GLM-5.2: насколько открытая модель подошла к закрытому фронтиру — разбор по фактам 

В середине июня 2026 китайская Z.ai (бывшая Zhipu AI) выложила в открытый доступ GLM-5.2 — модель, которая в программировании и агентных задачах подошла к топовым закрытым моделям заметно ближе, чем любая открытая до нее. Ниже — разбор по фактам: что внутри, какие цифры выдержат проверку, какие требуют осторожности, и что этот релиз реально дает бизнесу. Договоримся сразу: где число пришло от самой Z.ai, мы это помечаем; где замерил независимый источник — указываем его. Выдуманных метрик здесь нет.

Коротко

• Что это. Открытая (веса под лицензией MIT) MoE-модель на ~753 млрд параметров, из которых ~40 млрд активны на каждый токен. Контекст — 1 млн токенов.
• Сила. По независимому «индексу интеллекта» Artificial Analysis — верхняя строка среди открытых моделей. На открытых кодинг-бенчах уверенно ведет среди открытых и местами вплотную подходит к Claude Opus 4.8 и GPT-5.5.
• Цена. У хостеров — $1.40 / $4.40 за миллион токенов вход/выход (замер Artificial Analysis); по оценке VentureBeat — порядка вшестеро дешевле GPT-5.5 на длинно-горизонтном кодинге.
• Где осторожно. Полного официального набора бенчмарков Z.ai для 5.2 не публиковала — часть чисел это самозамеры. На самом длинном горизонте (SWE-Marathon) модель вдвое слабее Opus 4.8. Заявку «обучена только на чипах Huawei, без NVIDIA» независимо никто не подтвердил.
• Зачем бизнесу. Открытые веса позволяют держать фронтир-уровень кодинга внутри собственного периметра: данные остаются у вас, доступ не зависит от чужого решения. Цена этого — серверное железо и собственная эксплуатация. Подробно — ниже.

Откуда взялась и куда встает в линейке

GLM-5.2 — четвертая итерация пятого поколения меньше чем за полгода. Темп у Z.ai высокий: новая версия выходит примерно раз в 8–10 недель. По сообщениям, в январе 2026 компания провела IPO в Гонконге (~$558 млн) — это часть топлива для такой гонки.

Раскатка ступенчатая: доступ платным коде-клиентам открыли около 13 июня, открытые веса под MIT выложили 16–17 июня (llm-stats указывает 16-е, официальный блог на HuggingFace — 17-е).

DSA — DeepSeek Sparse Attention. Параметры GLM-5/5.1 — по официальному репозиторию; даты и спецификации линейки — по обзорам и репозиторию Z.ai.

Архитектура: где реальное инженерное содержание

Само по себе число «753 миллиарда» в стойку ничего не добавляет. Практический смысл — в трех инженерных решениях, которыми Z.ai душит стоимость длинного контекста.

MoE с разреженной активацией. Из ~753 млрд параметров на каждый токен работают только ~40 млрд (Mixture-of-Experts). По качеству модель сопоставима с очень крупной, при этом стоимость вычислений на токен ближе к гораздо меньшей. Важная оговорка для железа: вся махина должна лежать в памяти целиком, поэтому требования к VRAM считаются по полному размеру модели; активные 40B на объем памяти не влияют.

DeepSeek Sparse Attention (DSA). Механизм внимания, унаследованный от GLM-5, который удерживает длинный контекст без квадратичного взрыва вычислений. Он и сделал реальным переход от 200K к 1M токенов.

IndexShare. Главная новинка 5.2. Индексатор разреженного внимания переиспользуется один на каждые четыре слоя, что срезает вычисления (FLOPs) на токен в 2.9 раза на пределе в 1 млн токенов (заявляет Z.ai). Смысл: длинный контекст у трансформера дорожает нелинейно, и это попытка сбить именно эту цену.

Multi-token prediction (MTP). Слои спекулятивного декодирования; по данным Z.ai, acceptance rate выше примерно на 20%, что ускоряет генерацию. Это внутренняя пропускная характеристика, заявленная вендором и независимо не проверенная.

Важно держать в голове: и «−2.9× FLOPs» от IndexShare, и «+20% acceptance» от MTP — это теоретические/внутренние оценки производительности от самой Z.ai. Единственная сторонняя цифра реальной скорости — 96.2 токена/с от Artificial Analysis (см. раздел метрик), и она ставит модель примерно в середину таблицы. Фактическая пропускная способность сильно зависит от вашего серверного стека и квантизации.

Отдельного внимания заслуживает заявленная Z.ai устойчивость на большом окне: 1 млн токенов, который «стабильно держит длинные грязные траектории агента». Большое окно поддерживают многие модели; сложность обычно в другом — удержать связность на нем в длинной агентной сессии. Для RAG и агентных пайплайнов это свойство имеет практический вес. Независимого long-context-бенчмарка (класса RULER, needle-in-haystack, LongBench) для 5.2 пока нет — заявка об устойчивости остается вендорской, проверять ее нужно на своей нагрузке.

Что нужно, чтобы поднять ее у себя

Раздел, без которого вся история про «фронтир в периметре» остается лозунгом. MoE-модель держит в памяти все ~753 млрд параметров, поэтому требования к VRAM считаются по полному размеру. Грубая, но честная арифметика (объем весов = число параметров × байт на параметр), без учета KV-кэша:

• BF16 (2 байта): ~1.5 ТБ только под веса. На практике — узел уровня 8× ускорителей по 192 ГБ (например, MI300X-класс) или несколько узлов.
• FP8 (1 байт): ~750 ГБ. Помещается на один узел 8× по 141–192 ГБ (H200/MI300X-класс) с запасом под KV-кэш.
• Int4 (0.5 байта): ~375 ГБ. Влезает на меньшую конфигурацию, но с оговоркой по качеству (ниже).

Поверх весов идет KV-кэш, и на длинном контексте он съедает память агрессивно: окно в сотни тысяч токенов добавляет десятки и сотни гигабайт. То есть заявленный 1 млн токенов — это не только про умение модели, но и про дополнительный бюджет VRAM, который надо закладывать отдельно. Вывод по железу простой: это серверный инференс уровня многокарточного узла дата-центра. Камеры на линии и бортовые модули такую модель не запускают.

Квантизация: чем платишь за то, что влезло

Опубликованные бенчмарки сняты на полной/нативной точности. Чтобы модель уместилась на доступное железо, на практике берут FP8 или Int4 — и за это есть своя цена:

• FP8 — примерно половина VRAM, качество почти без потерь. Рабочий компромисс по умолчанию.
• Int4 — около четверти VRAM, но измеримая потеря качества, особенно заметная на длинных агентных траекториях, где ошибки накапливаются.

Ключевое предупреждение: числа из таблиц бенчмарков получены не на Int4. Независимых замеров качества GLM-5.2 на агрессивной квантизации пока нет, и закладывать «как в бенчах» при Int4 — ошибка. Это проверяется на вашей задаче. Фреймворки Unsloth и KTransformers в списке поддержки стоят именно ради такой квантизации, и тестировать ее на своем пайплайне нужно до выбора железа.

Метрики: что показывает Z.ai и что меряют независимо

Сначала честная рамка. Z.ai не выложила полный официальный набор бенчмарков для 5.2 — опубликованы выборочные числа, независимая проверка еще догоняет. Самозамеры рассматриваем как заявку вендора, требующую независимой проверки. Все значения в таблице ниже — самозамеры Z.ai (по официальному блогу на HuggingFace), независимо не воспроизведенные; особенно осторожно стоит читать почти-потолочный AIME 99.2.

Картина по этим числам читается так. На коротких и средних задачах кодинга GLM-5.2 близко к закрытому фронтиру, местами обходит его. На самом длинном горизонте все иначе: SWE-Marathon — 13 против 26 у Opus 4.8, вдвое слабее. Именно этот результат вендор в заголовок не выносит. Чем длиннее и грязнее задача, тем заметнее разрыв.

Независимые числа (Artificial Analysis, выборка из 92 моделей, вариант «max»):

По интеллект-индексу — топ среди открытых, сопоставимо с закрытыми. По скорости вывода — около середины таблицы. Важная оговорка по контексту: 1.37 с до первого токена замерены на небольшом окне; на контексте, близком к 1 млн, и время до первого токена, и память под KV-кэш растут кратно. Для интерактивных сценариев скорость стоит проверить под свою нагрузку и свою длину контекста.

Цена и TCO без вранья

$1.40 за миллион входных токенов и $4.40 за миллион выходных у сторонних хостеров (замер Artificial Analysis). По оценке VentureBeat — порядка вшестеро дешевле GPT-5.5 на длинно-горизонтном кодинге. Более резкие формулировки про «на порядок дешевле» проверяемого источника не имеют, поэтому здесь их не закладываем.

Оговорка, которой в ценниках не пишут: дешевая цена за токен относится к хостед-API. При установке модели к себе ради периметра расходы смещаются на GPU и эксплуатацию 24/7. Грубая логика окупаемости такая: берете стоимость аренды или владения узлом 8× ускорителей в месяц и делите на смешанную цену за токен из API — получаете порядок месячного объема инференса, выше которого своя инсталляция начинает выигрывать. Конкретные числа зависят от ваших цен на железо и профиля нагрузки, поэтому считаем их под проект, без универсального ответа. Своя инсталляция окупается на большом постоянном потоке инференса в долгую. На пилоте, малом объеме и разовых задачах в запуске почти всегда дешевле и быстрее облачный вызов.

Спорные места — читаем внимательно

«Обучена только на Huawei Ascend, без NVIDIA». Это заявление самой Z.ai, и независимо его никто не подтвердил. Звучит громко из-за геополитики: Zhipu, по данным обзоров, с января 2025 в Entity List США, доступ к топовым ускорителям NVIDIA ограничен. По репозиторию проверяемо одно — развертывание на Ascend NPU (есть vLLM-Ascend, xLLM, SGLang). Тренировка на Ascend и инференс на Ascend — разные утверждения. Инференс подтверждается кодом; тренировка пока остается заявлением компании. Как факт берем только инференс.

Методология бенчмарков. К самозамерам GLM-5, и теперь 5.2, уже звучали вопросы по методике; полного официального набора для 5.2 нет. Речь не про недобросовестность — вывод простой: цифры стоит перепроверять на своей задаче, прежде чем закладывать в решение.

Лицензия. Веса заявлены под MIT, репозиторий кода — под Apache-2.0. Обе пермиссивные, региональных замков нет. Для бизнеса вывод один: модель можно легально поставить у себя и использовать коммерчески.

Безопасность открытых весов — обратная сторона владения

Открытые веса дают независимость, и вместе с ней — ответственность, которую при работе через чужой API несет вендор. Что переходит на вас:

• Защита и фильтрация. У self-hosted модели нет вендорского модерационного слоя. Сопротивляемость джейлбрейкам и контроль того, что модель выдает, становятся вашей задачей. Характерно, что директиву об ограничении доступа к моделям Anthropic американский регулятор обосновывал как раз риском обхода защит.
• Происхождение и цепочка поставки. Это весовой блоб больше терабайта от лаборатории из Entity List. Скачивать стоит из официального репозитория на HuggingFace и сверять контрольные суммы.
• Обновления безопасности. Self-host — это замороженный снапшот. Апстрим-патчей, как у управляемого сервиса, здесь нет; обновление до новой версии — ваша операция.

Геополитический контекст: почему «открытость» сейчас весит больше обычного

12 июня 2026 Министерство торговли США экспортной директивой обязало Anthropic закрыть доступ к топовым моделям Fable 5 и Mythos 5 для всех иностранных граждан — со ссылкой на нацбезопасность и потенциальный обход защит. Anthropic подчинилась и отключила клиентов (это подтверждено заявлением самой компании и публикациями Bloomberg, CNBC, Fortune). Fable 5 и Mythos 5 — фронтир-модели Anthropic того же класса, что и Opus 4.8, который мы используем выше как ориентир в бенчмарках. GLM-5.2 вышел под лицензией MIT и доступен без региональных ограничений — несколькими днями позже.

Прямой причинно-следственной связи между этими событиями мы не утверждаем. Но контраст показателен: доступ к закрытой модели можно потерять по решению регулятора за один день; модель, веса которой лежат у вас на сервере, отключить извне нельзя. Для бизнеса с длинным горизонтом планирования это вопрос непрерывности, без идеологии вокруг открытого кода.

А что у других открытых моделей

«Сильнейшая открытая» — это про индекс Artificial Analysis, и честно держать в уме, что у self-host есть прямые альтернативы, против которых статья сравнивает GLM-5.2 не на полном наборе бенчей:

• DeepSeek — тоже MoE и общая с GLM линия по разреженному вниманию (DSA), тоже китайская лаборатория со схожими геополитическими вводными. Прямой конкурент по классу.
• Qwen 3 — под лицензией Apache-2.0, широкий диапазон размеров (включая модели, которые разворачиваются на куда более скромном железе), сильна в кодинге.

Где GLM-5.2 ведет — это верхняя строка по интеллект-индексу Artificial Analysis в своем классе. Где конкуренты могут выигрывать — меньшие разворачиваемые размеры, более зрелые независимые замеры, нюансы лицензий. Полноценного независимого head-to-head между ними по одной методике пока мало, и для конкретного выбора это тоже тестируется на своей задаче.

Что это значит для бизнеса — позиция MoranaLabs

Главный практический сдвиг релиза в одном: впервые открытая модель такого уровня кодинга стала пригодной для работы внутри собственного периметра. Позиция на лидерборде вторична — лидеры там меняются каждые два месяца. Распакуем, что отсюда следует.

1. Данные остаются у вас. Открытые веса разворачиваются на собственном железе, и запросы к модели не покидают ваш контур. Для банка, медицины, режимного объекта и всего, что живет под 152-ФЗ, это нередко определяет саму возможность использовать такую модель; удобство здесь вторично. Раньше приходилось выбирать: фронтир-качество только через чужое облако либо собственная инсталляция с заметно более слабой моделью. Теперь этот разрыв сузился.

2. Независимость от чужого решения. История с отключением моделей Anthropic для иностранцев — готовый сценарий риска. Модель, которую вы держите сами, у вас не отберут директивой и не закроют сменой тарифной политики вендора. Для критичных процессов это вопрос непрерывности и страховки рисков, без идеологии вокруг опенсорса.

3. Это серверный инференс, не edge. Цифры из раздела про железо показывают масштаб: многокарточный узел дата-центра, сотни гигабайт VRAM. «Открытые веса, можно self-host» и «edge» — это про разное железо. Прочитать заголовок и решить «ставим новую нейронку на железку в цеху» здесь нельзя: edge-устройство такую модель не потянет. Архитектуру выбираем под задачу.

4. TCO считаем честно. Низкая цена за токен — это API. Своя инсталляция ради периметра — это капзатраты на GPU плюс эксплуатация; окупается она на большом постоянном потоке инференса в долгую. На пилоте и малом объеме облако выгоднее по запуску и стоимости. Навязывать self-host там, где хватило бы облачного вызова, — такой же оверинжиниринг, как и обратная крайность тянуть все в облако вопреки требованиям к периметру.

5. Бенчмарк — не ваш прод. Высокий результат на SWE-bench не гарантирует, что модель решит вашу доменную агентную задачу. Длинно-горизонтный кодинг-бенч плохо переносится на ваш пайплайн с вашими данными; разрыв на SWE-Marathon это прямо показывает. Заявленный 1M контекст, который «держит длинные траектории», нужно проверять на вашей собственной нагрузке.

Когда GLM-5.2 — правильный выбор, а когда нет

И отдельная операционная оговорка: быстрый темп релизов работает в обе стороны. Для self-host это значит, что вы фиксируете снапшот и владеете им сами; вендорского LTS у открытой модели нет, обновление версии — ваша плановая работа.

Итог

GLM-5.2 — по независимому индексу Artificial Analysis сильнейшая на сегодня открытая модель, конкурентная закрытому фронтиру в кодинге при кратно меньшей цене, с честно различимым проседанием на самых длинных задачах и одной непроверяемой заявкой про железо для обучения. Практическая ценность для бизнеса в том, что фронтир-уровень кодинга впервые комфортно живет внутри собственного периметра. Цена входа — серверное железо, квантизация с ее компромиссами и собственная эксплуатация, включая безопасность. Дальше — обычная инженерия: задача, железо, TCO и проверка на своих данных.

MoranaLabs — R&D-лаборатория прикладного ИИ. Делаем нейросети на заказ — edge и облако, любая отрасль, любой класс задач. Архитектуру выбираем под задачу.