Z.ai: GLM 5.2

? Dołącz do naszej społeczności WeChat lub Discord. ? Sprawdź blog GLM-5.2 i raport techniczny GLM-5. ? Korzystaj z usług API GLM-5.2 na platformie API Z.ai. ? Wypróbuj GLM-5.2 tutaj.

Przedstawiamy GLM-5.2, nasz najnowszy flagowy model do zadań długoterminowych. Stanowi on znaczący skok w możliwościach zadań długoterminowych w porównaniu z poprzednikiem GLM-5.1 i po raz pierwszy dostarcza tę możliwość na solidnym kontekście 1M tokenów.

Nowe możliwości GLM-5.2 obejmują:

• Solidny kontekst 1M: Solidny kontekst 1M tokenów, który stabilnie utrzymuje długoterminową pracę
• Zaawansowane kodowanie z elastycznym wysiłkiem: Silniejsze możliwości kodowania z wieloma poziomami wysiłku myślenia, aby zrównoważyć wydajność i opóźnienia
• Ulepszona architektura: Proponujemy IndexShare, który ponownie używa tego samego indeksatora w co czwartej rzadkiej warstwie uwagi, redukując FLOPs na token o 2,9× przy długości kontekstu 1M. Ulepszamy również warstwę MTP GLM-5.2 do spekulacyjnego dekodowania, zwiększając długość akceptacji nawet o 20%
• Czysto otwarty: Licencja open-source MIT — bez ograniczeń regionalnych, dostęp techniczny bez granic

Benchmark	GLM-5.2	GLM-5.1	Qwen3.7-Max	MiniMax M3	DeepSeek-V4-Pro	Claude Opus 4.8	GPT-5.5	Gemini 3.1 Pro
Rozumowanie
HLE	40.5	31	41.4	37	37.7	49.8*	41.4*	45
HLE (z narzędziami)	54.7	52.3	53.5	–	48.2	57.9*	52.2*	51.4*
CritPt	20.9	4.6	13.4	3.7	12.9	20.9	27.1	17.7
AIME 2026	99.2	95.3	97	–	94.6	95.7	98.3	98.2
HMMT Nov. 2025	94.4	94	95	84.4	94.4	96.5	96.5	94.8
HMMT Feb. 2026	92.5	82.6	97.1	84.4	95.2	96.7	96.7	87.3
IMOAnswerBench	91.0	83.8	90	–	89.8	83.5	–	81
GPQA-Diamond	91.2	86.2	90	93	90.1	93.6	93.6	94.3
Kodowanie
SWE-bench Pro	62.1	58.4	60.6	59	55.4	69.2	58.6	54.2
NL2Repo	48.9	42.7	47.2	42.1	35.5	69.7	50.7	33.4
DeepSWE	46.2	18	18	20	8	58	70	10
ProgramBench	63.7	50.9	–	–	47.8	71.9	70.8	39.5
Terminal Bench 2.1 (Terminus-2)	81.0	63.5	75	65	64	85	84	74
Terminal Bench 2.1 (Najlepszy zgłoszony harness)	82.7	69	–	–	–	78.9	83.4	70.7
FrontierSWE (Dominance)	74.4	30.5	–	–	29.0	75.1	72.6	39.6
PostTrainBench	34.3	20.1	–	–	–	37.2	28.4	21.6
SWE-Marathon	13.0	1.0	–	–	–	26.0	12.0	4.0
Agentowe
MCP-Atlas (Zbiór publiczny)	76.8	71.8	76.4	74.2	73.6	77.8	75.3	69.2
Tool-Decathlon	48.2	40.7	–	–	52.8	59.9	55.6	48.8

GLM-5.2 obsługuje wdrożenie z następującymi frameworkami. Zachęcamy do wypróbowania:

• SGLang (v0.5.13.post1+) — zobacz cookbook
• vLLM (v0.23.0+) — zobacz przepisy
• Transformers (v0.5.12+) — zobacz dokumentację transformers
• KTransformers (v0.5.12+) — zobacz poradnik
• Unsloth (v0.1.47-beta+) — zobacz przewodnik
• Do wdrożenia na platformie Ascend NPU obsługiwane są frameworki wnioskowania takie jak vLLM-Ascend, xLLM i SGLang — zobacz tutaj.

• Humanity’s Last Exam (HLE) i inne zadania rozumowania: Do oceny używamy parametrów próbkowania temperature=1.0, top_p=0.95. Oceniamy z maksymalną długością generacji 163 840 tokenów. Domyślnie raportujemy podzbiór tylko tekstowy; wyniki oznaczone * pochodzą z pełnego zbioru. Dla AIME, HMMT i IMOAnswerBench oceniamy każde pytanie za pomocą następującego promptu systemowego: Your response should be in the following format:\nExplanation: {your explanation for your final answer}\nExact Answer: {your succinct, final answer}\nConfidence: {your confidence score between 0% and 100% for your answer}. Używamy GPT-5.5 (medium) jako modelu sędziego. Dla HLE z narzędziami używamy maksymalnej długości kontekstu 300 000 tokenów, bez strategii zarządzania kontekstem.
• SWE-Bench Pro: Uruchamiamy zestaw SWE-Bench Pro z OpenHands przy użyciu dostosowanego promptu instrukcji. Ustawienia: temperature=1, top_p=1, max_new_tokens=32k, z oknem kontekstu 400K.
• NL2Repo: Oceniliśmy NL2Repo z temperature=1.0, top_p=1.0 i max_new_tokens=48k przy kontekście 400k. Aby zapobiec nadużyciom, używamy oceny opartej na regułach i LLM, aby zapobiec złośliwym zachowaniom (np. nieautoryzowane operacje pip lub curl).
• DeepSWE: Uruchamiamy DeepSWE z oficjalnym frameworkiem oceny pier i harnessem mini-swe-agent (temperature=1.0, top_p=1.0, timeout=2h, kontekst 400K). Każde zadanie jest rozwiązywane w izolowanym kontenerze z 2 CPU, 8 GB RAM i bez dostępu do internetu.
• ProgramBench: Oceniamy ProgramBench (200 instancji) z Claude-Code 2.1.156 przy użyciu temperature=1.0, top_p=1.0, max_tokens=64000, max_turns=2000, sample_timeout=6h, reasoning_effort=max, z oknem kontekstu 400K. Każda instancja działa w piaskownicy (4 CPU, 8 GB RAM) z wyłączonym dostępem do internetu.
• Terminal-Bench 2.1 (Terminus 2): Oceniamy Terminal-Bench 2.1 z frameworkiem Terminus-2 przy użyciu parser=json, timeout=4h, temperature=1.0, top_p=1.0, max_new_tokens=48k, max_episodes=500, z oknem kontekstu 256K. Limity zasobów są ograniczone do 4 CPU i 8 GB RAM.
• Terminal-Bench 2.1 (Claude Code): Oceniamy w Claude Code 2.1.167 z temperature=1.0, top_p=0.95, max_new_tokens=131072. Zastępujemy maxnewtokens na 128k przez przezroczysty proxy, omijając limit CLI 64k, aby przywrócić konfigurowalność CLAUDE_CODE_MAX_OUTPUT_TOKENS. Usuwamy limity czasu rzeczywistego, zachowując ograniczenia CPU i pamięci na zadanie. Wyniki są uśrednione z 5 uruchomień.
• MCP-Atlas: Wszystkie modele zostały ocenione w trybie myślenia na publicznym podzbiorze 500 zadań z limitem czasu 10 minut na zadanie. Używamy Gemini-3.0-Pro jako modelu sędziego do oceny.
• Tool-Decathlon: Korzystamy z oficjalnej usługi oceny i ustawiamy max_token na 128K.
• FrontierSWE: Ocena została przeprowadzona przez Proximal z długością kontekstu 1M, maksymalnym poziomem wysiłku i 128K maksymalnych tokenów wyjściowych. Wynik Dominance zgłoszony na dzień 2026/06/16.
• PostTrainBench: Ocena została przeprowadzona przez PostTrainBench z długością kontekstu 1M, maksymalnym poziomem wysiłku i 128K maksymalnych tokenów wyjściowych.
• SWE-Marathon: Ocena została przeprowadzona przez Abundant AI z długością kontekstu 1M, maksymalnym poziomem wysiłku i 128K maksymalnych tokenów wyjściowych.

Jeśli GLM-5.2 okaże się przydatny w Twoich badaniach, prosimy o cytowanie naszego raportu technicznego: