Czym jest GLM-5.2? Flagowy model Z.ai z otwartymi wagami i kontekstem 1M, dwie wersje później

GLM-5.2 to duży model językowy z otwartymi wagami, obsługujący wyłącznie tekst, od Z.ai, pekińskiego laboratorium znanego wcześniej jako Zhipu AI, wydany 16 czerwca 2026 r. na licencji MIT. To model typu mixture-of-experts o 753 miliardach parametrów i oknem kontekstowym mieszczącym milion tokenów, a przez około dwa miesiące był najsilniejszym modelem do kodowania z otwartymi wagami, jaki można było pobrać. Nie zajmuje już tej pozycji, ponieważ Z.ai wypuściło od tego czasu dwóch jego następców zbudowanych na jego bazie — a to jest część, którą pomija większość stron o GLM-5.2, i ta, która decyduje, czy nadal powinno cię to interesować.

Czterdzieści trzy artykuły w archiwum tego bloga wspominają o GLM-5.2. Do tej pory ani jeden z nich nie dotyczył jego samego: model pojawia się jako przeciwnik w porównaniu za porównaniem, stały punkt odniesienia, względem którego mierzy się nowsze modele. To dziwna rola dla modelu, którego jego własny twórca ma już za sobą, i to jest powód, dla którego istnieje ta strona — bezpośredni opis tego, czym GLM-5.2 faktycznie jest, ile kosztuje, w czym jest dobry i kto wciąż powinien go wybierać.

Gdzie w ofercie Z.ai plasuje się GLM-5.2

Z.ai publikuje datowany rejestr wydań i jest to najczystsze źródło do tego. Przeczytaj go po kolei, a kształt rodziny stanie się oczywisty:

• GLM-5 — 12 lutego 2026. Pierwszy GLM-5, ukierunkowany na złożoną inżynierię systemów i długodystansowe zadania agentowe.
• GLM-5.1 — 7 kwietnia 2026. Praca długoterminowa, zdolny do samodzielnego działania przez maksymalnie osiem godzin w jednym przebiegu.
• GLM-5.2 — 16 czerwca 2026. Flagowy model z kontekstem 1M do zadań długoterminowych; dziennik Z.ai opisuje go jako „bezstratny kontekst 1M, znacząco poprawiający możliwości w zadaniach długoterminowych”.
• GLM-5.3 — 18 sierpnia 2026. Ten sam model bazowy co GLM-5.2, a zyski pochodzą z post-trainingu. Z.ai raportuje 50% wzrost względem GLM-5.2 w swoim wewnętrznym Code Bench oraz najlepszy wśród otwartoźródłowych wynik na Terminal Bench 3.0.
• GLM-5.3-Flash — 26 sierpnia 2026. Inny, mniejszy model zbudowany na nowo wytrenowanej bazie (łącznie 320B, 18B aktywnych), pierwszy natywnie multimodalny GLM-5.

Ważny jest wiersz dotyczący GLM-5.3. GLM-5.3 nie jest większym GLM-5.2 — to te same wagi bazowe, doprowadzone dalej dzięki dodatkowemu treningowi po wstępnym treningu. To czyni GLM-5.2 ostatnim modelem w tej linii, którego możliwości wynikały z architektury, a GLM-5.3 — obecnym flagowym modelem tekstowym. Jeśli wybierasz dziś model Z.ai kierując się wyłącznie jakością, odpowiedzią jest GLM-5.3, a nie GLM-5.2.

GLM-5.3-Flash to osobna gałąź, a nie tańszy GLM-5.3: mniejszy, natywnie multimodalny model (tekst, obraz i wideo) wyceniony o rząd wielkości poniżej flagowych modeli tekstowych. Jeśli potrzebujesz możliwości wizualnych, GLM-5.2 tak czy inaczej nie jest modelem, którego szukasz.

Arkusz specyfikacji

• Parametry — łącznie 753B, zgodnie z kartą modelu pod adresem zai-org/GLM-5.2-FP8. Z.ai nie podaje na tej karcie liczby aktywnych parametrów; zestawienia firm trzecich szacują ją na około 40B na token i nie udało nam się potwierdzić tej wartości w źródle pierwotnym.
• Okno kontekstu — 1M tokenów, opisane na karcie jako „solidny kontekst 1M tokenów, który stabilnie podtrzymuje pracę w długim horyzoncie”.
• Maksymalne wyjście — 128K tokenów.
• Modalność — tekst na wejściu, tekst na wyjściu. Brak wejścia obrazowego, brak dźwięku. Nasz własny wpis katalogowy dotyczący tego modelu stwierdza, że „obsługuje wyłącznie wejście tekstowe”.
• Licencja — MIT, bez ograniczeń regionalnych. Wagi są udostępniane za pośrednictwem zai-org — organizacji na Hugging Face — w wariantach BF16 i FP8.
• Kontrola rozumowania — hybrydowy tryb myślenia sterowany przez reasoning_effort — parametr zhigh i max jako ustawieniami, domyślnie max. Obsługiwane są natywne wywoływanie narzędzi i ustrukturyzowane wyjście.
• Architektura — IndexShare, który ponownie wykorzystuje jeden lekki indekser w co czwartej warstwie rzadkiej uwagi i, zgodnie z kartą modelu, zmniejsza liczbę FLOP-ów na token o 2,9× przy pełnym kontekście; do tego ulepszona warstwa wielotokenowej predykcji, która zwiększa długość akceptacji dekodowania spekulatywnego nawet o 20%.
• Sprzęt szkoleniowy — relacje prasowe z premiery podają, że model był trenowany na akceleratorach Huawei Ascend, bez sprzętu Nvidii. To twierdzenie pochodzące z doniesień medialnych, a nie z karty modelu, i przekazujemy je właśnie jako takie.

W czym GLM-5.2 jest wymiernie dobry

Prawie wszystko, w czym GLM-5.2 jest dobry, to pomiary dotyczące kodowania lub działania agentowego, a liczby poniżej są raportowane przez dostawcę — pochodzą one z tabeli benchmarków na karcie modelu Z.ai, a nie z niezależnego odtworzenia.

• Terminal Bench 2.1 (Terminus-2) — 81,0 w porównaniu z 63,5 dla GLM-5.1. To największy skok międzypokoleniowy w tabeli.
• SWE-bench Pro — 62,1 w porównaniu z 58,4 dla GLM-5.1.
• FrontierSWE (Dominance) — 74,4 w porównaniu z 30,5 dla GLM-5.1 i 72,6 dla GPT-5.5.
• AIME 2026 — 99,2. GPQA-Diamond — 91,2. Oba wyniki są z powodzeniem konkurencyjne wobec zamkniętej czołówki w tabeli samego Z.ai.
• MCP-Atlas (zestaw publiczny) — 76,8, zasadniczo na poziomie 77,8 Claude Opus 4.8 w tej samej tabeli.
• Przywoływanie w długim kontekście — 78,3, czyli liczba, która ma największe znaczenie dla okna o długości 1M tokenów. Okno jest przydatne tylko wtedy, gdy przywoływanie utrzymuje się na głębokości, a własny wynik Z.ai wskazuje, że w większości tak jest.

Niezależny obraz jest uboższy, ale prawdziwy. Artificial Analysis notuje GLM-5.2 z wynikiem 34 w Intelligence Index na swoim Intelligence Index v4.3.2, co daje mu 11. miejsce wśród 114 modeli w swojej klasie. Z tą liczbą wiążą się dwa zastrzeżenia i Artificial Analysis samo podaje oba: model jest oznaczony jako przestarzały na ich stronie, a oni „kontynuują testy wydajności wyłącznie dla domyślnego obciążenia wejściowego o rozmiarze 10k tokenów” — wyniki dla innych obciążeń są historyczne i nie są już aktualizowane. Nasz własny wpis katalogowy dla tego modelu zawiera starszą migawkę oceny z 25 czerwca 2026 r. z wynikiem Intelligence 33,7, która nie pochodzi z tej samej rewizji indeksu co bieżąca wartość i nie należy jej odczytywać jako zmiany w modelu.

W czym jest wymiernie zły

Trzy rzeczy i warto powiedzieć je bez ogródek.

• Obsługuje wyłącznie tekst. Brak wejścia obrazu, brak wejścia audio. GLM-5.3-Flash to model multimodalny w tej rodzinie, a jeśli Twoje obciążenie obejmuje zrzuty ekranu, pliki PDF lub wideo, GLM-5.2 to całkowicie niewłaściwa gałąź.
• Przegrywa wyraźnie w pomiarach o najdłuższym horyzoncie i najtrudniejszych zadaniach inżynierii oprogramowania. W SWE-Marathon uzyskuje 13,0 wobec 26,0 Claude'a Opusa 4.8. W DeepSWE uzyskuje 46,2 wobec 58 dla Claude'a Opusa 4.8 i 70 dla GPT-5.5. W NL2Repo uzyskuje 48,9 wobec 69,7 Opusa 4.8. Wszystkie te wartości są podane przez dostawcę i pochodzą z tej samej tabeli, w której GLM-5.2 wygrywa w innych miejscach, i właśnie to czyni je wiarygodnymi: Z.ai opublikowało je obok własnych zwycięstw.
• Został wyparty w pomiarach, które go rozsławiły. GLM-5.3 korzysta z tej samej bazy i bije go o 50% w Code Bench firmy Z.ai, a także w Terminal Bench 3.0 i Agents' Last Exam. GLM-5.2 jest również oznaczony jako przestarzały w Artificial Analysis.

Jednej liczby nie udało nam się uzyskać: nie mogliśmy potwierdzić aktualnego niezależnego pomiaru przepustowości lub opóźnienia dla GLM-5.2 ze źródła, które udało nam się otworzyć, więc ta strona nie podaje żadnej, zamiast powtarzać liczbę, której nie mogliśmy sprawdzić.

Cena i gdzie to uruchomić

Własny cennik Z.ai, odczytany dzisiaj, podaje GLM-5.2 na poziomie:

• Wejście — 1,40 USD za milion tokenów
• Buforowane wejście — 0,26 USD za milion tokenów
• Wyjście — 4,40 USD za milion tokenów

Przechowywanie danych wejściowych w pamięci podręcznej jest wymienione jako bezpłatne przez ograniczony czas. Warto zauważyć, że GLM-5.3 ma dokładnie te same trzy stawki, więc nowszy model nie jest droższy na liście Z.ai — co eliminuje zwykły powód, by pozostawać przy starszym.

W kwestii dostępności: model jest udostępniany przez własny endpoint Z.ai zgodny z OpenAI pod adresem api.z.ai/api/paas/v4/chat/completions, z oficjalnymi zestawami SDK dla Pythona i Javy, a wagi można pobrać z Hugging Face do samodzielnego hostowania na licencji MIT. Poza tym jest dostępny za pośrednictwem szeregu zewnętrznych platform inferencyjnych. My go routujemy: OrcaRouter udostępnia GLM-5.2 na swojej stronie modelu w stawce dostawcy Z.ai bez żadnej marży, więc podane wyżej $1.40 / $4.40 to kwota, którą płacisz u nas, a nie podrożona jego kopia. Ten sam klucz daje też dostęp do pozostałej części katalogu, co ma tu znaczenie z konkretnego powodu — patrz poniżej.

Kto powinien wybrać GLM-5.2, a kto powinien wybrać coś innego

Wybierz GLM-5.2, jeśli hostujesz samodzielnie i wymogiem jest okno 1 mln tokenów, a nie wyniki benchmarków. Licencja MIT bez ograniczeń regionalnych, opublikowane wagi FP8 i projekt mechanizmu uwagi IndexShare czynią go naprawdę praktycznym rozwiązaniem do uruchamiania w długim kontekście, a wskaźnik przywołania na głębokości to wartość, która uzasadnia to okno. To również rozsądny wybór, jeśli masz potok już dostrojony do jego reasoning_effort i powiązanego z nim zachowania, a koszt ponownej walidacji promptów względem GLM-5.3 przewyższa zysk.

Wybierz zamiast tego GLM-5.3, jeśli kupujesz tokeny, a nie wagi, a jakość to jedyne kryterium. To ten sam model bazowy, lepiej dostrojony po treningu wstępnym, w identycznych cenach katalogowych. Nie ma żadnego argumentu cenowego za starszym modelem we własnym cenniku Z.ai.

Zamiast tego wybierz GLM-5.3-Flash jeśli potrzebujesz obsługi wizji albo najtańszej odpowiedniej opcji: obsługuje tekst, obrazy i wideo, a jego cena jest znacznie niższa niż w przypadku obu flagowych modeli tekstowych.

Wybierz coś zupełnie innego, jeśli twoja praca znajduje się na trudnym końcu długoterminowej inżynierii oprogramowania. W opublikowanej przez samo Z.ai tabeli Claude Opus 4.8 bije GLM-5.2 w SWE-Marathon, DeepSWE, NL2Repo, SWE-bench Pro, ProgramBench i Tool-Decathlon; GPT-5.5 bije go w DeepSWE i ProgramBench. Zwycięstwa GLM-5.2 są prawdziwe, ale koncentrują się na kodowaniu agentowym w stylu terminala i rozumowaniu, a nie na zadaniach maratonu. Jeśli twoja ocena wygląda jak dwugodzinne uruchomienie agenta wobec dużego nieznanego repozytorium, przewaga cenowa otwartych wag nie zamyka tej luki przy tych liczbach.

Praktyczne podsumowanie

GLM-5.2 to wyłącznie tekstowy model MoE o 753 mld parametrów, na licencji MIT, z kontekstem 1M, wydany 16 czerwca 2026 r. w cenie 1,40 / 4,40 USD za milion tokenów, z raportowanymi przez dostawcę wynikami Terminal Bench 2.1 na poziomie 81,0 i SWE-bench Pro na poziomie 62,1 oraz niezależnym Artificial Analysis Intelligence Index na poziomie 34. To ostatni flagowy model GLM, którego możliwości pochodziły z architektury, a nie z treningu następczego; został dwukrotnie zastąpiony przez własnego twórcę i jest oznaczony jako przestarzały w niezależnym indeksie, który go ocenił.

Nic z tego nie czyni go złym modelem. Czyni go modelem ustalonym: ciekawe pytanie dotyczące GLM-5.2 we wrześniu 2026 nie brzmi, czy jest dobry, lecz czy konkretna rzecz, której potrzebujesz — model do kodowania z długim kontekstem, możliwy do samodzielnego hostowania i objęty licencją MIT — jest dla ciebie warta więcej niż trzy punkty, które GLM-5.3 dodaje do tych samych wag. Dla większości nabywców tokenów odpowiedź brzmi: nie. Dla każdego, kto pobiera wagi, nadal brzmi: tak.

Jeśli chcesz to przetestować samodzielnie, nie angażując w to ścieżki produkcyjnej, warstwa routingu jest tanim sposobem, by to zrobić: skieruj to samo żądanie do GLM-5.2 i GLM-5.3 przez jeden endpoint, porównaj na własnych promptach i pozwól automatycznemu przełączaniu awaryjnemu obsłużyć przypadek, w którym to endpoint starszego modelu ulega awarii.

Call GLM-5.2 through OrcaRouter at the Z.ai provider rate, zero markup. https://www.orcarouter.ai/models/z-ai/glm-5.2 One API key reaches GLM-5.2, GLM-5.3 and 200+ other models, with automatic failover if an endpoint goes down.