什麼是 GLM 5.2？以六分之一的價格實現開放權重編碼

一句話版本

GLM 5.2 是 Z.ai 的開放權重旗艦語言模型，於 2026 年 6 月 13 日發布，專為編碼、推理與工具驅動的「代理式」工作而打造——也就是模型規劃、呼叫工具、讀取結果，並在長時間工作階段中反覆修訂的多步驟任務。

Z.ai 是智譜 AI 的國際品牌。智譜 AI 是一家位於北京的研究公司，於 2019 年從清華大學知識工程實驗室分拆而出。「開放權重」是關鍵所在：模型的實際參數發布於 Hugging Face（位於 zai-org/GLM-5.2），也發布於 ModelScope 和 Ollama，採用 MIT 授權且沒有地區限制。你可以自行託管、微調，並將其部署到商業產品中，完全不必徵得任何人的許可。

為什麼開放權重編碼模型比基準測試更重要

在介紹運作機制之前，先談談動機。這次發布受到關注，並不是因為它是世界上最聰明的模型——它不是。而是因為它在免費下載且呼叫成本低廉的同時，縮小了與封閉式前沿模型的大部分差距。對開發者而言，這改變了兩個過去通常已經定案的決策。

第一個是供應商鎖定。如果你的編碼代理運行於封閉式 API，你無法離線執行它，也無法檢查它，而你的價格則取決於供應商下季的決定。開放權重一次消除了這三項限制。第二個是成本。GLM 5.2 的公開 API 價格為每百萬個輸入 token 1.40 美元、每百萬個輸出 token 4.40 美元，Z.ai 將其定位為同類前沿模型成本的約六分之一。對於大量消耗 token 的工作負載——而代理式編碼會消耗大量 token——這個比例就是全部重點。

但要注意，事情總有代價：開放權重可以安全地自行託管，但若將資料經由 Z.ai 的 cloud API 路由，資料便會通過受中國《國家情報法》管轄的基礎設施；美國國土安全部曾警告，該法律框架可能迫使中國企業交出美國人士的資料。這兩個事實同時存在——你可以在任何地方執行的免費、可檢查權重，and 一個確實存在資料管轄權問題的託管 API。哪一點適用於你，完全取決於你是自行託管還是呼叫雲端服務。稍後我會再回到這個問題。

不含模糊說法地了解其運作方式

GLM 5.2 是混合專家（Mixture-of-Experts，MoE）模型。其公布的總參數量約為 7,440 億至 7,530 億——不同來源略有差異，這本身也說明精確數字仍在確定中——但任一 token 僅約有 400 億個參數處於啟用狀態。

這種拆分是核心技巧，因此值得用一個比喻來說明。密集模型就像一位單一的通才，每個問題都必須思考所有事情。MoE 模型則更像一家大型企業：它掌握一個龐大組織的知識，但針對任何一項任務，只會喚醒相關的少數專家。你能以大約 400 億參數模型的服務成本，獲得 7,440 億參數模型的容量。與前代 GLM 4.5——總參數 355B、啟用參數 32B——相比，GLM 5 將這家公司擴大到 744B / 40B，並使用更多資料進行訓練（285,000 億 token，高於原本的 230,000 億）。

另外三個部分也很重要，而且每一項都是為了解決特定問題，而不是為了充實功能清單。

第一項是 Z.ai 稱為 IndexShare 的稀疏注意力設計。它所解決的問題是：隨著上下文視窗變長，注意力成本會痛苦地增加，而 GLM 5.2 的視窗非常長（稍後會詳述）。通常，模型會在每一層重新計算應關注哪些較早的 token。IndexShare 會在每四層注意力層中的第一層計算一次索引，並在接下來三層重複使用。Z.ai 表示，在這些重複使用的層中，這能將點積索引成本降低 75%；在完整的 100 萬 token 上下文長度下，每個 token 的計算量約降低 2.9×。簡單來說，這正是讓百萬 token 上下文真正能夠負擔得起的原因。

第二項是 雙重推理模式——兩種可選的思考力度設定，稱為 High 和 Max。Max 適用於困難的多步驟編碼任務，模型需要有足夠空間進行規劃與修訂；單一任務可能消耗接近 85,000 個輸出 token。High 僅犧牲幾分效能，卻能大約減半 token 輸出量；當延遲和成本比最後一個百分點更重要時，這就是你會選用的設定。一句話總結：正確性至上時使用 Max，日常工作使用 High。

第三項是 多 token 預測，讓模型能在一次前向傳播中預測數個 token，而非一次預測一個——這能加快推理速度，也會帶來更好的長程連貫性。

綜合而言，實際上最值得注意的是 上下文視窗：最多可輸入 1,000,000 個 token（透過 glm-5.2[1m] 識別碼），輸出最多 131,072 個 token。這大約是 GLM 5.1 約 200,000 token 上限的五倍。100 萬個 token 足以一次將中型程式碼庫完整放入上下文，而這正是整套設計所針對的使用情境。

它究竟有多好

這裡需要區分信心層次，因此我會明確說明哪些是事實，哪些是公開報告的數據。

事實是：Z.ai 發布 GLM 5.2 時，沒有官方基準測試套件。你看到的每個數字，不是供應商事後公布的，就是來自早期獨立評估，而且目前都尚未被廣泛重現。請將具體小數視為方向性參考，而非絕對真理。

有了這個前提，各來源的報告數據仍相當一致，並指向同一個方向。在 Terminal-Bench 2.1（自主終端編碼）中，GLM 5.2 據報得分 81.0，大幅高於 GLM 5.1 的 62.0，距離 Claude Opus 4.8 的 85.0 約四分。在 SWE-bench Pro（解決實際軟體工程問題）中，據報得分 62.1，高於 GPT-5.5 的 58.6 及其前代模型的 58.4，但低於 Claude Opus 4.8 的 69.2。在 Artificial Analysis 的 Intelligence Index 中，據報得分 51，為所有開放權重模型中的最高分。

相比一般供應商表格，獨立驗證更難操弄，因此讓這些數字更具可信度。在 Arena.ai 的 Code Arena 上——這是一個根據人類盲測成對投票建立的 Elo 排行榜——GLM 5.2 據報位居總排名第二。在群眾參與的 Design Arena 中，它據報以 1360 的 Elo 分數取得第一名，甚至領先 Claude Fable 5。盲測人類偏好投票比自我報告的通過率更難操弄，因此這兩項結果是我最信任的。

我的判斷如下，這是觀點而非事實：GLM 5.2 是目前最強的開放權重編碼模型，在多項編碼任務中擊敗 GPT-5.5，而在最困難的長期程工作上，依任務不同，落後 Claude Opus 4.8 約一分至十三分。它很接近，但沒有超越——價格卻只有對方的一小部分。

GLM 5.2 vs Claude Opus 4.8 vs GPT-5.5

如果要在三者之間做選擇，取捨關係很清楚。下表列出已報告的編碼基準分數，以及不會變動的資訊（價格、上下文、授權）：

坦白說，Claude Opus 4.8 在最困難的代理式編碼任務上仍是三者中能力最強的；如果你付費是為了長時間自主執行中的正確性，它仍是安全的預設選擇。GPT-5.5 在這些特定編碼基準測試中居中。GLM 5.2 的賣點不是「它是最好的」——而是「它距離最好的模型只差幾分、採用開放權重，而且成本僅為其一小部分」。如果你對成本敏感、希望自行託管或進行微調，這個理由非常充分。如果你運行的是關鍵任務的長期程代理，而額外幾分可靠性足以抵銷成本，Claude Opus 4.8 是更保守的選擇。Claude 方面的價格由 Anthropic 公布；GLM 的數據是 Z.ai 公布的價格。

如果你想用自己的提示詞，對兩個封閉式競爭模型進行 A/B 測試，兩者都能透過 GPT Proto 的單一 API 呼叫——Claude Opus 4.8 (thinking) 和 GPT-5.5——每百萬 token 統一收費 4 美元。（這個統一價格是 GPT Proto 的；上表中的 5.00 / 25.00 美元輸入後輸出分開計價，是 Anthropic 對 Opus 4.8 的官方定價——同一模型，兩種不同的價格結構。）將三個模型系列置於同一個金鑰之後，是自行進行比較最便宜的方式。

GLM 5.2 與今日可用的 GLM 模型相比

GLM 5.2 本身以開放權重形式發布，你可以下載並自行託管——Z.ai 的託管 API 是呼叫它的唯一第一方方式，而如上所述，這也伴隨資料管轄權問題。但 GLM 系列並非從 5.2 才開始，而與先前版本的比較，是了解實際變化最清楚的方式。

最有用的比較對象是 GLM 5.1，也就是它的直接前代。兩項差異尤其突出。上下文視窗從約 200,000 token 增加到完整的 1,000,000 token——五倍提升，是最受矚目的升級。在編碼方面，報告的進步也很大：Terminal-Bench 2.1 從 62.0 升至 81.0，SWE-bench Pro 則從 58.4 升至 62.1。換句話說，GLM 5.2 在排行榜上的大部分提升，來自相較上一個版本的改進，而不是小幅調整。

如果你今天更想透過單一 OpenAI 相容 API 呼叫託管版 GLM，而不是建立開放權重的執行環境，GPT Proto 目前提供的 GLM 模型，就是產品線中緊接在 5.2 之前的版本：

GLM-5.1 是你在這裡能呼叫到、最接近 5.2 的模型——同一系列、早一代版本，具有約 200K 而非 1M 的上下文。對許多編碼工作而言，這是你不會察覺的差異；但對於需要一次將整個程式碼庫放入上下文的儲存庫規模任務而言，這正是 5.2 所填補的差距。所有模型的完整 token 價格都列在 模型頁面。

在 Claude Code 中使用 GLM 5.2，以及可執行範例

有一項細節讓 GLM 系列特別容易整合至現有工作流程：GLM 5.2 提供 Anthropic 相容端點。為 Claude 打造的工具——Claude Code、Cline、OpenCode——都能直接指向該端點，在不重寫整合的情況下替換編碼代理背後的模型。這就是「在 Claude coding 中使用 GLM 5.2」成為實際模式，而不只是搜尋詞的原因：代理框架保持不變，只有底層模型改變。（針對 5.2，這表示使用 Z.ai 自有端點或自行託管的部署，因為開放權重是第一方路徑。）

如果你不想管理部署環境，今天最實際的做法是透過 GPT Proto 的 OpenAI 相容 API 呼叫託管版 GLM。以下以 GLM 5.1——目前最接近的同系列模型——為例，在決定 5.2 額外的上下文是否值得自行託管之前，它能提供良好的基準：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_GPTPROTO_API_KEY",
    base_url="https://api.gptproto.com/v1",
)

resp = client.chat.completions.create(
    model="glm-5.1",
    messages=[
        {
            "role": "user",
            "content": (
                "Refactor this function for readability and explain the change:\n\n"
                "def f(x):\n"
                "    return [i for i in x if i % 2 == 0]"
            ),
        }
    ],
)

print(resp.choices[0].message.content)

以下是使用 cURL 發送相同請求的方式：

curl https://api.gptproto.com/v1/chat/completions \
  -H "Authorization: Bearer $GPTPROTO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.1",
    "messages": [
      {"role": "user", "content": "Write a Python function that returns the nth Fibonacci number, iteratively."}
    ]
  }'

將 glm-5.1 替換為 glm-5 或 glm-5-turbo，即可在品質與成本之間取捨；也可以替換為 claude-opus-4-8-thinking / gpt-5.5，以執行上表中的相同比較——全部使用同一個金鑰。

你首先需要取得該金鑰：從 GPT Proto 控制台建立一組，將它填入 YOUR_GPTPROTO_API_KEY，上面的呼叫即可直接執行。如果你想在決定之前估算成本，所有模型的 token 價格都列於 模型頁面。

它的優勢與不足

它的優勢很明確：在現有排行榜上，它是頂尖的開放權重編碼模型；採用真正寬鬆的 MIT 授權；百萬 token 上下文得益於 IndexShare，確實可用且執行成本可負擔；而且其成本效能比在同級中最佳。

它的弱點同樣明確，也值得直接說明，而不是埋在文章中。它在最困難的長期程編碼任務上落後 Claude Opus 4.8——差距不大，但始終存在。Z.ai 沒有公布官方基準測試，因此在更多獨立實驗室重現結果之前，這些數字都應該打上星號。此外，雲端 API 的資料管轄權問題確實存在：如果你的資料依法或依合約不能離開特定界線，託管的 Z.ai API 就是錯誤的選擇——請改為自行託管開放權重，這正是開放權重存在的全部意義。

誰適合使用，誰不適合使用

如果你是希望以不使用前沿模型價格取得接近前沿的編碼能力、需要自行託管或微調，或者正在打造 token 支出占主導地位的成本敏感型代理產品的開發者，就適合使用 GLM 5.2。對於已經擁有 Claude 相容代理框架，並希望在其背後使用更便宜引擎的人來說，它尤其合適。

如果你運行的是關鍵任務、長期程的自主代理，而最後幾分可靠性值得支付額外費用；或者你的工作受資料駐留規範約束，託管 GLM API 無法滿足要求且你又無法自行託管，那麼應該選擇 Claude Opus 4.8。