Vad är GLM-5.2? Z.ai:s flaggskepp med öppen vikt och 1M-kontext, två versioner senare

GLM-5.2 är en stor språkmodell med öppna vikter, enbart text, från Z.ai, laboratoriet i Peking som tidigare hette Zhipu AI, släppt den 16 juni 2026 under MIT-licensen. Det är en mixture-of-experts-modell med 753 miljarder parametrar och ett kontextfönster på en miljon tokens, och i ungefär två månader var den den starkaste kodningsmodellen med öppna vikter som gick att ladda ner. Den har inte längre den positionen, eftersom Z.ai sedan dess har släppt två efterföljare ovanpå den – vilket är den del som de flesta sidor om GLM-5.2 utelämnar, och den del som avgör om du fortfarande bör bry dig.

Fyrtiotre artiklar i den här bloggens arkiv nämner GLM-5.2. Fram till nu har inte en enda av dem handlat om den: modellen förekommer som motståndaren i jämförelse efter jämförelse, den fasta referenspunkt som nyare modeller mäts mot. Det är en märklig roll för en modell som dess egen tillverkare redan har gått vidare från, och det är anledningen till att den här sidan finns — en rak beskrivning av vad GLM-5.2 faktiskt är, vad den kostar, vad den är bra på, och vem som fortfarande borde välja den.

Var GLM-5.2 befinner sig i Z.ai:s egen serie

Z.ai publicerar en daterad utgivningslogg, och den är den renaste källan för detta. Läs den i ordning så är familjens form uppenbar:

• GLM-5 — 12 februari 2026. Den första GLM-5, inriktad på komplex systemteknik och långsiktiga agentuppgifter.
• GLM-5.1 — 7 april 2026. Långsiktigt arbete, kan köra självständigt i upp till åtta timmar i en enda körning.
• GLM-5.2 — 16 juni 2026. Flaggskeppet med 1M-kontext för långsiktiga uppgifter; Z.ai:s logg beskriver den som "1M förlustfri kontext, vilket avsevärt förbättrar förmågan vid långsiktiga uppgifter".
• GLM-5.3 — 18 augusti 2026. Samma basmodell som GLM-5.2, där vinsterna kommer från efterträning. Z.ai rapporterar en förbättring på 50 % jämfört med GLM-5.2 på sin interna Code Bench och state of the art för öppen källkod på Terminal Bench 3.0.
• GLM-5.3-Flash — 26 augusti 2026. En annan, mindre modell byggd på en nytränad bas (320B totalt, 18B aktiva), den första nativt multimodala GLM-5.

Den viktiga raden är posten för GLM-5.3. GLM-5.3 är inte en större GLM-5.2 – den är samma basvikter som drivits längre med efterträning. Det gör GLM-5.2 till den sista modellen i serien vars förmåga kom från arkitekturen, och det gör GLM-5.3 till det nuvarande flaggskeppet för text. Om du i dag väljer en Z.ai-modell enbart utifrån kvalitet, är GLM-5.3 svaret och inte GLM-5.2.

GLM-5.3-Flash är en separat gren snarare än en billigare GLM-5.3: en mindre modell med inbyggd multimodalitet (text, bild och video) som är prissatt en storleksordning under textflaggskeppen. Om du behöver datorseende är GLM-5.2 inte modellen du vill ha i något av fallen.

Specifikationsbladet

• Parametrar — 753B totalt, enligt modellkortet på zai-org/GLM-5.2-FP8. Z.ai anger inte antalet aktiva parametrar på det kortet; tredjepartslistningar anger det till nära 40B per token, och vi kunde inte bekräfta den siffran från en primärkälla.
• Kontextfönster — 1M token, beskrivs på kortet som "en robust kontext på 1M token som stabilt klarar långsiktigt arbete".
• Maximal utdata — 128K token.
• Modalitet — text in, text ut. Ingen bildinmatning, inget ljud. Vår egen katalogpost för modellen anger att den "endast stöder textinmatning".
• Licens — MIT, utan regionala begränsningar. Vikterna publiceras genom zai-org-organisationen på Hugging Face i BF16- och FP8-varianter.
• Resonemangsstyrning — ett hybridt tankeläge som drivs av en reasoning_effort-parameter med inställningarna high och max, med standardvärdet max. Inbyggt verktygsanrop och strukturerad utdata stöds.
• Arkitektur — IndexShare, som återanvänder en lättviktsindexerare över var fjärde sparse-attention-lager och, enligt modellkortet, minskar FLOPs per token med 2,9× vid full kontext; plus ett förbättrat multi-token-prediction-lager som ökar acceptanslängden för spekulativ avkodning med upp till 20 %.
• Träningshårdvara — pressbevakningen av lanseringen uppger att modellen tränades på Huawei Ascend-acceleratorer utan Nvidia-hårdvara. Det är ett påstående från nyhetsrapportering, inte från modellkortet, och vi för vidare det som sådant.

Vad GLM-5.2 är mätbart bra på

Nästan allt som GLM-5.2 är bra på är en kodnings- eller agentisk mätning, och siffrorna nedan är leverantörsrapporterade – de kommer från prestandatabellen på Z.ai:s eget modellkort, inte från en oberoende reproduktion.

• Terminal Bench 2.1 (Terminus-2) — 81,0, mot 63,5 för GLM-5.1. Det är det enskilt största generationsklivet i tabellen.
• SWE-bench Pro — 62,1, mot 58,4 för GLM-5.1.
• FrontierSWE (Dominans) — 74,4, mot 30,5 för GLM-5.1 och 72,6 för GPT-5.5.
• AIME 2026 — 99,2. GPQA-Diamond — 91,2. Båda är med marginal konkurrenskraftiga mot den slutna frontlinjen i Z.ai:s egen tabell.
• MCP-Atlas (publikt set) — 76,8, i stort sett i nivå med Claude Opus 4.8:s 77,8 i samma tabell.
• Återkallning i lång kontext — 78,3, vilket är det tal som spelar störst roll för 1M-token-fönstret. Fönstret är bara användbart om återkallningen håller på djupet, och Z.ai:s egen siffra säger att den mestadels gör det.

Den oberoende bilden är tunnare men verklig. Artificial Analysis anger GLM-5.2 till en Intelligence Index-poäng på 34 i deras Intelligence Index v4.3.2, vilket placerar den på 11:e plats av 114 modeller i dess klass. Två förbehåll hänger samman med den siffran, och Artificial Analysis anger båda själva: modellen är markerad som deprecated på deras sida, och de "fortsätter endast prestandabenchmarking för standardarbetsbelastningen på 10k indatatoken" — resultat för andra arbetsbelastningar är historiska och uppdateras inte längre. Vår egen katalogpost för modellen har en äldre utvärderingsögonblicksbild från 25 juni 2026 med en Intelligence-poäng på 33.7, vilket inte är samma indexrevision som den aktuella siffran och bör inte tolkas som en förändring av modellen.

Vad det är mätbart dåligt på

Tre saker, och de förtjänar att man är uppriktig om.

• Den är endast text. Ingen bildinmatning, ingen ljudinmatning. GLM-5.3-Flash är den multimodala modellen i den här familjen, och om din arbetsbelastning rör skärmbilder, PDF:er eller video är GLM-5.2 helt fel gren.
• Den förlorar stort på de mätningar för mjukvaruutveckling som har längst horisont och är svårast. På SWE-Marathon får den 13,0 mot Claude Opus 4.8:s 26,0. På DeepSWE får den 46,2 mot 58 för Claude Opus 4.8 och 70 för GPT-5.5. På NL2Repo får den 48,9 mot Opus 4.8:s 69,7. Dessa är alla leverantörsrapporterade siffror från samma tabell som visar att GLM-5.2 vinner på andra områden, vilket är det som gör dem trovärdiga: Z.ai publicerade dem bredvid sina egna vinster.
• Den har överträffats på de mätningar som gjorde den känd. GLM-5.3 använder samma bas och slår den på Z.ai:s egen Code Bench med 50 %, på Terminal Bench 3.0 och på Agents' Last Exam. GLM-5.2 är också flaggad som föråldrad hos Artificial Analysis.

En siffra vi inte kunde få fram: vi kunde inte bekräfta en aktuell oberoende mätning av genomströmning eller latens för GLM-5.2 från en källa som vi kunde öppna, så den här sidan anger ingen sådan i stället för att upprepa en siffra som vi inte kunde kontrollera.

Pris och var man kan köra det

Z.ais egen prislista, läst idag, listar GLM-5.2 till:

• Indata — $1,40 per miljon tokens
• Cachad indata — $0,26 per miljon tokens
• Utdata — $4,40 per miljon tokens

Lagring av cachad indata anges vara gratis under en begränsad tid. Observera att GLM-5.3 har exakt samma tre priser, så den nyare modellen är inte dyrare i Z.ai:s lista — vilket tar bort det vanliga skälet att stanna kvar på den äldre modellen.

Om tillgänglighet: modellen tillhandahålls via Z.ai:s egen OpenAI-kompatibla endpoint på api.z.ai/api/paas/v4/chat/completions, med officiella SDK:er för Python och Java, och vikterna kan laddas ner från Hugging Face för egen hosting under MIT. Utöver det är den tillgänglig via ett antal tredjepartsplattformar för inferens. Vi routar den: OrcaRouter har GLM-5.2 på sin modellsida till Z.ai:s leverantörspris utan påslag, så $1,40 / $4,40 ovan är vad du betalar via oss i stället för en uppprisad kopia av den. Samma nyckel når även resten av katalogen, vilket spelar roll här av en specifik anledning – se nedan.

Vem bör välja GLM-5.2, och vem bör välja något annat?

Välj GLM-5.2 om du självhostar och fönstret på 1M tokens är kravet snarare än benchmarkresultaten. MIT-licensen utan regionala begränsningar, de publicerade FP8-vikterna och IndexShare-attention-designen gör det till något genuint praktiskt att köra vid lång kontext, och återkallningssiffran på djupet är talet som rättfärdigar fönstret. Det är också ett rimligt val om du redan har en pipeline som är trimmad för dess reasoning_effort-beteende och kostnaden för att validera om promptar mot GLM-5.3 överstiger vinsten.

Välj GLM-5.3 istället om du köper tokens snarare än vikter och kvalitet är den enda axeln. Det är samma basmodell, bättre eftertränad, till identiska listpriser. Det finns inget prisargument för den äldre modellen på Z.ai:s egen prislista.

Välj GLM-5.3-Flash i stället om du behöver visuella funktioner, eller om du behöver det billigaste dugliga alternativet: det hanterar text, bild och video och är prissatt långt under båda textflaggskeppen.

Välj något helt annat om ditt arbete ligger i den svåra änden av långsiktig mjukvaruutveckling. I Z.ai:s egen publicerade tabell slår Claude Opus 4.8 GLM-5.2 på SWE-Marathon, DeepSWE, NL2Repo, SWE-bench Pro, ProgramBench och Tool-Decathlon; GPT-5.5 slår den på DeepSWE och ProgramBench. GLM-5.2:s segrar är verkliga, men de är koncentrerade till terminalbaserad agentisk kodning och resonemang, inte till maratonuppgifterna. Om din utvärdering ser ut som en två timmar lång agentkörning mot ett stort, obekant kodförråd, sluter prisfördelen med öppna vikter inte det gapet enligt dessa siffror.

Den praktiska sammanfattningen

GLM-5.2 är en textbaserad MoE-modell med 753B parametrar, MIT-licens och 1M-kontext, släppt den 16 juni 2026 för 1,40 / 4,40 USD per miljon tokens, med tillverkarens rapporterade Terminal Bench 2.1 på 81,0, SWE-bench Pro på 62,1 och ett oberoende Artificial Analysis Intelligence Index på 34. Det är den sista GLM-flaggskeppsmodellen vars förmåga kom från arkitektur snarare än efterträning, den har ersatts två gånger av sin egen tillverkare, och den är markerad som föråldrad i det oberoende index som betygsatte den.

Inget av detta gör den till en dålig modell. Det gör den till en avgjord sådan: den intressanta frågan om GLM-5.2 i september 2026 är inte huruvida den är bra, utan huruvida det specifika du behöver – en långkontext-, självhostbar, MIT-licensierad kodningsmodell – är värd mer för dig än de tre poäng GLM-5.3 lägger till ovanpå samma vikter. För de flesta tokenköpare är svaret nej. För alla som laddar ner vikter är det fortfarande ja.

Om du vill testa det själv utan att binda en produktionsväg till det, är routningslagret det billiga sättet att göra det: rikta samma begäran mot GLM-5.2 och GLM-5.3 via en och samma slutpunkt, jämför med dina egna prompter och låt automatisk failover hantera fallet där den äldre modellens slutpunkt är den som går ner.

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.