GLM-5.2

GLM-5.2 是智谱 AI / Z.ai 在 2026 年 6 月 13 日推出的 GLM-5 系列旗舰模型，定位于长程任务（long-horizon tasks）和 Agentic Coding / Agentic Engineering 场景。官方文档将其描述为面向项目级工程上下文的旗舰基础模型，核心变化是把 GLM-5.1 的约 200K 上下文提升到真正可用的 1M tokens，并保持 128K tokens 最大输出能力。

模型已经在 Z.ai Chat、GLM Coding Plan 和 Z.ai API 文档中上线，官方开源入口为 Hugging Face 的 zai-org/GLM-5.2，代码与部署说明集中在 zai-org/GLM-5 仓库。Hugging Face 模型元数据标注为 MIT License、文本生成模型，并列出英文与中文语言标签。

架构与技术规格

GLM-5.2 延续 GLM-5 系列的 MoE / DSA 技术路线。Hugging Face safetensors 元数据显示模型总参数约 753.33B；官方模型卡标签包含 glm_moe_dsa，但未在公开文档中给出 GLM-5.2 的激活参数数量，因此本条目暂不填写激活参数。官方模型卡还介绍了 IndexShare 稀疏注意力优化：在 1M 上下文长度下复用索引器以降低每 token FLOPs；同时改进 MTP speculative decoding，使接受长度提升。

• 输入模态：文本
• 输出模态：文本
• 上下文窗口：1M tokens
• 最大输出：128K tokens
• 能力：思考模式、流式输出、函数调用、上下文缓存、结构化输出、MCP 工具集成
• 部署：官方模型卡列出 SGLang、vLLM、xLLM、Transformers、KTransformers 等本地推理框架支持

思考模式与使用方式

Z.ai 文档说明 GLM-5.2 默认启用 thinking；如需关闭，可在请求中显式设置禁用思考。面向 Coding Plan / Claude Code 等场景，官方建议通过 effort 控制推理强度，其中常规 low / medium / high 会映射到 GLM-5.2 的 high effort，xhigh / max / ultracode 会映射到 max effort。DataLearner 侧将其记录为支持关闭、高强度和最高强度三类思考模式。

官方评测结果

GLM-5.2 发布后，官方模型卡补充了覆盖推理、编程与 Agentic 能力的 benchmark 表。可直接映射到 DataLearner 现有基准的代表性结果包括：HLE 40.5、HLE with Tools 54.7、AIME 2026 99.2、IMO-AnswerBench 91.0、GPQA Diamond 91.2、SWE-Bench Pro 62.1、Terminal Bench 2.1（Terminus-2）81.0。官方同时列出 HMMT、CritPt、NL2Repo、DeepSWE、ProgramBench、FrontierSWE、PostTrainBench、SWE-Marathon、MCP-Atlas 等结果；其中尚未纳入 DataLearner 基准目录的项目暂只在正文说明，不强行写入成绩表。

与 GLM-5.1 相比，官方表中 GLM-5.2 在 SWE-Bench Pro 从 58.4 提升到 62.1，在 Terminal Bench 2.1（Terminus-2）从 63.5 提升到 81.0；在 AIME 2026 从 95.3 提升到 99.2。整体定位仍然是开源模型中的长程工程与代码任务旗舰，而非单纯对话模型。

价格与访问

Z.ai Developer Docs 的 API 定价页显示，GLM-5.2 文本模型按每 1M tokens 计费：输入 1.4 美元、缓存输入 0.26 美元、缓存输入存储限时免费、输出 4.4 美元。国内智谱开放平台页面也展示了人民币价格口径；DataLearner 的 V2 价格表优先按 Z.ai 官方美元 API 文档记录。

限制与注意事项

GLM-5.2 的核心优势集中在长上下文、代码和多步工程任务。1M 上下文能显著减少大型项目分析中的上下文断裂，但并不等价于无限可靠记忆；超长任务仍需要明确的工程约束、阶段性校验和工具调用记录。官方未公开 GLM-5.2 的知识截止时间与激活参数规模，本条目保留为空，待后续技术报告或模型卡更新后再补充。