Кратко
- GLM-5.2 — open-weight модель китайской Z.ai (бывшая Zhipu AI), релиз анонсирован 13 июня 2026 года, веса выложены на Hugging Face под лицензией MIT.
- 744 млрд параметров, из них активны около 40 млрд на токен (Mixture-of-Experts), контекстное окно — 1 млн токенов.
- На SWE-bench Pro и FrontierSWE обходит GPT-5.5 и почти догоняет Claude Opus 4.8, но по агентным задачам и Terminal-Bench 2.1 всё ещё уступает топовым закрытым моделям.
- API стоит 4,40 за 1M выходных токенов — в разы дешевле GPT-5.6 и Claude Sonnet 5, плюс модель можно развернуть локально бесплатно.
- Попробовать разные модели и сравнить их вживую можно в одном чате Veruna AI, не разбираясь с API-ключами и биллингом каждого разработчика отдельно.
GLM-5.2 — это открытая (open-weight) модель от китайской компании Z.ai, которая по части бенчмарков кодинга обходит GPT-5.5 и почти сравнялась с Claude Opus 4.8, при этом стоит через API в разы дешевле и доступна для локального запуска по лицензии MIT. Для рынка это не рядовой релиз: разрыв между лучшей открытой моделью и лучшей закрытой теперь измеряется единицами процентов, а не поколениями.
Что такое GLM-5.2 и при чём тут Z.ai
Z.ai — новое имя Zhipu AI, одной из ведущих китайских AI-лабораторий, соучредителем которой выступает Университет Цинхуа. Компания давно выпускает линейку GLM (General Language Model) и параллельно развивает мультимодальный продукт ChatGLM. GLM-5.2 — очередная флагманская версия этой линейки, ориентированная в первую очередь на кодинг и агентные задачи: работу с репозиториями, длинные цепочки инструментов, автономное исправление багов.
Главное отличие от предыдущих релизов — не единичный прирост качества, а сочетание трёх вещей сразу: открытая лицензия MIT, контекст на миллион токенов и бенчмарки, которые действительно бьются с проприетарными моделями OpenAI и Anthropic, а не просто приближаются к ним на бумаге.
Архитектура: 744 млрд параметров и окно на миллион токенов
GLM-5.2 построена как Mixture-of-Experts: всего в модели 744 млрд параметров, но на каждый токен активируется лишь около 40 млрд — остальные эксперты в этот момент простаивают. Такой подход позволяет получить качество, близкое к плотной модели сопоставимого размера, но с заметно меньшей стоимостью инференса.
Отдельная архитектурная находка — разреженное внимание (в духе DeepSeek Sparse Attention), которое и делает реальным контекстное окно в 1 000 000 токенов (в API модель помечена как glm-5.2[1m]) без квадратичного роста вычислительных затрат, характерного для обычного плотного attention. На выходе модель может генерировать до 131 072 токенов за один ответ — этого достаточно, чтобы разом переписать не самый маленький файл или выдать длинный план миграции кода.
Для сравнения: предыдущее поколение, GLM-5.1, ограничивалось окном в 200 000 токенов — новое окно больше примерно в пять раз.
Бенчмарки: как GLM-5.2 выглядит рядом с GPT-5.6 и Claude Sonnet 5
Здесь стоит сразу оговориться: разные обзоры дают слегка расходящиеся цифры — сказывается и разница в методологии прогонов, и то, что часть данных по GPT-5.6 опубликована самим OpenAI без независимой перепроверки. Ниже — цифры, которые повторяются в нескольких независимых источниках.
На SWE-bench Pro (решение реальных issue из открытых репозиториев) расклад такой: Claude Opus 4.8 — 69,2%, Claude Sonnet 5 — 63,2%, GLM-5.2 — 62,1%, GPT-5.5 — 58,6%. То есть GLM-5.2 обходит GPT-5.5 и почти вплотную подошла к Sonnet 5, уступая лишь топовой модели Anthropic.
На FrontierSWE — бенчмарке для длинных, «многоходовых» инженерных задач — картина похожая: GLM-5.2 набирает 74,4%, обгоняя GPT-5.5 (72,6%) и почти сравниваясь с Claude Opus 4.8 (75,1%). А вот на Terminal-Bench 2.1, где модель работает в терминале и должна сама решать, какие команды запускать, GLM-5.2 набирает 81,0% — это заметно ниже, чем у Claude Opus 4.8 (85,0%) и особенно у GPT-5.6 Sol Ultra, который по данным OpenAI показывает 91,9% (независимая проверка этой цифры пока ограничена — модель какое-то время была доступна только в закрытом превью).
В математике и рассуждениях GLM-5.2 выглядит увереннее: 99,2 на AIME 2026 и 91,2 на GPQA Diamond — по сути потолок для этих тестов, они уже слабо различают модели такого уровня. А вот с агентными сценариями, где модель должна сама выбирать и комбинировать инструменты, всё не так однозначно: на MCP-Atlas GLM-5.2 почти сравнялась с лидерами, а на более сложном Tool-Decathlon заметно отстаёт и от GPT-5.6, и от Claude Opus 4.8.
Итог по бенчмаркам простой: GLM-5.2 — не абсолютный лидер ни по одному направлению, но и не «догоняющая» модель для галочки. Она вплотную подошла к границе, которую ещё год назад держали только закрытые модели Big Tech, причём сделала это как открытая разработка.
Цена и лицензия: open-weights дешевле в разы
GLM-5.2 распространяется по лицензии MIT — это одна из самых мягких open-source лицензий, разрешающая коммерческое использование, модификацию и встраивание в свои продукты почти без ограничений. Веса модели доступны на Hugging Face, поэтому её можно развернуть на своих серверах и не платить за токены вовсе — при наличии подходящего железа для 744-миллиардной MoE-модели.
Для тех, кто не хочет разворачивать инфраструктуру сам, у Z.ai есть облачный API: 4,40 за 1 млн выходных, кэшированный вход — $0,26 за 1 млн. Разница с закрытыми конкурентами разительная.
По выходным токенам GLM-5.2 дешевле топовой конфигурации GPT-5.6 почти в семь раз и заметно дешевле даже более скромной Claude Sonnet 5. При этом важна оговорка: цена Sonnet 5 на графике — вводная, действует до 31 августа 2026 года, дальше Anthropic поднимет её до $15 за 1 млн выходных токенов, и разрыв с GLM-5.2 станет ещё больше.
Что это значит для рынка ИИ
GLM-5.2 — не первая китайская open-weight модель, которая показывает результаты уровня фронтир-лабораторий, но именно она обозначила момент, когда открытая модель стала конкурентоспособной не «в целом», а по конкретным, важным для бизнеса метрикам — агентному кодингу и стоимости эксплуатации. Ещё год-два назад открытые модели догоняли закрытые с большим лагом; сейчас разрыв на отдельных бенчмарках можно измерить единицами процентных пунктов.
Для компаний это означает больше выбора: не обязательно платить за самую дорогую модель, если задача — не творческое письмо и не сложнейшие multi-agent сценарии, а конкретная работа с кодом или длинным документом. А для рынка в целом — дополнительное давление на цены закрытых моделей, которое мы наверняка увидим в ближайших раундах снижения тарифов у OpenAI и Anthropic.
Как попробовать GLM-5.2 и другие нейросети, не открывая десяток вкладок
Минус открытых моделей вроде GLM-5.2 в том, что «просто попробовать» — не так просто: нужно либо разворачивать веса самому, либо заводить отдельный аккаунт и API-ключ у Z.ai, разбираться в биллинге, ждать, пока появится встроенная интеграция в привычный редактор. Для разового сравнения моделей это избыточно.
Veruna AI устроена иначе: это чат, в котором собраны сразу десятки нейросетей от разных разработчиков — ChatGPT, Claude, Gemini, DeepSeek, Grok и другие — и можно переключаться между ними, не заводя отдельный аккаунт под каждую и не привязывая карту к каждому сервису отдельно. Оплата — в рублях, без VPN, а начать можно бесплатно, без карты и регистрации. Линейка моделей на платформе обновляется по мере выхода новых версий — актуальный список удобнее смотреть прямо на сайте, чем в статье, которая устареет быстрее, чем выйдет следующий релиз.
Кому пригодится GLM-5.2 прямо сейчас
GLM-5.2 подойдёт разработчикам и техническим командам, которые хотят прогнать свой codebase через модель с миллионным контекстом и сравнить её с тем, на чём сидят сейчас, особенно если критична стоимость токенов при больших объёмах. Стартапам и небольшим продуктам, где счёт за API — заметная статья расходов, разница в цене между GLM-5.2 и топовыми закрытыми моделями может напрямую повлиять на юнит-экономику. Компаниям с требованиями к данным, которым важно держать модель на своей инфраструктуре, лицензия MIT это разрешает без юридических сложностей.
А тем, кто просто хочет понять, что изменилось в раскладе сил между открытыми и закрытыми моделями, проще всего задать один и тот же вопрос нескольким моделям подряд и сравнить ответы вживую.
Частые вопросы про GLM-5.2
Чем GLM-5.2 отличается от предыдущей версии, GLM-5.1? Главные изменения — контекстное окно (выросло с 200 000 до 1 000 000 токенов благодаря разреженному вниманию) и заметный прирост на бенчмарках агентного кодинга. Общая архитектура MoE сохранилась, но соотношение общих и активных параметров изменилось.
Можно ли запустить GLM-5.2 бесплатно? Да, если у вас есть соответствующее железо: веса опубликованы на Hugging Face под лицензией MIT, и локальный запуск ничего не стоит, кроме вычислительных ресурсов. Для 744-миллиардной MoE-модели это серьёзные требования к памяти GPU, так что для большинства практичнее облачный API.
GLM-5.2 лучше GPT-5.6 или Claude Sonnet 5? Однозначного лидера нет — на одних бенчмарках (SWE-bench Pro, FrontierSWE) GLM-5.2 обходит GPT-5.5 и почти держится вровень с Claude, на других (Terminal-Bench 2.1, сложные агентные сценарии) заметно уступает GPT-5.6 и Claude Opus 4.8. Зато по цене за токен разрыв в пользу GLM-5.2 кратный.
Насколько безопасно использовать китайскую open-weight модель в бизнес-задачах? Открытая лицензия MIT снимает юридические риски использования кода модели, но, как и с любой LLM, стоит отдельно продумать, какие данные вы передаёте в облачный API, если не разворачиваете модель локально — это общая рекомендация для любых сторонних AI-сервисов, а не специфика именно Z.ai.