Zhipu GLM-5.2

• 1. ringkasan (973 karakter)

  Pada 17 Juni 2026, Zhipu secara resmi meluncurkan dan membuka sumber model besar andalan generasi baru GLM-5.2. Posisinya telah bergeser dari tanya jawab instan menjadi "tugas jangka panjang" - memungkinkan AI bekerja terus menerus selama beberapa jam seperti manusia dan secara mandiri menyelesaikan proyek lengkap berskala besar. Pada daftar komprehensif Analisis Buatan, GLM-5.2 mencetak 51 poin, berada di peringkat tiga teratas bersama dengan Anthropic dan OpenAI, membentuk apa yang disebut pola "New Royal Three". Ini adalah pertama kalinya model sumber terbuka bersaing dengan produk andalan sumber tertutup dalam skenario rekayasa paling keras seperti kode dan tugas jangka panjang. Model ini mengadopsi arsitektur MoE parameter 744B (sekitar 40B parameter aktif per token). Ini sepenuhnya open source di bawah protokol MIT dan dapat digunakan secara gratis untuk penggunaan komersial. Baik pelatihan maupun inferensi tidak bergantung pada kekuatan komputasi luar negeri. Ini telah diadaptasi ke sembilan platform komputasi utama domestik termasuk Huawei Ascend, Pingtou Ge, dan Moore Threads pada hari pertama peluncuran.

• 2. Latar belakang produk (1480 karakter)

  Zhipu (Beijing Zhipu Huazhang Technology Co., Ltd.) adalah perusahaan startup model berskala besar terkemuka di Tiongkok. Perusahaan ini mengungkapkan laporan kinerja pertamanya di Bursa Efek Hong Kong pada Maret 2026 (kode saham 02513.HK), dan telah memasuki tahap komersialisasi dari tahap penelitian dan pengembangan murni. GLM-5.2 adalah iterasi besar lainnya dari seri GLM di GLM. Mulai awal tahun 2025, Zhipu telah menginvestasikan hampir seluruh upayanya dalam meneliti kemampuan pengkodean. Ia telah melalui iterasi berkelanjutan dari GLM-4.5, GLM-4.7, GLM-5.0, dan GLM-5.1, dan akhirnya mencapai tujuan "model sumber terbuka yang mengkode SOTA" dengan GLM-5.2. Terobosan inti dari model ini adalah menyediakan jutaan jendela konteks untuk penggunaan teknik. GLM-5.2 mengusulkan inovasi arsitektur IndexShare—menggunakan kembali pengindeks yang sama di antara setiap empat lapisan perhatian yang jarang, mengurangi FLOP per token menjadi 2,9 kali dalam panjang konteks 1 juta. Lapisan MTP untuk decoding spekulatif juga telah ditingkatkan, meningkatkan panjang yang diterima hingga 20%. Sisi pelatihan mengandalkan kerangka Slime yang dikembangkan sendiri untuk mendukung pelatihan Agentic RL dan OPD berskala besar. Dalam hal posisi industri, peluncuran GLM-5.2 bertepatan dengan jendela waktu kritis ketika model-model terkuat di luar negeri beralih ke model tertutup dan permintaan terhadap alternatif sumber terbuka semakin meningkat. Claude Fable 5 tunduk pada kontrol ekspor oleh Amerika Serikat, dan pengembang luar negeri sangat membutuhkan alternatif kelas atas yang dapat diandalkan. Kemunculan GLM-5.2 telah mengisi kesenjangan pasar, dan disebut "momen DeepSeek 2.0" oleh beberapa analis.

• 3. Fungsi produk dan pengalaman penggunaan (2758 karakter)

  Kemampuan inti GLM-5.2 berkisar pada tiga arah utama: Long Horizon Task, Coding, dan Ultimate Infra Optimization. Untuk misi jarak jauh, GLM-5.2 mengimplementasikan konteks Solid 1M lossless. Ini tidak hanya ditandai dengan 1M pada parameternya, tetapi juga dapat digunakan dalam bidang teknik dalam aplikasi sebenarnya. Zhipu menghabiskan beberapa bulan untuk memperluas lingkungan pelatihan Agen Pengkodean 1M secara signifikan, yang mencakup banyak bidang umum seperti implementasi skala besar, penelitian otomatisasi, dan optimalisasi kinerja. Pada set pengujian FrontierSWE (sebuah tolok ukur yang menguji apakah AI dapat menyelesaikan proyek teknis yang kompleks dalam skala jam hingga puluhan jam), GLM-5.2 memperoleh skor 74,4%, hanya 1% lebih rendah dari Claude Opus 4.8 dan melebihi GPT-5.5 sebesar 72,6%. Menurut demonstrasi Zhipu, GLM-5.2 dapat memproses lebih dari 880,000 token dalam satu putaran tugas yang berkelanjutan, secara mandiri menyelesaikan proses pengiriman perangkat lunak lengkap mulai dari pengembangan, debugging bersama, pengujian hingga pengemasan dan online, dan menghasilkan aplikasi lengkap yang mencakup halaman web, terminal seluler, dan program mini dalam beberapa jam. Dalam hal kemampuan pengkodean, GLM-5.2 tetap menjadi SOTA open source pada berbagai tolok ukur resmi. Dalam evaluasi preferensi manusia Design Arena, GLM-5.2 menempati peringkat pertama di dunia dengan 1360 Elo, sedikit mengungguli Claude Opus 4.8 yang memiliki 1350 Elo. Skornya 62,1% di SWE-bench Pro, melebihi 58,6% dari GPT-5.5. Skornya adalah 81,0 pada Terminal-Bench 2.1 (benchmark yang mengevaluasi Agen AI yang mengoperasikan komputer melalui baris perintah), peningkatan sebesar 17,5 poin persentase dibandingkan dengan GLM-5.1. Pada MCP-Atlas (tinjauan penggunaan alat), GLM-5.2 hanya berbeda 0,8% dari Opus 4.8. Model ini juga memperkenalkan kontrol tingkat upaya (perangkat berpikir), sehingga pengguna dapat menyeimbangkan kemampuan, kecepatan, dan biaya. Dalam hal optimasi Infra, inferensi online GLM-5.2 bergantung pada berbagai platform komputasi domestik. Pada Hari ke-0, perusahaan telah menyelesaikan adaptasi inferensi dengan platform komputasi dalam negeri seperti Huawei Ascend, Pingtou Ge, Moore Thread, Cambrian, Kunlun Core, Muxi, Haiguang, Biren, Tianshu Zhixin, dll., sehingga mencapai operasi yang stabil dengan throughput tinggi, latensi rendah, dan konkurensi besar pada klaster chip domestik. Namun, dalam penggunaan sebenarnya, masukan pengguna juga mengungkapkan beberapa kekurangan yang jelas. Beberapa pengembang telah mengujinya dan menunjukkan hal ituTernyata GLM-5.2 mempunyai masalah "dispersi" - mudah untuk melupakan konteks dan keluar jalur dalam tugas multi-langkah. Ada juga pengguna yang melaporkan bahwa model tersebut memiliki kecenderungan "persyaratan ekspansi ilusi". Pengguna meminta A, dan model secara otomatis menambahkan B dan C, sehingga menambah beban peninjauan. Selain itu, GLM-5.2 merupakan model yang hanya berupa teks dan tidak memiliki kemampuan multimodal asli - model andalan tahun 2026 tidak memiliki visi, yang terlihat janggal dalam konteks produk pesaing yang umumnya memiliki kemampuan multimodal.

• 4. Penetapan harga dan model bisnis (1216 karakter)

  Harga API untuk GLM-5.2 sangat kompetitif. Pada basis per juta token, biaya input sekitar $1,40 dan biaya output sekitar $4,40. Sebagai perbandingan, biaya input/output Claude Opus 4.8 masing-masing adalah $5/$25, dan GPT-5.5 adalah $5/$30. Dihitung berdasarkan skenario simulasi 50 juta token/bulan, biaya bulanan GLM-5.2 adalah sekitar $145, Opus 4.8 sekitar $750, dan GPT-5.5 sekitar $875. Memilih GLM-5.2 dapat menghemat hingga $730 per bulan. Pada saat yang sama, GLM-5.2 sepenuhnya bersifat open source di bawah protokol MIT, dan perusahaan dapat membangun dan menerapkannya sendiri, sehingga sepenuhnya menghilangkan biaya penagihan API berdasarkan token. Hal ini sangat menarik bagi perusahaan dengan kepatuhan data yang ketat - protokol MIT dapat dimodifikasi secara bebas untuk penggunaan komersial, data penerapan dalam negeri tidak keluar dari negara tersebut, dan tidak ada rasa takut akan gangguan pasokan layanan eksternal. Namun, GLM-5.2 memiliki masalah "konsumsi tinggi" pada sistem paket Zhipu sendiri. Karena posisi model yang high-end, kuota dikonsumsi dalam beberapa tingkat saat menelepon (3 kali selama periode sibuk, 1 kali selama periode non-puncak). Selain itu, konsumsi token inferensi tunggal besar (semua 1 juta konteks diambil). Pengguna paket Lite biasa melaporkan bahwa "kuota 5 jam habis dalam satu setengah jam", dan pengalaman penggunaan sebenarnya dibatasi oleh batasan paket.

• 5. Ulasan pengguna (1504 karakter)

  Dari sampel 807 pengguna sebenarnya, 69% memberikan ulasan positif. Umpan balik positif terkonsentrasi pada tiga arah: kemampuan pengembangan front-end yang luar biasa, kinerja biaya yang unggul dibandingkan model sumber tertutup serupa, dan fleksibilitas tinggi dari protokol sumber terbuka MIT. Pengembang memigrasikan seluruh alur kerja Opus ke GLM-5.2, dan biaya daya komputasi turun dari US$186 menjadi US$17. Sebuah perusahaan menguji secara membabi buta efek pembuatan halaman arahan front-end dan menemukan bahwa kualitas produk jadi hampir sama dengan Opus 4.8, tetapi biayanya hanya 1/6. Bahkan ada perusahaan Fortune 500 yang telah mengalihkan separuh upaya coding mereka ke model ini. Dilihat dari potret pengguna, 82% pengguna adalah pemrogram, dengan fokus pada skenario teknis seperti pengkodean, pengembangan agen, dan penerapan lokal, dan 71% adalah pengguna berbahasa Inggris. Hal ini membuktikan bahwa popularitas GLM-5.2 murni berasal dari kalangan pengembang global, bukan lalu lintas pan-C-end. Umpan balik negatif juga sama jelasnya. Sekitar 31% pengguna sebenarnya memberikan ulasan negatif dengan tingkat yang berbeda-beda. Keluhan utama meliputi: kecepatan inferensi yang lambat, efisiensi token yang rendah (tugas yang sama menghabiskan lebih banyak token dibandingkan produk pesaing), stabilitas pengoperasian yang tidak memadai (kesalahan sesekali seperti "Parameter prompt tidak diterima secara normal"), dan kurangnya kemampuan visual. Seorang blogger Nuggets menyimpulkan setelah menggunakannya selama sehari bahwa "tidak apa-apa untuk menulis kode, tapi jangan berharap untuk merencanakan peristiwa yang rumit." Dia juga membagikan rencana kombinasi "Claude sebagai otak dan GLM-5.2 sebagai tangan."

• 6. Evaluasi industri (1573 karakter)

  Ulasan dari media industri umumnya positif. Media arus utama seperti Science and Technology Daily, CCTV, dan China Daily telah membuat laporan ekstensif tentang GLM-5.2, menekankan pentingnya kombinasi "model nasional sumber terbuka + kekuatan komputasi domestik". Sebuah laporan di China Daily menunjukkan bahwa "Dalam konteks model terkuat di luar negeri yang beralih ke model tertutup dan permintaan terhadap alternatif sumber terbuka meningkat, kombinasi ini telah menarik perhatian dari seluruh industri." Tang Jie, pendiri GLM, mengkonfirmasi dalam surat internal "The Big Wave Is Coming" pada tanggal 11 Juli bahwa beberapa indikator inti GLM-5.2 telah menyamai atau bahkan melampaui produk andalan sumber tertutup seperti GPT-5.5. Pengumuman ini menegaskan transisi industri yang sedang terjadi - untuk pertama kalinya, model open source bersaing dengan produk unggulan close source dalam skenario rekayasa paling keras seperti kode dan tugas jangka panjang. Dalam hal lanskap produk yang kompetitif, pesaing langsung GLM-5.2 termasuk Claude Opus 4.8 (Anthropic), GPT-5.5 (OpenAI), Kimi K2.7 Code (Dark Side of the Moon), MiniMax M3, dll. Di jalur coding, Claude Opus 4.8 masih mempertahankan keunggulan secara keseluruhan, namun GLM-5.2, sebagai model open source, telah mengurangi kesenjangan dengan produk unggulan close source hingga hanya 5%. Dalam hal kinerja biaya yang komprehensif, GLM-5.2 memiliki keunggulan luar biasa. Namun, beberapa analis menunjukkan bahwa "api" GLM-5.2 memiliki komponen false high tertentu. Analisis lengkap terhadap 9.163 tweet terkait menunjukkan bahwa hanya 9% pengguna yang benar-benar menggunakannya dan memberikan ulasan spesifik, dan hampir 80% didorong oleh volume komunikasi dan pengaruh modal. Popularitas topik ini jauh lebih tinggi daripada ukuran pengguna sebenarnya.

• 7. Kontroversi dan Risiko (1371 karakter)

  Perselisihan dan risiko utama yang dihadapi GLM-5.2 berfokus pada beberapa aspek. Yang pertama adalah isu stabilitas praktis dalam konteks yang panjang. Meskipun klaim resminya adalah "1M Solid adalah konteks lossless", banyak pengembang telah menemukan dalam pengujian sebenarnya bahwa model tersebut mengalami gangguan selama tugas jarak jauh multi-langkah - "Tidak masalah jika jendelanya diperluas hingga 1 juta, otak masih hanya melihat awal dan akhir." GLM-5.2 tidak kebal terhadap kelemahan kolektif model konteks panjang. Kedua, ada masalah stabilitas produk dan pengalaman pengguna. Beberapa pengguna melaporkan bahwa saat menggunakan Coding Plan resmi Zhipu, bahkan membaca file txt pun akan mengakibatkan kesalahan. Pesan kesalahannya adalah `alasan=tidak diketahui`, dan tidak ada petunjuk kesalahan yang dapat dipecahkan. Terdapat kesenjangan antara kemampuan model itu sendiri dan tingkat penyelesaian pada tingkat produk. Yang ketiga adalah kontroversi kebijakan penagihan. Mekanisme penggandaan konsumsi 3 kali lipat selama periode puncak telah menyebabkan banyak pengguna mengeluh bahwa kuota "terbakar terlalu cepat", dan paket biasa sulit mendukung skenario pengembangan nyata. Masalah ini memicu diskusi luas di komunitas bahwa "modelnya kuat namun menyenangkan untuk digunakan, dan ini merupakan dua hal yang berbeda." Terakhir, hilangnya kemampuan visual. Model andalan tahun 2026 tidak memiliki kemampuan multimodal asli. Dalam konteks produk pesaing yang umumnya memiliki kemampuan multimoda, kekurangan ini mungkin membatasi skenario penerapan GLM-5.2.

• 8. Grup yang berlaku dan saran penggunaan (1022 karakter)

  GLM-5.2 paling cocok untuk pemrogram dan tim pengembangan, terutama dalam skenario berikut: persyaratan otomatisasi pengkodean frekuensi tinggi; gudang kode besar yang memerlukan jutaan konteks; tim yang sensitif terhadap biaya dan ingin mengurangi biaya API; perusahaan yang memiliki persyaratan kepatuhan data dan memerlukan penempatan lokal; pengembang yang ingin memigrasikan pekerjaan pengkodean mereka dari model sumber tertutup ke model sumber terbuka. Skenario yang paling tidak sesuai meliputi: tugas yang memerlukan pemahaman multi-modal (melihat gambar, analisis video, dll.); desain arsitektur tingkat tinggi yang kompleks dan tidak jelas yang memerlukan perencanaan model secara mandiri; dan skenario interaktif yang memerlukan kecepatan penalaran real-time yang sangat tinggi. Untuk pengembang biasa, penggunaan yang disarankan adalah "memanfaatkan kekuatan dan menghindari kelemahan": serahkan tugas pemfaktoran ulang dan pengkodean yang memerlukan visi global dan tujuan yang jelas ke GLM-5.2, dan serahkan tautan yang memerlukan pemahaman niat, klarifikasi persyaratan, dan perencanaan rumit ke model yang pandai "berpikir jernih" seperti Claude atau GPT.

• 9. Meringkaskan (720 karakter)

  GLM-5.2 merupakan terobosan penting bagi model besar domestik di bidang pengkodean kelas atas. Untuk pertama kalinya, ini menempatkan model open source di jalur yang sama dengan andalan sumber tertutup dalam hal kode dan tugas jangka panjang, dan memberi pengembang alternatif yang benar-benar dapat diimplementasikan dengan kinerja biaya ekstrem dan perjanjian sumber terbuka MIT. Pada titik balik dalam industri di mana model-model terkuat di luar negeri mulai ditutup dan ekosistem daya komputasi dalam negeri semakin matang, GLM-5.2 berada di jalur yang benar. Namun ini bukannya sempurna - stabilitas perhatian dalam konteks yang panjang, kurangnya kemampuan multimodal, penyelesaian tingkat produk, dan masalah pengalaman pengguna yang disebabkan oleh strategi penagihan adalah "gunung berikutnya" yang harus terus ditaklukkan.

Belum ada laporan mendalam

• 

  SLeeK

  —

  用了一周 GLM-5.2，最大的感受就是编程能力确实强，前端生成页面基本跟 Opus 一个水平，但确实有涣散的问题，长任务跑到后面就忘了前面说过什么。

---

• 

  Adrianc41

  —

  从 5.1 换到 5.2，最明显的感觉就是上下文真的大了，以前 20 万 token 撑满就幻觉，现在整个项目塞进去还能改得动。

---

• 

  Stephanie_Morgan_Pro

  —

  当天额度一个小时就烧完了，我还以为是 bug，结果发现是 5.2 在高峰期按 3 倍扣额度，太难了。

---

• 

  DAOthinker464

  —

  对比 Opus 4.8 和 GPT-5.5 实测了一周，前端能力 GLM-5.2 确实不虚，但复杂系统的架构设计还是 Claude 更强，5.2 容易在中间步骤跑偏。

---

• 

  CAphi

  —

  把整套 Opus 的工作流迁过去了，算力成本从 186 降到 17 美元，真的很香。

---

• 

  reddog874

  —

  开源协议是 MIT，可以随便商用部署，这点对合规要求高的公司真是太友好了。

---

• 

  BenjaminFlores_Pro

  —

  纯文本模型，2026 年了旗舰机不带视觉，说实话有点尴尬，同期的 Kimi K2.7 Code 和 MiniMax M3 都是多模态。

---

• 

  r6xxu1c

  —

  试了一下让它读 txt 文件，直接报错「The prompt parameter was not received normally」，太离谱了。

---

• 

  Sam_anthaWood

  —

  写代码确实不错，但让它做规划就别指望了，我的用法是 Claude 当大脑、GLM-5.2 当手，配合起来体验最佳。

---

• 

  z5l3kae7k

  —

  价格确实是降维打击，按 5000 万 token 算一个月才 145 美元，Opus 要 750，这差价足够让我忍它的缺点了。

---

• 

  段娜

  —

  1M 上下文是真的能用的，不像某些模型标了百万其实几十万就开始掉链子，5.2 我塞了八十几万 token 跑完一整个工程没断。

---

• 

  SPeterson_2020

  —

  让我最烦的是它老爱自作主张，让它做 A 它非要顺手把 B 和 C 也做了，审起来比自己做还累。

---

• 

  CarolJ_ohnson

  —

  全球可用模型 Code Arena 第一，这成绩确实硬，不是吹的。

---

• 

  co25ko0ac3

  —

  公司里盲测了前端落地页生成，成品跟 Opus 4.8 几乎没有肉眼可见的差距，但成本只有六分之一，果断切了。

---

• 

  Aaron.Cook_77

  —

  Lite 套餐根本扛不住 5.2，一个半小时见底，升了 Pro 才好点。

---

• 

  JOols

  —

  推理速度偏慢，等得有点心焦，但考虑到这个价格也认了。

---

• 

  MHoward_2021

  —

  在 Claude Code 里接上它，改了一个几万行代码的项目，十轮交互下来不跑偏，体验比 5.1 好太多了。

---

• 

  GameFiGamer273

  —

  Vercel 的 CEO 都说「almost shocked」，这波国产模型是真的支棱起来了。

---

• 

  WPowell_2024269

  —

  Fable 5 被 ban 那天 GLM-5.2 刚好开源，时间点卡得太妙了，MIT 协议意味着谁也 ban 不了它。

---

• 

  CatherineHolm

  —

  用 Rust 从零复刻阿波罗登月计算机那个 demo 真的震撼到我了，虽然日常用不上，但足以证明它的实力。

---

• 

  Nicholas_Murphy_77

  —

  SWE-bench Pro 62.1 超了 GPT-5.5 的 58.6，这个数据挺说明问题，但跟 Opus 4.8 的 69.2 还有差距，营销话术说「接近 Opus」多少有点夸张了。

---

• 

  Emily_Henderson_66

  —

  高峰期 14 点到 18 点千万别用，3 倍扣额度真扛不住，我现在都赶上午干活。

---

• 

  James.Sanchez_2022

  —

  国产算力适配是亮点，华为昇腾、摩尔线程都能跑，不用担心被卡脖子。

---

• 

  CrnptoLink

  —

  前端开发能力确实强，Design Arena 排第一不是吹的，生成页面审美在线，但后端那种需要理解复杂业务逻辑的活它就不太行了。

---

• 

  Michellew70

  —

  token 消耗太大，同个任务比 Claude 多用 50% 的 token，虽然单价便宜但总价优势没那么大。

---

• 

  TheStephanieAnderson_dev

  —

  知乎大 V 说「以后用 Opus 可能其实是 GLM-5.2 冒充的你都分不出来」，笑死。

---

• 

  Kenneth_MendozaJr10

  —

  试了让它写一个 Minecraft 克隆，直接跑出来了能飞的版本，体验比 GPT-5.5 的版本还好。

---

• 

  sadmeercat181

  —

  自己部署的话门槛不低，744B 的大模型需要挺多显存，不是人人都能本地跑的。

---

• 

  SUpet

  —

  个人开发者小团队用性价比无敌，闭源模型那种按 token 付费的模式对高频调用太伤了。

---

• 

  Bruce_Kelly

  —

  24 小时跑完一个 SaaS 项目从开发到上线，88 万 token，实现了我对 AI 编程的终极想象。

Belum ada ulasan