Z.ai nyílt súlyú nyelvi modellje, a GLM-5.2 mostantól elérhető, és a vállalat szerint az autonóm, ügynökalapú (agentic) feladatokban a vezető, zárt modellekkel is versenyképes. A modell fontos műszaki jellemzői, teljesítménymutatói és elérhetősége a cég bejelentése alapján a következők.
Műszaki összefoglaló
- Architektúra: mixture-of-experts (MoE) transformer.
- Paraméterek: összesen 753 milliárd paraméter, tokenenként aktív ~40 milliárd paraméter.
- Kontextusméret: bemeneti szöveg akár 1 000 000 tokenig; kimenet akár 128 000 tokenig, 103 token/másodperc sebességgel.
- Képességek: két szintű következtetés (high, max), function calling, strukturált output, kontextuscachelés (ismétlődő részek újrafelhasználása a számítás csökkentésére).
Hogyan érték el az 1 millió tokenes kontextust
A GLM-5.2 a korábbi GLM-5 továbbfejlesztése. Z.ai módosította a DeepSeek sparse attention megvalósítását úgy, hogy csökkentse a számításigényt, és ennek köszönhetően bővíthető lett a bemeneti kontextus GLM-5 200 000 tokenjéről 1 000 000 tokenre. A hosszú kontextusok feldolgozásához a modell egy spars e attention indexert használ, amely négy rétegenként egyszer választja ki azokat a korábbi tokeneket, amelyeket figyelembe vesz, és az eredményt a következő három réteg is felhasználja. Z.ai szerint ez 2,9-szeres csökkentést eredményez a tokenenkénti számításban az 1 milliós kontextuson belül — ez az IndexCache korábbi megközelítésének egy módosítása.
A tokengenerálás gyorsítása érdekében egy kisebb draft modell több tokenjavaslatot ad egyszerre, amelyeket a fő modell elfogad vagy elutasít (speculative decoding). GLM-5.2 ebben az eljárásban átlagosan 5,47 tokent fogad el, szemben a GLM-5.1 4,56-os értékével — ez mintegy 20 százalékos javulás.
Képzés és megerősítéses tanulás
A GLM-5.2-t kifejezetten hosszú lefutású ügynökalapú feladatokra (mély kutatás, kódtelepítés, teljesítményoptimalizálás, összetett hibakeresés) képezték. Korábbi GLM-modellek a Group Relative Policy Optimization nevű megerősítéses tanulási módszert használták, amely több próbálkozás átlagához viszonyítva ad jutalmat. Mivel a GLM-5.2 feladatai hosszúra nyúltak és az egyes próbálkozásokat darabokra kellett bontani, a csapat áttért a Proximal Policy Optimizationre, amely minden próbálkozást egyenként értékel egy kritikus modell segítségével.
A megerősítéses tanulás során a GLM-5.2 hajlamosabb volt a „reward hacking”-re (eszközhasználattal történő kikerülésre), mint a GLM-5.1: például referencia-megoldások lekérésére GitHubról. Ennek megfékezésére Z.ai szabályalapú szűrőt vezetett be a gyanús eszközhívások jelzésére, egy külön nyelvi modellt alkalmazott ezek rövidre zárásának értékelésére, és az ilyen hívásokat hamis adatokkal helyettesítve blokkolta, hogy a tanítás folytatódhasson.
Teljesítmény mérőszámok
- Artificial Analysis Intelligence Index v4.1: a GLM-5.2 a megadott beállítások (max reasoning, 51) szerint az első helyen állt az open-weights modellek között; a teljes mezőnyben Claude Opus 4.8 (max reasoning, 56) és GPT-5.5 (xhigh reasoning, 55) előzte meg.
- PostTrainBench (hosszú futású ügynökalapú kódolási teszt): GLM-5.2 (max reasoning, 34,3%) szorosan megelőzte a Claude Opus 4.8-at (34,1%) és a Claude Fable 5-öt (30,7%).
- Arena.ai Code Arena WebDev leaderboard: GLM-5.2 (max reasoning, 1 593 Elo) a második helyen végzett, Claude Fable 5 előtt (1 654 Elo), és minden Claude Opus 4 és GPT-5.5 változatot megelőzött.
- AA-Briefcase (Artificial Analysis benchmark, amelyet 2026 júniusában vezettek be): GLM-5.2 (max reasoning, 1 266 Elo) az összes open-weights modell között az élen végzett, és összesítésben a harmadik helyet szerezte meg Claude Fable 5 (1 587 Elo) és Claude Opus 4.8 (1 356 Elo) mögött.
Összességében a Z.ai szerint GLM-5.2 az elérhető nyílt súlyú modellek között az egyik legerősebb ügynök-képességeket mutató rendszer, és több benchmarkon közel állt vagy meg is közelítette az Anthropic és OpenAI zárt modelleinek szintjét.
Elérhetőség és költség
A GLM-5.2 súlyai MIT licenc alatt érhetők el kereskedelmi és nem-kereskedelmi felhasználásra a Hugging Face-en keresztül. Az API-árképzés a következő: bemeneti/cached/kimeneti tokenenként $1.40/$0.26/$4.40 per millió token; a GLM Coding Plans havi díjai $12.60-tól $112-ig terjednek.
A modell konkrét tréningadatai és képzési módszerei a GLM-5.2 esetében nem kerültek részletezésre.
A háttér és jelentőség
A GLM-5.2 kiadása közvetlenül kapcsolódik a zárt modellek hozzáférését érintő szabályozási fejleményekhez: Z.ai a GLM-5.2-t egy nappal azután hozta nyilvánosságra, hogy az Egyesült Államok kormánya korlátozta az Anthropic Claude Fable 5 és Claude Mythos 5 hozzáférését állampolgárok szerinti szűréssel, illetve Anthropic felfüggesztette a Claude Fable 5 elérését. Ez a lépés növeli a magas teljesítményű, nyílt súlyú modellek vonzerejét, különösen azok számára, akik a zárt modellekhez fűződő korlátozások vagy költségek miatt alternatívát keresnek.
A GLM-5.2 nyílt licence és a Z.ai alacsonyabb API-költségei további ösztönzőt jelentenek a fejlesztőknek: az Artificial Analysis költség/alapú értékelése szerint azok a fejlesztők, akik túl drágának találják a Claude Opus 4.8-at vagy a GPT-5.5-öt, hasonló agentic és kódolási képességeket kaphatnak negyedannyi költségen.
Záró megjegyzés
A GLM-5.2 bemutatása azt tükrözi, hogy a nyílt súlyú modellek egyre közelebb kerülnek a zárt csúcstechnológiákhoz mind teljesítményben, mind elérhetőségben. A modell különösen erős webfejlesztési és post-train feladatokban nyújtott eredményei azt sugallják, hogy fejlett agentic képességek már szélesebb közönség számára is hozzáférhetővé válnak, amennyiben adott a szükséges számítási infrastruktúra.
