GLM-5.2: chiński model open-source, który depcze po piętach Opusowi 4.8

Czym właściwie jest GLM-5.2 i skąd się wziął

GLM-5.2 to model typu Mixture-of-Experts z liczbą parametrów w okolicy 744-753 miliardów, z czego na pojedynczy token aktywuje się około 40 miliardów. Architektura bazuje na 384 ekspertach i odziedziczyła rdzeń po GLM-5 oraz GLM-5.1.

Tu pojawia się detal, który łatwo przeoczyć, a który ma ciężar polityczny. Cała seria GLM-5 powstała na chipach Huawei Ascend 910B, w środowisku MindSpore, na 28,5 bilionach tokenów treningowych. Bez NVIDIA. Dla zespołów spoza Stanów to nie ciekawostka, lecz argument o niezależności od łańcucha dostaw.

Co zmieniło się względem GLM-5.1

Skok dotyczy przede wszystkim kontekstu: z 200 tysięcy tokenów w GLM-5.1 do pełnego miliona. Z.ai dorzuciła też dwa tryby wysiłku rozumowania, High i Max, w miejsce pojedynczego ustawienia ze starszej wersji. Producent radzi sięgać po Max przy wieloetapowych zadaniach programistycznych; High zostawia na lżejszą robotę, gdzie liczy się czas odpowiedzi.

GLM-5.2 kontra Opus 4.8: kto wygrywa w kodowaniu?

Opus 4.8 wciąż prowadzi, ale przewaga skurczyła się do statystycznego szumu. Na benchmarku FrontierSWE, który mierzy zdolność doprowadzenia długiego zadania do końca, GLM-5.2 notuje 74,4%, a Opus 4.8 osiąga 75,1%. Na SWE-bench Pro chiński model wskakuje na 62,1 i wyprzedza GPT-5.5 z wynikiem 58,6.

Jest jeden obszar, w którym GLM-5.2 wyprzedził wszystkie warianty Opusa: front-end. To akurat boli, bo właśnie tam Anthropic długo był nie do ruszenia. GLM-5.2 jako pierwszy otwarty model przekroczył próg 80% na Terminal-Bench 2.1, lądując na 81,0. W rankingu Artificial Analysis Intelligence Index zgarnął 51 punktów: najwyższy wynik wśród modeli o otwartych wagach.

Warto jednak studzić zachwyt. Wyniki ogłosiła w dużej mierze sama Z.ai, a niezależne ewaluacje pojawiły się dopiero po starcie. Różnica jednego punktu na benchmarku rzadko przekłada się na to, co poczujesz w codziennej pracy z agentem. Polscy praktycy już zresztą puszczają oba modele w bezpośrednie starcia, choćby przy budowie prostych aplikacji do wizualizacji wnętrz, i dzielą się nagraniami z takich pojedynków.

Milion tokenów kontekstu, czyli co IndexShare zmienia w praktyce

Duże okno kontekstu zwykle ma haczyk: im dłuższy kontekst, tym wolniej i drożej. GLM-5.2 próbuje ten haczyk wyszarpać. Odpowiada za to IndexShare, czyli usprawnienie znane z mechanizmu DeepSeek Sparse Attention.

Sztuczka polega na tym, że ten sam indekser obsługuje co cztery warstwy rzadkiej uwagi, zamiast działać osobno w każdej. Efekt? Przy kontekście miliona tokenów liczba operacji na token spada 2,9-krotnie. Do tego doszła ulepszona warstwa Multi-Token Prediction do dekodowania spekulatywnego, która wydłuża akceptowaną sekwencję tokenów nawet o 20%.

Co to daje przy klawiaturze? Model utrzymuje w głowie cały projekt: setki plików, długą sesję agentową, dokumentację liczoną w setkach stron. Ale milion tokenów to teoretyczny sufit, nie obietnica, że jakość rozumowania pozostanie stała na całej długości. Tu akurat żaden producent nie składa wiążących deklaracji, i słusznie.

Ile to kosztuje i dla kogo ma to sens

Pieniądze to powód, dla którego o GLM-5.2 w ogóle warto rozmawiać. Dostęp przez API wyceniono na 1,40 dolara za milion tokenów wejściowych i 4,40 dolara za milion wyjściowych, łącznie 5,80 dolara. GPT-5.5 liczy sobie 5 dolarów za wejście i 30 za wyjście, razem 35 dolarów za milion. To mniej więcej jedna szósta ceny przy porównywalnych wynikach w kodowaniu.

Dla długich kontekstów Z.ai dorzuciła stawkę za wejście z cache: około 0,26 dolara za milion tokenów. Jeśli wolisz abonament, masz plany GLM Coding w wariantach Lite, Pro, Max i Team. Ceny bywają promocyjne i różnią się zależnie od regionu; publiczne cenniki z czerwca 2026 pokazują Lite w okolicach 3-13 dolarów miesięcznie, Pro mniej więcej 15-50 dolarów, a Max od 80 do 112 dolarów.

Komu to się opłaca? Jeśli kodujesz cały dzień w agencie, abonament niemal zawsze wygra z płaceniem za token. Przy nieregularnym, niskim użyciu sensowniejsze bywa API z płatnością za zużycie. Otwarte wagi otwierają trzecią drogę: hosting na własnej infrastrukturze, gdzie płacisz wyłącznie za moc obliczeniową i prąd. Dla firm pilnujących danych to czasem przesądza sprawę.

Dlaczego ten model pojawił się akurat teraz

Timing nie jest przypadkiem. Premiera wypadła w środku zamieszania wokół dostępu do modeli amerykańskich. Dyrektywa eksportowa administracji Trumpa zablokowała zagranicznym użytkownikom korzystanie z Claude Fable 5, a zawieszenie weszło w życie niemal z dnia na dzień.

W kilka godzin po tej blokadzie GLM-5.2 zaczął wskakiwać na szczyty rankingów rozumowania jako otwarta alternatywa. Dla zespołu spoza Stanów, który nagle stracił dostęp do swojego głównego modelu, otwarte wagi na licencji MIT są kołem ratunkowym, nie ideologicznym wyborem. Możesz pobrać model, odpalić go lokalnie i nikt ci tego nie odbierze administracyjną decyzją.

GLM-5.2 wpina się od pierwszego dnia w popularne narzędzia: Claude Code, Cline, OpenCode, Roo Code, Goose, Crush, OpenClaw i Kilo Code, przez endpoint zgodny z OpenAI. W konfiguracji dla Claude Code sloty Opus i Sonnet wskazują na ten sam endpoint GLM-5.2, a slot Haiku schodzi do lżejszego GLM-4.5-air. Migracja sprowadza się więc do zmiany jednej zmiennej środowiskowej.