Z.ai 的 GLM-5.2 缩小了与 OpenAI 和 Anthropic 的差距

GLM-5.2 由 Z.ai推出，该公司将其描述为一种开放权重大型语言模型（LLM）。据报道，它在 Artificial Analysis 中领先于其他开源 LLM，在全球所有 LLM 中排名前三。这意味着 GLM-5.2 非常接近 Anthropic 和 OpenAI 创建的尖端 LLM。

此次发布可能会显著影响 AI 市场的竞争格局。在发布之前，开放权重 LLM 在几乎所有独立测试中都远远落后于封闭权重模型。GLM-5.2 的测试结果意味着差距正在缩小，这对企业使用、定价以及封闭权重实验室的商业模式有着有趣的影响。

基准测试结果说明了关于 GLM 5.2 的什么？

根据独立评估公司 Vals AI，GLM-5.2 在五个不同的基准测试中表现最佳：Vals Index、Harvey 的法律代理基准、Finance Agent v2、ProofBench 和 Vibe Code Bench。 Vals AI 报告称，GLM-5.2 是首个在

⟦N1⟧% 的 ProofBench 测试中超越 30% 在 ProofBench，比第二名高出 11 个百分点。此外，它仅落后于 Anthropic 的 Claude Opus 4.5 一个百分点，使其处于接近专有前沿性能的罕见位置。

介绍 GLM-5.2：前沿智能，开放权重

– 在编码和智能体任务方面有显著改进
– 强大的长视界能力，拥有 1M 上下文窗口
– 两种推理努力级别：GLM-5.2 (max) 突破极限，而 GLM-5.2 (high) 则取得平衡…… pic.twitter.com/SjGPSVhePJ

— Z.ai (@Zai_org) 6月16，2026

根据 Artificial Analysis，GLM-5.2 是目前最佳的开放权重模型，其智能指数得分为 51，而 GLM-5.1 为 40。其他模型，包括 MiniMax-M3 和 DeepSeek V4 Pro，得分为 44，而 Kimi K2.6 得分为 43。

GLM-5.2 在 TerminalBench v2.1 中得分 78%（比 GLM-5.1 高出 16 分），在 SciCode 中得分 50%，在 AA-LCR 中得分 71%，在 GPQA Diamond 中得分 89%。在 GDPval-AA v2 长视界智能体基准测试中， GLM-5.2 得分 1,524 Elo，优于 GPT-5.5 的 1,514.

然而，尽管 GLM 5.2 表现出令人印象深刻的性能，专家指出理解基准测试结果正变得越来越复杂。例如，聚合模型，如 人工智能减少了与单一测试相关的偏见影响，但增加了所用权重系统、提示词变体和评估集变化的影响。基准测试污染和优化效应仍然是前沿 AI 测试中持续存在的担忧。

GLM-5.2 的架构内部有什么？

根据 Z.ai，GLM-5.2 是公司提供的用于长期推理和智能体编码任务的最强大模型。该模型提供由 100 万令牌组成的上下文窗口，而 GLM-5.1 为 20 万。

GLM-5.2 采用混合专家（Mixture-of-Experts）架构，包含约 7500 亿总参数和 400 亿活跃参数，针对多步推理和编码工作流进行了优化。

GLM-5.2 采用 两种推理形式：一种用于复杂任务的高努力设置，以及一种旨在提高效率和控制延迟的低成本模式。

根据 Artificial Analysis，GLM-5.2 每次评估操作可产生约 43,000 个输出令牌，而 GLM-5.1 为 26,000。尽管这有助于提高性能指标，但在实践中可能会增加计算成本。

The Z.ai 博客指出，编码智能体、调试过程、自动研究、文档处理和长文生成方面的增强，将该模型定位为针对持续的多步任务而非孤立提示词进行了优化。

市场背景与生态系统摩擦

GLM-5.2 的到来正值关于开放权重系统是否在追赶专有前沿模型的讨论之中。中国 AI 公司在开源模型排名中占据了一些领先地位，GLM-5.2 已成为这一进程中的核心部分。

这一特定讨论通过埃隆·马斯克（Elon Musk）和唐杰（ Z.ai的创始人）关于中国模型何时能与前沿模型持平的评论而公开化。 马斯克回应：“可能是明年 Q1。”

唐杰不同意，表示：“不会花那么长时间。”

可能是 Q1

— Elon Musk (@elonmusk) 6月18，2026

虽然基准测试可能显示出快速收敛，但从业者的早期反馈揭示了现实世界中性能的差异。

AI 工程师 Da7_Tech 表达了 他的担忧，与其说是关于模型本身，不如说是关于 Z.ai 系统的消耗基础设施和透明度，称这“违背了人们对开源模型价值观的所有期望”。

他尝试了 Zcode， Z.ai使用 GLM 模型开发的 Claude 应用程序，该应用声称是“15x

Code”。在一次单一任务会话中，他表示使用量在一小时内就耗尽了—— essentially 用完了整个任务允许的 5 小时。 Z.ai 他还声称，应用程序显示的使用量与实际计费金额之间存在差异。应用程序显示少于 200 万令牌，但他的账户被扣费约 6,000 万，涉及每日和每周限制。这里的暗示是，缓存和中间令牌被计入使用量，而非实际计算。他随后提到，

从他们的“目标模式”中取消了令牌计数，并修改了他们的 Pro 计划描述。 除此之外， AI 构建者 Michael Guo 将

GLM-5.2 与 GPT-5.5 medium 进行比较，当时他在名为 Trippy 的 OpenClaw 智能体中调试一个问题。他的结论是：

“至少在我运行的测试用例中，它不如 GPT-5.5 medium 强大。差得远。”

GPT-5.5 medium 很快发现了重复智能体回答的问题，而 GLM-5.2 未能发现。

总之，他指出，虽然基准测试结果可能暗示良好的性能，但实际的调试工作可能会揭示聚合结果所忽略的不一致之处。

缩小差距，但应用现实各异

基准测试结果证明，GLM-5.2 是目前可用的顶级开放权重架构之一，有时甚至优于其他专有架构。

然而，关于系统性能、效率和透明度的评论似乎因使用情况和其他系统的集成而异。

因此，这个问题有两面性：GLM-5.2 是开放权重架构领域发展的重要一步，但其应用需要与基准测试结果一样，在基础设施准备和产品质量方面付出同等努力。