什麼是 GLM-5.2？時隔兩個版本，Z.ai 的百萬上下文開放權重旗艦

GLM-5.2 是來自 Z.ai 的開放權重、純文字大型語言模型，Z.ai 是總部位於北京、前身為智譜 AI 的實驗室，於 2026 年 6 月 16 日在 MIT 授權條款下發布。它是擁有 7,530 億參數的混合專家模型，具備一百萬個 token 的上下文視窗，而且在大約兩個月內，它是任何人能下載到的最強開放權重程式碼模型。它已不再保有那個地位，因為 Z.ai 後來又在它之上推出了兩個後繼模型——這正是大多數關於 GLM-5.2 的頁面所略過的部分，也是決定你現在是否還該在意它的關鍵。

這個部落格的存檔中有四十三篇文章提到 GLM-5.2。直到現在，其中沒有一篇是以它為主題：這個模型在一場又一場的比較中都是作為對手出現，是新模型被拿來衡量的固定基準點。對於一個自家開發商早已不再聚焦的模型來說，這是個奇怪的角色，而這也是本頁存在的原因——直接說明 GLM-5.2 究竟是什麼、費用是多少、擅長什麼，以及誰仍應該選擇它。

GLM-5.2 在 Z.ai 自家產品線中的定位

Z.ai 會發布附有日期的發布日誌，而這是這方面最簡潔可靠的來源。依序讀下來，這個家族的樣貌就顯而易見：

• GLM-5 —— 2026 年 2 月 12 日。首款 GLM-5，鎖定複雜系統工程與長程代理任務。
• GLM-5.1 —— 2026 年 4 月 7 日。長時程工作，單次執行可獨立運作長達八小時。
• GLM-5.2 —— 2026 年 6 月 16 日。專為長時程任務打造的 1M 上下文旗艦模型；Z.ai 的紀錄將其描述為「1M 無損上下文，大幅提升長時程任務能力」。
• GLM-5.3 —— 2026 年 8 月 18 日。與 GLM-5.2 採用相同的基礎模型，效能提升來自後訓練。Z.ai 回報其自家 Code Bench 相較 GLM-5.2 提升 50%，並在 Terminal Bench 3.0 上達到開源最先進水準。
• GLM-5.3-Flash —— 2026 年 8 月 26 日。一款不同的較小型模型，建構於全新訓練的基礎模型之上（總參數 320B，啟用參數 18B），是首款原生多模態的 GLM-5。

關鍵在於 GLM-5.3 這個項目。GLM-5.3 並不是更大的 GLM-5.2——它是相同的基礎權重，透過後訓練進一步推進。這使得 GLM-5.2 成為該系列中最後一個能力來自架構的模型，也使得 GLM-5.3 成為目前的文字旗艦。如果你今天單就品質來挑選 Z.ai 模型，答案會是 GLM-5.3，而不是 GLM-5.2。

GLM-5.3-Flash 是一個獨立的分支，而非較便宜的 GLM-5.3：它是一款更小、原生支援多模態（文字、圖像與影片）的模型，定價比文字旗艦模型低了一個數量級。若你需要視覺能力，那麼無論如何 GLM-5.2 都不是你想要的那款模型。

規格表

• 參數 — 根據模型卡，總計 753B，來源為 zai-org/GLM-5.2-FP8。Z.ai 並未在該模型卡上說明活躍參數數量；第三方列表將其列為每 token 接近 40B，而我們無法從一手來源確認該數字。
• 上下文視窗 — 1M tokens，模型卡上描述為「穩定支撐長時程工作的穩健 1M-token 上下文」。
• 最大輸出 — 128K tokens。
• 模態 — 文字輸入、文字輸出。無圖像輸入、無音訊。我們自家目錄中該模型的條目指出它「僅支援文字輸入」。
• 授權 — MIT，無地區限制。權重透過 Hugging Face 上的 zai-org 組織以 BF16 與 FP8 變體發布。
• 推理控制 — 由 reasoning_effort 參數驅動的混合思考模式，具備 high 與 max 設定，預設為 max。支援原生工具呼叫與結構化輸出。
• 架構 — IndexShare，會在每四個稀疏注意力層中重複使用一個輕量索引器，且根據模型卡，能在完整上下文下將每 token FLOPs 降低 2.9×；另有一個改良的多 token 預測層，可將推測解碼的接受長度提升最多 20%。
• 訓練硬體 — 關於此次發布的新聞報導指出，該模型是在 Huawei Ascend 加速器上訓練，未使用 Nvidia 硬體。這是來自新聞報導的主張，並非來自模型卡，我們也如實轉述。

GLM-5.2 在哪些方面有可量測的優勢

GLM-5.2 擅長的事情中，幾乎每一項都是程式設計或代理能力的衡量指標，而下方數字是由廠商自行報告的——它們來自 Z.ai 自家模型卡上的基準測試表，而非獨立重現的結果。

• Terminal Bench 2.1（Terminus-2）——81.0，相較於 GLM-5.1 的 63.5。這是表中單一代際最大的躍升。
• SWE-bench Pro——62.1，相較於 GLM-5.1 的 58.4。
• FrontierSWE（Dominance）——74.4，相較於 GLM-5.1 的 30.5 與 GPT-5.5 的 72.6。
• AIME 2026——99.2。GPQA-Diamond——91.2。在 Z.ai 自家的表格上，兩者都輕鬆與封閉前沿模型一較高下。
• MCP-Atlas（公開集）——76.8，在同一張表上基本上與 Claude Opus 4.8 的 77.8 持平。
• 長上下文召回——78.3，這是對 1M token 視窗而言最重要的數字。唯有在深度處召回仍能維持，這個視窗才有用，而 Z.ai 自家的數據顯示它大致上確實如此。

獨立評測所得的樣貌較為單薄，但確實存在。Artificial Analysis 在其 Intelligence Index v4.3.2 上將 GLM-5.2 列為智能指數 34 分，在同類 114 個模型中排名第 11。這個數字附帶兩項但書，而 Artificial Analysis 自己也說明了這兩點：該模型在他們的頁面上被標記為已棄用，而且他們「僅持續針對預設的 10k 輸入 token 工作量進行效能基準測試」——其他工作量的結果屬於歷史資料，不再更新。我們自己目錄中該模型的條目，收錄的是 2026 年 6 月 25 日較舊的評估快照，智能分數為 33.7；這與目前線上的數值並非同一版本的指數修訂，不應被解讀為模型本身出現了變化。

它在哪些方面有可量化的糟糕表現

三件事，而這些事值得直言不諱。

• 它僅支援文字。沒有圖像輸入，也沒有音訊輸入。GLM-5.3-Flash 是這個系列中的多模態模型，而如果你的工作負載會碰到螢幕截圖、PDF 或影片，GLM-5.2 就完全選錯了分支。
• 它在最長時程與最困難的軟體工程量測上大幅落敗。在 SWE-Marathon 上，它得分 13.0，而 Claude Opus 4.8 為 26.0。在 DeepSWE 上，它得分 46.2，而 Claude Opus 4.8 為 58，GPT-5.5 為 70。在 NL2Repo 上，它得分 48.9，而 Opus 4.8 為 69.7。這些全都是來自同一張表的廠商回報數字，而該表顯示 GLM-5.2 在其他項目勝出；這正是它們可信的原因：Z.ai 把它們與自家勝出的項目並列發布。
• 它在讓它聲名大噪的量測上已被取代。GLM-5.3 使用相同的基底，並在 Z.ai 自家的 Code Bench 上以 50% 的幅度勝過它，也在 Terminal Bench 3.0 與 Agents' Last Exam 上勝過它。GLM-5.2 在 Artificial Analysis 也被標示為已棄用。

有一項數據我們無法取得：我們無法從任何我們能開啟的來源，確認 GLM-5.2 目前獨立的輸送量或延遲量測值，因此本頁面未列出任何數據，而不是重複一個我們無法查核的數字。

價格以及在哪裡執行它

Z.ai 自家的價目表，今日查閱，列出 GLM-5.2 的價格為：

• 輸入 — 每百萬個權杖 $1.40
• 快取輸入 — 每百萬個權杖 $0.26
• 輸出 — 每百萬個權杖 $4.40

快取輸入儲存被列為限時免費。請注意，GLM-5.3 採用完全相同的三種費率，因此在 Z.ai 的價目表上，較新的模型並不會更貴——這消除了通常會讓人繼續使用較舊模型的原因。

關於可用性：該模型透過 Z.ai 自家的 OpenAI 相容端點api.z.ai/api/paas/v4/chat/completions提供服務，並附有 Python 與 Java 的官方 SDK，權重則可從 Hugging Face 下載，以 MIT 授權自行架設。除此之外，它也可透過多家第三方推論平台取得。我們的路由方式是：OrcaRouter 在其模型頁面上以 Z.ai 供應商費率提供 GLM-5.2，零加成，因此上述的 $1.40 / $4.40 就是您透過我們支付的價格，而非加價後的版本。同一把金鑰也能存取整個目錄，這在這裡有其特定緣由——請見下文。

誰應該選擇 GLM-5.2，誰又應該選擇其他方案

選擇 GLM-5.2，前提是您自行託管，且需求是 1M token 的上下文視窗，而非基準測試分數。MIT 授權沒有區域限制、已公開的 FP8 權重，以及 IndexShare 注意力設計，讓它成為在長上下文下真正實用的執行選擇，而深度召回率才是證明這個視窗合理的那個數字。如果您已有一條針對其 reasoning_effort 行為調校過的流程，而且針對 GLM-5.3 重新驗證提示詞的成本超過所帶來的收益，那它也是個合理的選擇。

改選 GLM-5.3——如果你買的是 token 而不是權重，而且品質是唯一的考量。它是同一個基礎模型，後訓練做得更好，牌價卻完全相同。在 Z.ai 自家的價目表上，較舊的模型在價格上毫無立足點。

改用 GLM-5.3-Flash如果你需要視覺能力，或需要最便宜又夠用的選項：它能處理文字、圖像與影片，而且定價遠低於兩款文字旗艦模型。

完全改選別的東西，如果你的工作屬於長時程軟體工程中最困難的一端。在 Z.ai 自己公布的表格中，Claude Opus 4.8 在 SWE-Marathon、DeepSWE、NL2Repo、SWE-bench Pro、ProgramBench 和 Tool-Decathlon 上勝過 GLM-5.2；GPT-5.5 則在 DeepSWE 和 ProgramBench 上勝過它。GLM-5.2 的勝績確實存在，但集中在終端機風格的代理式編碼與推理，而非馬拉松式任務。如果你的評估情境像是對一個龐大且不熟悉的儲存庫進行兩小時的代理執行，那麼開放權重模型的價格優勢，在這些數字上並不足以彌補這個差距。

實用摘要

GLM-5.2 是一款 753B 參數、MIT 授權、1M 上下文、純文字的 MoE 模型，於 2026 年 6 月 16 日發布，價格為每百萬 token 1.40 美元 / 4.40 美元，廠商報告的 Terminal Bench 2.1 為 81.0，SWE-bench Pro 為 62.1，以及獨立的 Artificial Analysis Intelligence Index 為 34。它是最後一款 GLM 旗艦，其能力來自架構而非後訓練，它已被其開發商取代兩次，並且在對其評分的獨立指數上被標記為已棄用。

這些都不會讓它成為一個糟糕的模型。這讓它成為一個已成定局的模型：2026 年 9 月關於 GLM-5.2 的有趣問題，不在於它好不好，而在於你所需的特定東西——一個長上下文、可自行部署、MIT 授權的程式設計模型——對你而言，是否比 GLM-5.3 在相同權重之上多出的那三個百分點更有價值。對大多數購買 token 的人來說，答案是「不」。對任何下載權重的人來說，答案仍然是「是」。

如果你想親自驗證這點，又不想讓正式環境的路徑依賴它，路由層是成本最低的做法：透過單一端點把同一個請求分別導向 GLM-5.2 與 GLM-5.3，用你自己的提示詞進行比較，並讓自動容錯移轉來處理舊版模型端點正好是掛掉那一邊的情況。

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.