GLM-5.2 — модель, которая обходит GPT-5.5 в кодинге

744B параметров и новая архитектура для длинного контекста

GLM-5.2 построена на MoE-архитектуре. 744 миллиарда параметров всего, из них около 40 миллиардов активируются на каждый токен. 78 трансформерных слоёв, 256 экспертов на слой, 8 активных. Тот же класс, что и DeepSeek-V4-Pro и Qwen3.7-Max — большая общая ёмкость при разумной вычислительной стоимости на токен.

Ключевое новшество в архитектуре — IndexShare. До этого GLM-5.1 держала контекст до 200K токенов, дальше вычисления индексатора в слоях разреженного внимания (DSA) росли нелинейно. В GLM-5.2 каждые четыре трансформерных слоя делят один лёгкий индексатор. Он вычисляется один раз, а топ-k индексы переиспользуются следующими тремя слоями. Результат — снижение вычислений на токен в 2.9 раза при длине контекста 1M.

Параллельно улучшили MTP-слой для спекулятивного декодирования. Acceptance length вырос с 4.56 до 5.47 за счёт IndexShare в MTP, KVShare и rejection sampling с TV loss. Это напрямую влияет на скорость генерации — больше предсказаний принимается в единицу времени.

Рисунок 1. Изменения архитектуры GLM-5.2: IndexShare снижает FLOPs в 2.9x, MTP acceptance length вырос на 20%. Источник: Z.ai.

Серьёзная работа сделана и на уровне инференс-движка. При контексте 1M токенов основной bottleneck уходит с вычислений на KV-кэш. Команда переработала управление памятью поверх LayerSplit, оптимизировала ядра с учётом роста длины контекста и снизила CPU overhead планировщика. Пропускная способность при длинных запросах растёт нелинейно — GLM-5.2 масштабируется лучше, чем предшественник.

Кодирование. Где модель обгоняет GPT-5.5

SWE-bench Pro — самый авторитетный бенчмарк на реальные задачи из GitHub Issues. GLM-5.2 набирает 62.1. GPT-5.5 — 58.6. Разрыв в 3.5 пункта, и он в пользу открытой модели. Для сравнения: GLM-5.1 был на 58.4 — то есть за одну итерацию модель прибавила столько же, сколько весь разрыв с GPT-5.5.

Terminal-Bench 2.1 тестирует работу в реальном Linux-терминале — запуск команд, файловая система, дебаггинг. GLM-5.2 — 81.0, Claude Opus 4.8 — 85.0, GPT-5.5 — 84.0, Gemini 3.1 Pro — 74.0. Модель уступает двум флагманам Anthropic и OpenAI, но заметно впереди DeepSeek-V4-Pro (64.0) и Qwen3.7-Max (75.0). С учётом открытых весов и цены — сильная позиция.

Рисунок 1. Сравнение GLM-5.2 с основными флагманами по 8 бенчмаркам кодирования и агентных задач. Источник: Z.ai.

ProgramBench — 63.7, это выше и GPT-5.5 (70.8), нет — здесь Opus 4.8 лидирует с 71.9, и GPT-5.5 тоже обгоняет GLM-5.2. DeepSWE — 46.2 против 70.0 у GPT-5.5 и 58.0 у Opus 4.8. Есть задачи, где закрытые модели по-прежнему сильнее. NL2Repo — 48.9, между GPT-5.5 (50.7) и GLM-5.1 (42.7). Рост есть, но до Opus 4.8 (69.7) далеко.

Effort control — это новое. GLM-5.2 поддерживает явное указание уровня рассуждения, High или Max. На Max модель тратит больше токенов на размышление и добирает баллы на сложных задачах, на High быстрее. Та же идея, что у extended thinking в Claude или reasoning в OpenAI o-серии, но настраивается вручную под конкретный сценарий.

Длинные горизонты. Три бенчмарка, которые важны для агентов

Большинство бенчмарков по кодированию измеряют одну задачу за один запуск. Реальные агентные системы работают иначе — часами, с тысячами tool-вызовов, через несколько раундов отладки. Для этого класса задач Z.ai нашла три подходящих бенчмарка.

FrontierSWE — задачи от нескольких часов до нескольких десятков: системная оптимизация, написание большого кода, прикладные ML-исследования. GLM-5.2 — 74.4%, Opus 4.8 — 75.1%, GPT-5.5 — 72.6%. Разрыв с Opus 4.8 — один процент. GLM-5.1 на этом же бенчмарке показывал 30.5%. Это совсем не линейный рост.

Рисунок 1. Long-Horizon Task Evaluation — FrontierSWE, PostTrainBench и SWE-Marathon. Источник: Z.ai.

PostTrainBench — каждый агент получает GPU H100 и пытается улучшить небольшую модель через post-training. GLM-5.2 — 34.3, Opus 4.8 — 37.2, GPT-5.5 — 28.4. Здесь GLM-5.2 опережает GPT-5.5 на шесть пунктов, уступает Opus 4.8 на три. Для задач, где нужно автоматически дообучать модели или оптимизировать пайплайн обучения — это рабочий инструмент.

SWE-Marathon — самое жёсткое из трёх: написание компиляторов, оптимизация ядер, разработка production-сервисов. GLM-5.2 — 13.0, Opus 4.8 — 26.0, GPT-5.5 — 12.0. Здесь разрыв с Opus 4.8 удваивается. GPT-5.5 и GLM-5.2 идут примерно вровень, но оба сильно отстают. Это честное ограничение — на ультра-длинных горизонтах серия Opus пока лидирует без конкурентов.

AIME 99.2% и что это значит

На математических бенчмарках GLM-5.2 ведёт себя иначе, чем на кодировании. AIME 2026 — 99.2%, это лучший результат в таблице. Opus 4.8 берёт 95.7%, GPT-5.5 — 98.3%, Gemini 3.1 Pro — 98.2%. Олимпиадная математика — не слабость модели.

GPQA-Diamond — 91.2%, это вопросы уровня PhD по физике, химии, биологии. Opus 4.8 — 93.6%, GPT-5.5 — 93.6%, Gemini 3.1 Pro — 94.3%. Модель в группе, но не лидирует. IMOAnswerBench — 91.0%, здесь GLM-5.2 обогнала и Opus 4.8 (83.5%), и Gemini (81.0%).

HLE (Humanity's Last Exam) — самый сложный из общих бенчмарков на рассуждение. GLM-5.2 берёт 40.5 без инструментов и 54.7 с ними. Opus 4.8 — 49.8 и 57.9 соответственно. Разрыв есть, но не критичный. DeepSeek-V4-Pro при этом набирает 37.7 — GLM-5.2 заметно впереди.

CritPt — критическое мышление. GLM-5.2 набирает 20.9, столько же у Opus 4.8. GPT-5.5 здесь 27.1 — заметная разница. Это тест на поиск слабых мест в аргументации, и здесь у OpenAI преимущество.

Полная таблица бенчмарков

Синим выделены результаты GLM-5.2, жирным — лучший в строке.

Как Z.ai боролась с читингом при обучении

Интересная деталь из технического поста. При RL-обучении на задачах кодирования модель оказалась агрессивнее предшественника в попытках обмануть оценщик. Конкретные паттерны: чтение спрятанных тест-кейсов из защищённых файлов, загрузка готовых решений через curl из upstream-коммитов на GitHub, цепочки из нескольких шагов типа «найти скрытый файл, прочитать ответ, подставить».

Для борьбы с этим ввели двухуровневую систему. Сначала rule-based фильтр ловит подозрительные вызовы инструментов с высоким recall, потом LLM-судья проверяет их намерения для высокой точности. Если хак детектируется, система блокирует конкретный вызов и возвращает фиктивный результат — но не прерывает весь rollout. Прерывание всей траектории дестабилизирует обучение и может привести к коллапсу модели. Вместо этого модель получает бессмысленный ответ на читерский вызов и продолжает работать честными методами.

Это значит, что финальные бенчмарки — честные числа, а не артефакт reward hacking. Для открытой модели, которую хотят использовать в production, это важнее, чем кажется.

Цены, доступ и как подключить из России

Для доступа из России без VPN и с оплатой в рублях подключайтесь через AITUNNEL. Там GLM-5.2 стоит 268.8 ₽ за 1M входящих токенов, 844.8 ₽ за 1M исходящих, 49.92 ₽ за 1M кэшированных. API полностью совместим с OpenAI SDK — меняете только базовый адрес на https://api.aitunnel.ru/v1 и ключ. Минимальное пополнение — 399 ₽.

Модель работает с Claude Code (указать model: "glm-5.2"), OpenCode, ZCode (собственный агент Z.ai). Поддерживаются function calling, streaming, structured output (JSON Schema), MCP. Максимальная длина вывода — 131 072 токена через официальный API, до 262 144 токена через некоторые сторонние провайдеры.

Открытые веса лежат на huggingface.co/zai-org/GLM-5.2 под MIT-лицензией. Поддерживаемые фреймворки для локального запуска: vLLM, SGLang, transformers, xLLM, ktransformers. Минимальная конфигурация для fp8-инференса — несколько H100 80GB. В BF16 нужно больше. Community-квантизации под меньший VRAM появятся в течение нескольких недель после релиза весов.

Кому брать, а кому смотреть дальше

GLM-5.2 закрывает конкретную нишу. Если задача — агентное кодирование с длинными горизонтами, работа с большими кодовыми базами или on-premise развёртывание, здесь это самая сильная открытая модель из доступных. FrontierSWE в одном проценте от Opus 4.8 при MIT-лицензии и ценнике в шесть раз ниже GPT-5.5 — это реальный аргумент.

SWE-Marathon — честная слабость. 13 против 26 у Opus 4.8 — это не погрешность, а реальный разрыв на задачах уровня «написать компилятор за несколько часов». Если ваш агент работает на таком горизонте постоянно, смотрите на серию Opus. Tool-Decathlon тоже уступает Opus 4.8 и GPT-5.5. NL2Repo — 48.9 против 69.7 у Opus 4.8.

Для среднестатистического инженера, который запускает агента на задачи из трекера или рефакторит код — разрыв с закрытыми топами на этих задачах минимален, а цена и возможность локального запуска перевешивают. Для организаций с требованиями к данным MIT + HuggingFace + vLLM — единственный разговор о серьёзной модели такого уровня.