GLM-5.2 คืออะไร? เรือธงโอเพนเวตบริบท 1M ของ Z.ai หลังจากผ่านมาสองเวอร์ชัน

GLM-5.2 เป็นโมเดลภาษาขนาดใหญ่แบบข้อความล้วนและเป็นโอเพนเวตจาก Z.ai ห้องแล็บในปักกิ่งที่เดิมรู้จักในชื่อ Zhipu AI เปิดตัวเมื่อวันที่ 16 มิถุนายน 2026 ภายใต้สัญญาอนุญาต MIT เป็นโมเดลแบบ mixture-of-experts ที่มีพารามิเตอร์ 753 พันล้านตัว พร้อมหน้าต่างบริบทขนาด 1 ล้านโทเคน และในช่วงราวสองเดือน มันเป็นโมเดลเขียนโค้ดแบบโอเพนเวตที่แข็งแกร่งที่สุดที่ใครก็ดาวน์โหลดได้ ตอนนี้มันไม่ได้ครองตำแหน่งนั้นแล้ว เพราะนับจากนั้น Z.ai ได้ปล่อยรุ่นสืบทอดสองรุ่นต่อจากมัน ซึ่งเป็นส่วนที่เพจส่วนใหญ่เกี่ยวกับ GLM-5.2 ละไว้ และเป็นส่วนที่ตัดสินว่าคุณยังควรให้ความสนใจมันอยู่หรือไม่

มีบทความสี่สิบสามชิ้นในคลังของบล็อกนี้ที่กล่าวถึง GLM-5.2 จนถึงตอนนี้ ยังไม่มีสักชิ้นที่พูดถึงมันโดยตรง: โมเดลนี้ปรากฏตัวในฐานะคู่ต่อสู้ในการเปรียบเทียบครั้งแล้วครั้งเล่า เป็นจุดอ้างอิงคงที่ที่โมเดลใหม่ ๆ ถูกนำมาวัดเทียบด้วย นั่นเป็นบทบาทที่แปลกสำหรับโมเดลที่ผู้ผลิตของมันเองได้ก้าวข้ามไปแล้ว และนั่นคือเหตุผลที่หน้านี้มีอยู่ — คำอธิบายตรงไปตรงมาว่า GLM-5.2 จริง ๆ แล้วคืออะไร มีค่าใช้จ่ายเท่าไร เก่งเรื่องอะไร และใครที่ยังควรเลือกใช้มัน

ตำแหน่งของ GLM-5.2 ในสายผลิตภัณฑ์ของ Z.ai เอง

Z.ai เผยแพร่บันทึกการออกรุ่นที่มีการระบุวันที่ และนี่คือแหล่งข้อมูลที่ชัดเจนที่สุดสำหรับเรื่องนี้ อ่านตามลำดับแล้วรูปร่างของตระกูลก็จะปรากฏชัด:

• GLM-5 — 12 กุมภาพันธ์ 2026 GLM-5 ตัวแรก มุ่งเป้าไปที่วิศวกรรมระบบที่ซับซ้อนและงานเอเจนต์ระยะยาว
• GLM-5.1 — 7 เมษายน 2026 งานที่ใช้เวลายาวนาน สามารถทำงานได้เองนานสูงสุดแปดชั่วโมงในการรันครั้งเดียว
• GLM-5.2 — 16 มิถุนายน 2026 เรือธงบริบท 1M สำหรับงานระยะยาว บันทึกของ Z.ai อธิบายว่า "บริบท 1M แบบไม่สูญเสียข้อมูล ช่วยยกระดับความสามารถในงานระยะยาวได้อย่างมีนัยสำคัญ"
• GLM-5.3 — 18 สิงหาคม 2026 โมเดลฐานเดียวกันกับ GLM-5.2 โดยความก้าวหน้ามาจาก post-training Z.ai รายงานว่าดีกว่า GLM-5.2 ถึง 50% บน Code Bench ภายในองค์กร และเป็นระดับแนวหน้าของโอเพนซอร์สบน Terminal Bench 3.0
• GLM-5.3-Flash — 26 สิงหาคม 2026 โมเดลขนาดเล็กที่แตกต่างออกไป สร้างบนฐานที่ฝึกใหม่ (รวม 320B, ใช้งาน 18B) เป็น GLM-5 ตัวแรกที่เป็นมัลติโมดัลโดยกำเนิด

บรรทัดที่สำคัญคือรายการของ GLM-5.3 GLM-5.3 ไม่ใช่ GLM-5.2 ที่ใหญ่กว่า — มันคือค่าน้ำหนักฐานเดียวกันที่ถูกผลักดันให้ไปไกลยิ่งขึ้นด้วย post-training นั่นทำให้ GLM-5.2 เป็นโมเดลสุดท้ายในสายนี้ที่ความสามารถมาจากสถาปัตยกรรม และทำให้ GLM-5.3 เป็นเรือธงด้านข้อความในปัจจุบัน หากคุณกำลังเลือกโมเดลของ Z.ai ในวันนี้โดยดูที่คุณภาพเพียงอย่างเดียว GLM-5.3 คือคำตอบ และ GLM-5.2 ไม่ใช่

GLM-5.3-Flash เป็นสาขาแยกต่างหาก ไม่ใช่รุ่น GLM-5.3 ที่ราคาถูกกว่า: เป็นโมเดลมัลติโมดัลโดยกำเนิดที่เล็กกว่า (ข้อความ รูปภาพ และวิดีโอ) โดยตั้งราคาต่ำกว่ากลุ่มเรือธงด้านข้อความประมาณสิบเท่า หากคุณต้องการความสามารถด้านภาพ GLM-5.2 ไม่ใช่โมเดลที่คุณต้องการไม่ว่าจะในกรณีใด

เอกสารข้อมูลจำเพาะ

• พารามิเตอร์ — รวม 753B ตามที่ระบุในโมเดลการ์ดที่ zai-org/GLM-5.2-FP8 Z.ai ไม่ได้ระบุจำนวนพารามิเตอร์ที่ใช้งานจริงบนการ์ดนั้น รายการจากบุคคลที่สามระบุว่าใกล้เคียง 40B ต่อโทเคน และเราไม่สามารถยืนยันตัวเลขดังกล่าวได้จากแหล่งข้อมูลปฐมภูมิ
• หน้าต่างบริบท — 1M โทเคน ซึ่งบนการ์ดอธิบายว่า "บริบทขนาด 1M โทเคนที่แข็งแรงซึ่งรองรับงานระยะยาวได้อย่างเสถียร"
• เอาต์พุตสูงสุด — 128K โทเคน
• รูปแบบข้อมูล — ข้อความเข้า ข้อความออก ไม่มีการป้อนภาพ ไม่มีเสียง รายการในแคตตาล็อกของเราเองสำหรับโมเดลนี้ระบุว่า "รองรับเฉพาะข้อความเข้า"
• สัญญาอนุญาต — MIT โดยไม่มีข้อจำกัดด้านภูมิภาค น้ำหนักโมเดลเผยแพร่ผ่านzai-org องค์กรบน Hugging Face ในรูปแบบ BF16 และ FP8
• การควบคุมการให้เหตุผล — โหมดการคิดแบบไฮบริดที่ขับเคลื่อนด้วยพารามิเตอร์ reasoning_effort โดยมีการตั้งค่า high และ max ซึ่งมีค่าเริ่มต้นเป็น max รองรับการเรียกใช้เครื่องมือแบบเนทีฟและเอาต์พุตแบบมีโครงสร้าง
• สถาปัตยกรรม — IndexShare ซึ่งนำตัวจัดทำดัชนีแบบเบาหนึ่งตัวกลับมาใช้ซ้ำในทุก ๆ สี่เลเยอร์ sparse attention และตามโมเดลการ์ดช่วยลด FLOPs ต่อโทเคนได้ 2.9 เท่าเมื่อใช้บริบทเต็ม รวมถึงเลเยอร์การทำนายหลายโทเคนที่ปรับปรุงใหม่ซึ่งเพิ่มความยาวที่ยอมรับได้ของ speculative decoding ได้ถึง 20%
• ฮาร์ดแวร์ที่ใช้ฝึก — รายงานข่าวเกี่ยวกับการเปิดตัวระบุว่าโมเดลนี้ฝึกบนตัวเร่งความเร็ว Huawei Ascend โดยไม่ใช้ฮาร์ดแวร์ Nvidia นั่นเป็นข้อกล่าวอ้างจากรายงานข่าว ไม่ได้มาจากโมเดลการ์ด และเราเพียงถ่ายทอดตามนั้น

สิ่งที่ GLM-5.2 ทำได้ดีอย่างที่วัดผลได้

เกือบทุกอย่างที่ GLM-5.2 ทำได้ดีล้วนเป็นการวัดผลด้านการเขียนโค้ดหรือเอเจนต์ และตัวเลขด้านล่างนี้เป็นข้อมูลที่ผู้ขายรายงานเอง — มาจากตาราง benchmark บน model card ของ Z.ai เอง ไม่ได้มาจากการทำซ้ำอย่างอิสระ

• Terminal Bench 2.1 (Terminus-2) — 81.0 เทียบกับ 63.5 ของ GLM-5.1 นี่คือการก้าวกระโดดข้ามรุ่นที่ใหญ่ที่สุดในตาราง
• SWE-bench Pro — 62.1 เทียบกับ 58.4 ของ GLM-5.1
• FrontierSWE (Dominance) — 74.4 เทียบกับ 30.5 ของ GLM-5.1 และ 72.6 ของ GPT-5.5
• AIME 2026 — 99.2 GPQA-Diamond — 91.2 ทั้งคู่แข่งได้สบาย ๆ กับแนวหน้าแบบปิดบนตารางของ Z.ai เอง
• MCP-Atlas (ชุดสาธารณะ) — 76.8 เกือบเสมอกับ 77.8 ของ Claude Opus 4.8 บนตารางเดียวกัน
• การเรียกคืนบริบทแบบยาว — 78.3 ซึ่งเป็นตัวเลขที่สำคัญที่สุดสำหรับหน้าต่าง 1M โทเคน หน้าต่างจะมีประโยชน์ก็ต่อเมื่อการเรียกคืนยังคงทำได้ดีที่ความลึก และตัวเลขของ Z.ai เองก็บอกว่าส่วนใหญ่เป็นเช่นนั้น

ภาพจากแหล่งอิสระนั้นเบาบางกว่า แต่ก็เป็นจริง Artificial Analysis จัดให้ GLM-5.2 อยู่ที่คะแนน Intelligence Index 34 บน Intelligence Index v4.3.2 ของตน ซึ่งอยู่อันดับที่ 11 จาก 114 โมเดลในคลาสเดียวกัน ตัวเลขนั้นมีข้อควรระวังสองประการ และ Artificial Analysis ระบุทั้งสองประการด้วยตนเองว่า โมเดลนี้ถูกทำเครื่องหมายว่าเลิกใช้แล้วบนหน้าของพวกเขา และพวกเขา "ดำเนินการเปรียบเทียบประสิทธิภาพต่อไปเฉพาะสำหรับภาระงานอินพุตโทเคน 10k ที่เป็นค่าเริ่มต้นเท่านั้น" — ผลลัพธ์สำหรับภาระงานอื่นเป็นข้อมูลในอดีตและไม่ได้รับการอัปเดตอีกต่อไป รายการแค็ตตาล็อกของเราเองสำหรับโมเดลนี้มีสแนปช็อตการประเมินที่เก่ากว่าจากวันที่ 25 มิถุนายน 2026 โดยมีคะแนน Intelligence 33.7 ซึ่งไม่ใช่รีวิชันดัชนีเดียวกันกับตัวเลขสด และไม่ควรตีความว่าเป็นการเปลี่ยนแปลงของโมเดล

จุดที่มันทำได้แย่จนวัดผลได้

สามเรื่อง และมันคุ้มค่าที่จะพูดตรง ๆ

• รองรับข้อความเท่านั้น ไม่มีอินพุตรูปภาพ ไม่มีอินพุตเสียง GLM-5.3-Flash คือโมเดลมัลติโมดัลในตระกูลนี้ และหากภาระงานของคุณเกี่ยวข้องกับภาพหน้าจอ PDF หรือวิดีโอ GLM-5.2 ก็เป็นสายที่ผิดทั้งหมด
• มันแพ้อย่างยับเยินในการวัดผลงานวิศวกรรมซอฟต์แวร์ที่มีขอบเขตยาวนานที่สุดและยากที่สุด บน SWE-Marathon ได้คะแนน 13.0 เทียบกับ 26.0 ของ Claude Opus 4.8 บน DeepSWE ได้ 46.2 เทียบกับ 58 ของ Claude Opus 4.8 และ 70 ของ GPT-5.5 บน NL2Repo ได้ 48.9 เทียบกับ 69.7 ของ Opus 4.8 ตัวเลขทั้งหมดนี้เป็นตัวเลขที่ผู้ขายรายงานเองจากตารางเดียวกันกับที่แสดงว่า GLM-5.2 ชนะในด้านอื่น ซึ่งนั่นคือสิ่งที่ทำให้ตัวเลขน่าเชื่อถือ: Z.ai เผยแพร่ตัวเลขเหล่านี้ไว้ข้าง ๆ ชัยชนะของตัวเอง
• มันถูกล้มแซงในด้านการวัดผลที่ทำให้มันโด่งดัง GLM-5.3 ใช้ฐานเดียวกันและเอาชนะมันได้บน Code Bench ของ Z.ai เองถึง 50% บน Terminal Bench 3.0 และบน Agents' Last Exam ทั้งยังมีสถานะถูกทำเครื่องหมายว่าล้าสมัย (deprecated) ที่ Artificial Analysis ด้วย

ตัวเลขหนึ่งรายการที่เราไม่สามารถหาได้: เราไม่สามารถยืนยันการวัดอัตราการประมวลผล (throughput) หรือความหน่วง (latency) แบบอิสระที่เป็นปัจจุบันสำหรับ GLM-5.2 จากแหล่งที่เราเปิดเข้าถึงได้ ดังนั้นหน้านี้จึงไม่ระบุค่าใด ๆ แทนที่จะกล่าวซ้ำตัวเลขที่เราไม่สามารถตรวจสอบได้

ราคาและรันได้ที่ไหน

เรตการ์ดของ Z.ai เอง ซึ่งอ่านเมื่อวันนี้ ระบุ GLM-5.2 ไว้ที่:

• อินพุต — $1.40 ต่อหนึ่งล้านโทเค็น
• อินพุตที่แคชไว้ — $0.26 ต่อหนึ่งล้านโทเค็น
• เอาต์พุต — $4.40 ต่อหนึ่งล้านโทเค็น

การจัดเก็บอินพุตที่แคชไว้ถูกระบุว่าให้ใช้ฟรีแบบจำกัดเวลา โปรดทราบว่า GLM-5.3 มีอัตราทั้งสามแบบเดียวกันทุกประการ ดังนั้นโมเดลที่ใหม่กว่าจึงไม่ได้มีราคาแพงกว่าในรายการของ Z.ai — ซึ่งตัดเหตุผลตามปกติที่ทำให้ต้องใช้รุ่นเก่าออกไป

เกี่ยวกับการเข้าถึง: โมเดลนี้ให้บริการผ่าน endpoint ที่รองรับ OpenAI ของ Z.ai เองที่ api.z.ai/api/paas/v4/chat/completions โดยมี SDK อย่างเป็นทางการสำหรับ Python และ Java และสามารถดาวน์โหลด weights ได้จาก Hugging Face เพื่อโฮสต์เองภายใต้ MIT นอกเหนือจากนั้นยังให้บริการผ่านแพลตฟอร์ม inference ของบุคคลที่สามหลายแห่ง เราจัดเส้นทางให้: OrcaRouter มี GLM-5.2 อยู่ในหน้ารุ่นโมเดลของตนในอัตราของผู้ให้บริการ Z.ai โดยไม่บวกกำไรใด ๆ ดังนั้นราคา $1.40 / $4.40 ข้างต้นคือสิ่งที่คุณจ่ายผ่านเรา ไม่ใช่สำเนาที่ถูกบวกกำไรแล้ว คีย์เดียวกันนี้ยังเข้าถึงแค็ตตาล็อกส่วนที่เหลือได้ด้วย ซึ่งเรื่องนี้สำคัญตรงนี้ด้วยเหตุผลเฉพาะอย่าง — ดูรายละเอียดด้านล่าง

ใครควรเลือก GLM-5.2 และใครควรเลือกอย่างอื่น

เลือก GLM-5.2 หากคุณโฮสต์เองและสิ่งที่ต้องการคือหน้าต่างบริบท 1M โทเค็น มากกว่าคะแนน benchmark สัญญาอนุญาต MIT ที่ไม่มีข้อจำกัดด้านภูมิภาค น้ำหนัก FP8 ที่เผยแพร่ และการออกแบบ attention ของ IndexShare ทำให้มันเป็นสิ่งที่นำไปรันกับบริบทยาวได้จริง และตัวเลขการเรียกคืนที่ความลึกคือตัวเลขที่ทำให้หน้าต่างนี้สมเหตุสมผล มันยังเป็นตัวเลือกที่สมเหตุสมผลหากคุณมีไปป์ไลน์ที่ปรับจูนกับ reasoning_effort ของมันอยู่แล้ว และค่าใช้จ่ายในการตรวจสอบพรอมป์ต์ซ้ำกับ GLM-5.3 สูงกว่าผลตอบแทนที่ได้

เลือก GLM-5.3 แทน หากคุณกำลังซื้อโทเค็นแทนที่จะซื้อเวต และคุณภาพเป็นเกณฑ์เดียวที่ใช้ตัดสิน มันเป็นโมเดลฐานเดียวกัน แต่ผ่านการฝึกหลังการฝึก (post-training) ที่ดีกว่า ในราคาตามรายการที่เท่ากัน ไม่มีเหตุผลด้านราคาใด ๆ ที่จะสนับสนุนโมเดลรุ่นเก่าบนตารางราคาของ Z.ai เอง

เลือก GLM-5.3-Flash แทน หากคุณต้องการความสามารถด้านวิชัน หรือหากคุณต้องการตัวเลือกที่ถูกที่สุดที่ยังทำงานได้ครบ ซึ่งรองรับทั้งข้อความ รูปภาพ และวิดีโอ และมีราคาต่ำกว่าเรือธงด้านข้อความทั้งสองรุ่นมาก

เลือกอย่างอื่นไปเลยโดยสิ้นเชิง หากงานของคุณอยู่ที่ปลายที่ยากของการวิศวกรรมซอฟต์แวร์แบบระยะยาว บนตารางที่ Z.ai เผยแพร่เอง Claude Opus 4.8 เอาชนะ GLM-5.2 ใน SWE-Marathon, DeepSWE, NL2Repo, SWE-bench Pro, ProgramBench และ Tool-Decathlon; GPT-5.5 เอาชนะมันใน DeepSWE และ ProgramBench ชัยชนะของ GLM-5.2 นั้นเป็นของจริง แต่กระจุกตัวอยู่ในงานเขียนโค้ดแบบเอเจนต์สไตล์เทอร์มินัลและการให้เหตุผล ไม่ใช่ในงานมาราธอน หากการประเมินของคุณดูเหมือนการรันเอเจนต์เป็นเวลาสองชั่วโมงกับรีโพซิทอรีขนาดใหญ่ที่ไม่คุ้นเคย ข้อได้เปรียบด้านราคาของโมเดล open-weight ก็ไม่ได้ปิดช่องว่างนั้นจากตัวเลขเหล่านี้

บทสรุปเชิงปฏิบัติ

GLM-5.2 เป็นโมเดล MoE แบบข้อความล้วน ขนาด 753B พารามิเตอร์ มีสัญญาอนุญาต MIT รองรับบริบท 1M เปิดตัวเมื่อวันที่ 16 มิถุนายน 2026 ในราคา $1.40 / $4.40 ต่อล้านโทเคน โดยมีคะแนน Terminal Bench 2.1 ที่ผู้ขายรายงานอยู่ที่ 81.0, SWE-bench Pro 62.1 และดัชนี Artificial Analysis Intelligence Index อิสระที่ 34 เป็นเรือธง GLM รุ่นสุดท้ายที่ความสามารถมาจากสถาปัตยกรรมมากกว่าการปรับแต่งหลังการฝึก ถูกแทนที่สองครั้งโดยผู้สร้างเอง และถูกทำเครื่องหมายว่าล้าสมัย (deprecated) บนดัชนีอิสระที่ให้คะแนนมัน

ทั้งหมดนั้นไม่ได้ทำให้มันเป็นโมเดลที่แย่ แต่มันทำให้มันกลายเป็นโมเดลที่ตกผลึกแล้ว คำถามที่น่าสนใจเกี่ยวกับ GLM-5.2 ในเดือนกันยายน 2026 ไม่ใช่ว่ามันดีหรือไม่ แต่คือว่าสิ่งที่คุณต้องการโดยเฉพาะ — โมเดลเขียนโค้ดที่รองรับบริบทขนาดยาว โฮสต์เองได้ และใช้สัญญาอนุญาต MIT — มีค่าสำหรับคุณมากกว่าคะแนนอีกสามคะแนนที่ GLM-5.3 เพิ่มเข้ามาบนน้ำหนักชุดเดียวกันหรือไม่ สำหรับผู้ซื้อโทเคนส่วนใหญ่ คำตอบคือไม่ สำหรับใครก็ตามที่ดาวน์โหลดน้ำหนักโมเดล คำตอบยังคงคือใช่

ถ้าคุณอยากทดสอบเรื่องนั้นด้วยตัวเองโดยไม่ต้องผูกเส้นทางโปรดักชันไว้กับมัน เลเยอร์การจัดเส้นทางคือวิธีที่ประหยัดที่สุดในการทำเช่นนั้น: ชี้คำขอเดียวกันไปที่ GLM-5.2 และ GLM-5.3 ผ่านปลายทางเดียว เปรียบเทียบกับพรอมป์ของคุณเอง และปล่อยให้การสลับไปใช้ระบบสำรองอัตโนมัติจัดการกับกรณีที่ปลายทางของโมเดลรุ่นเก่าเป็นตัวที่ล่มไป

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.