帰属しています。

• メーカー / ステータス — Qwen 3.8 Max: Alibaba; プレビュー (2026年7月19日); GLM-5.2: Zhipu; 2026年6月リリース

• アーキテクチャ — Qwen 3.8 Max: 約2.4Tパラメータ、スパースMoE; GLM-5.2: 753Bパラメータ、スパースMoE (Artificial Analysis)

• 有効パラメータ — Qwen 3.8 Max: Alibabaによる非公開; GLM-5.2: 400億アクティブ (Artificial Analysis)

• コンテキストウィンドウ — Qwen 3.8 Max: 〜100万トークンと報告（正式には未確認）、GLM-5.2: 100万トークン（Artificial Analysis）

•  AA Intelligence Index — Qwen 3.8 Max: まだありません — 未評価; GLM-5.2: 51 (Artificial Analysis)

•  Terminal-Bench 2.1 — Qwen 3.8 Max: 公開数値なし; GLM-5.2: 82.7 (Artificial Analysis)

• 価格（入力/出力）— Qwen 3.8 Max: プレビューのみ（約90%オフ、トークンあたりのAPIは未公開）; GLM-5.2: $0.95 / $3.00 1Mあたり（AA blended ~$0.90）

• オープンウェイト — Qwen 3.8 Max: 「近日公開」と約束（未リリース）; GLM-5.2: はい — リリース済み、本日ダウンロード可能

• 速度 — Qwen 3.8 Max: テストした中で最も遅いモデル (実機レビュー); GLM-5.2: Lean 40B active — 設計上効率的

この対決を形作る二つの要素があります。まず、「アクティブパラメータ」の行が、二つの哲学の衝突点です。GLM-5.2はフロンティアエージェント的な作業を行い — Terminal-Bench 2.1で82.7という真剣なスコア — わずか40Bアクティブパラメータであり、公開された検証可能な数値です。Qwen 3.8は約2.4Tの総パラメータを持っていますが、アクティブなパラメータ数を公表していないため、その効率性を全く評価できません。一方のモデルは効率的であることを証明しており、もう一方はそれを前提とせざるを得ません。

第二に、実際の導入を決定するすべての要素は、現時点ではGLMに有利に傾いている。GLMには監査済みの指標（51）があるが、Qwenには空白がある。GLMには公開され、安定した価格（$0.95 / $3.00）があるが、Qwenには一時的な割引とAPIレートがない。そしてGLMの重みはすでに公開されており、Qwenの重みは将来の約束にすぎない。Qwen 3.8の対抗手段は、規模の大きさと、その規模がもたらすと思われる徹底性である——品質重視の作業では真の強みだが、中立なスコアボードがまだ確認していないものである。

効率対生の規模

この比較の核心は、この分野が繰り返し問いかけている疑問、すなわち「最先端の作業には最先端規模のパラメータが必要か？」という点にある。GLM-5.2は、それが不要であることを示す最近の最も有力な論拠である。トークンあたり40Bのアクティブ計算を行い、Terminal-Bench 2.1で82.7を記録している。これは、Artificial Analysisによると、現時点で最も優れたエージェント/ターミナル系の結果の一つであり、監査済み総合指標で51を獲得している。これは、アクティブパラメータの規模を大きく上回る性能を発揮する、無駄のない集中型モデルであり、オープンウェイトであるため、チームは2.4Tの巨大モデルを必要とするよりもはるかに少ないハードウェアでダウンロード、検査、実行できる。

Qwen 3.8は別の道を選んだ。その強みは圧倒的な規模にあり、ハンズオン検証では、その規模は速度よりも徹底さとして現れた。あるアーキテクチャ理解タスクで、レビュアー（Trilogy AI）がQwen 3.8とKimi K3を比較したところ、QwenはKimiの83に対し80/100とスコアで劣るが、明らかに網羅的だった——リポジトリ引用数は354対274、ツール呼び出しの失敗はゼロ対Kimiの2件——その代償としてレイテンシが高く、総トークン数も多かった。別のレビュアー（thomas-wiegold.com）は「非常に優れているが非常に遅い」と評し、自分が使った中で最も遅いモデルでありながら、最上位能力層に位置づけた。これこそQwenの賭けを縮図にしたものだ：より深く掘り下げ、より多く引用し、見落としを減らす——しかし時間とトークン、そして（今のところは）検証不能な主張という代償を払う。

エージェント的な用途（ターミナルループ、ツール多用のパイプライン、セルフホストデプロイメント）において、GLM-5.2の具体的なTerminal-Bench 82.7のスコア、小さなアクティブフットプリント、公開された重みという組み合わせは、今日の時点では説得力があります。Qwen 3.8の緻密さは、深く品質重視の研究やコーディングにおいて、レイテンシを許容できる場合には本当に価値がありますが、それは信頼に基づいて購入していることになります。監査済みスコアがなく、アクティブパラメータが非公開で、重みも未公開、そしてデリケートな話題に対してはCCPに沿ったガードレールがあるからです。測定可能な効率は、測定できないスケールに勝ります。

よくある質問

Qwen 3.8 は GLM-5.2 よりも優れていますか？

今日存在する証拠に基づけば、GLM-5.2の方が安全な選択肢です。これは、監査済みのArtificial Analysis Intelligence Indexで51、強力なTerminal-Bench 2.1で82.7を記録しており、さらに今すぐ実行可能なオープンウェイトを備えています。Qwen 3.8は、深く質重視のタスクにおいてこれに匹敵するか、上回る可能性があります（初期テスターはその徹底度を高く評価しています）が、独立したスコアがなく、アクティブパラメータ数を隠しており、実機テストでは最も遅いモデルでした。理論上の可能性と実績のある利用可能なものとの比較：GLMが現在形で勝利します。

どちらかをダウンロードしてセルフホストすることはできますか？

GLM-5.2のウェイトは公開されており、すでにリリースされています（2026年6月）。40Bのアクティブパラメータを持つため、2.4Tモデルと比較してセルフホストがはるかに現実的です。Qwen 3.8のオープンウェイトは「近日公開」と約束されていますが、まだリリースされていません。たとえリリースされても、約2.4Tのモデルは4ビットで約1.2TBになり、8台以上のH200 GPUが必要で、ほとんどのチームにとって手の届かないものです。今日セルフホストが重要なら、GLMが唯一の現実的な選択肢です。

どちらの方が安いですか？

GLM-5.2は、明確で持続可能な価格設定があります：1Mトークンあたり$0.95/$3.00、Artificial Analysisのブレンドレートは約$0.90です。Qwen 3.8のプレビュー版は大幅に割引されています（約90%オフ、一晩で最大約98%オフ）が、公開されているトークン単位のAPI価格はなく、割引は一時的です。そのため、GLMを中心に確信を持って予算を組むことができますが、Qwenについてはまだできません。

エージェント作業とターミナル作業では、どちらが優れていますか？

GLM-5.2は、現在の証拠に基づく。その82.7 Terminal-Bench 2.1（Artificial Analysisによる）は具体的で審査済みのエージェント結果であり、アクティブフットプリントが小さく重みも公開されているため、ツールを多用するループに展開しやすい。Qwen 3.8は実地テストで強力なツール使用を示している（あるレビューではツール呼び出しの失敗はゼロ）が、同等に監査されたエージェントスコアはない。

今日はどちらを使うべきですか？

GLM-5.2は、エージェント型パイプライン、セルフホスティング、コスト重視の本番環境、そして今すぐ実績のあるダウンロード可能なモデルが必要なあらゆる場面に適しています。Qwen 3.8は、深く品質優先の研究やコーディングにおいて、その徹底性が効果を発揮し、遅い実行を許容できる場合に適しており、また、その重みと最初の独立したスコアが到着した時のために選択肢を残しておくことができます。

結論

Qwen 3.8 対 GLM-5.2は効率と生のスケールの対決であり、現在、効率がポイントで勝っています。GLM-5.2はその全貌を見せています——40Bのアクティブパラメータでフロンティア・エージェント的な仕事をこなし、監査済みのインデックス51、82.7のTerminal-Bench、安価で安定した価格設定、そして今日ダウンロード可能なオープンウェイトを備えています。Qwen 3.8は、2.4Tという圧倒的な規模とテスターが心から賞賛する徹底性に頼っていますが、アクティブパラメータ数を非表示にしており、独立したスコアはなく、レビュアーがこれまで使ったどのものよりも出荷が遅く、ウェイトはまだ約束にすぎません。GLM-5.2は、現在入手可能な実用的なオープンウェイトのエージェンティックな選択肢です。一方、Qwen 3.8は、ウェイトと実際のスコアがまだ必要で、自らを正当化しなければならない大きな賭けです。両方に注目してください——それらが実現するまでは、自分のプロンプトで両方を並行して実行し、パラメータ数ではなく結果に判断を委ねてください。