GLM-5.2

Fiche modèle · Zhipu AI · glm-5.2

GLM-5.2 is Z.AI's flagship foundation model built for long-horizon tasks, delivering a solid 1M-token context that stably sustains long, messy coding-agent trajectories. It improves substantially over GLM-5.1, becoming the strongest open-source model on standard coding benchmarks (81.0 on Terminal-Bench 2.1 and 62.1 on SWE-bench Pro) and the highest-ranked open-source model across long-horizon coding benchmarks (FrontierSWE, PostTrainBench, SWE-Marathon). It introduces flexible thinking effort levels (High and Max) to balance capability against latency and compute. Architecturally, GLM-5.2 proposes IndexShare, which reuses one lightweight indexer across every four sparse-attention (DSA) layers to cut per-token FLOPs by 2.9x at 1M context, and an improved MTP layer for speculative decoding that raises acceptance length by up to 20%. Released under a pure MIT open-source license with weights available on HuggingFace and ModelScope, it supports transformers, vLLM, SGLang, xLLM, and ktransformers, with 1M input context, 128K max output, thinking mode, function calling, structured output, context caching, and MCP integration.

Fiches modèles

Identité

Organisation	Zhipu AI
Pays	—
Famille	—
Type	llm
Date de sortie	2026-06-16
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 753 Md > 107 Md
Modalités	text
Fenêtre de contexte	1 048 576
KV cache / token (Q8)	1.92 Mo/token
Paramètres totaux	753 B
Paramètres actifs (session)	40 B
Source des paramètres actifs	web : https://github.com/zai-org/GLM-5
Curation des paramètres actifs	2026-11-04
Prix par session	1.23 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	10.33 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-06-16T19:03:52.341474Z
Mis à jour le	2026-11-04T06:05:14.076186Z
Source	LLM Stats
URL	https://llm-stats.com/models/glm-5.2

Tokens/tâche

IA Act — preuves fournisseur

ICA 2/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	0,0	35 %
Conformité droit d'auteur	0,0	35 %
Code of Practice GPAI	0,0	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : souverain — via Arkane (cortecs), GreenPT (eurouter), Inceptron (cortecs, eurouter), Lyceum Technology GmbH (eurouter), Mistral AI (cortecs), Nebul (eurouter), Regolo (eurouter), Scaleway (cortecs, eurouter, scaleway), Tensorix (cortecs, eurouter).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
Arkane	cortecs	souverain	1.31 $	4.23 $	—	200 000	—	—	—
GreenPT	eurouter	souverain	—	—	—	1 048 576	—	—	—
Inceptron	cortecs, eurouter	souverain	0.91 $	3.26 $	fp4	1 000 000 / 1 048 576	—	—	—
Lyceum Technology GmbH	eurouter	souverain	—	—	—	1 048 576	—	—	—
Mistral AI	cortecs	souverain	1.47 $	4.62 $	—	1 000 000	—	—	—
Nebul	eurouter	souverain	—	—	—	1 048 576	—	—	—
Regolo	eurouter	souverain	—	—	—	1 048 576	—	—	—
Scaleway	cortecs, eurouter, scaleway	souverain	2.02 $	6.17 $	—	256 000 / 1 048 576	—	—	—
Tensorix	cortecs, eurouter	souverain	1.49 $	4.48 $	fp8	1 048 576	—	—	—
DeepInfra	llm-stats	non	0.75 $	2.40 $	—	—	—	—	active
Fireworks AI	llm-stats	non	1.40 $	4.40 $	—	—	—	—	active
FriendliAI	llm-stats	non	1.40 $	4.40 $	—	—	—	—	active
Novita	llm-stats	non	1.40 $	4.40 $	—	—	—	—	active
Together AI	llm-stats	non	1.40 $	4.40 $	—	—	—	—	active
ZAI	llm-stats	non	1.40 $	4.40 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
math	0.70
physics	0.90
reasoning	0.60
general	0.60
agents	0.50
biology	0.90
chemistry	0.90
code	0.50
systems	0.30
tool_calling	0.70
vision	0.50

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2026	math	0.99	1.00	0.99	non	oui	2026-11-04T06:05:14.089180Z
critpt	reasoning	0.17	1.00	0.17	non	oui	2026-11-04T06:05:14.086223Z
deepswe	code	0.46	1.00	0.46	non	oui	2026-11-04T06:05:14.110685Z
deepswe-1.1	code	0.44	1.00	0.44	non	non	2026-11-04T06:05:14.142081Z
frontiercode-1.1	reasoning	0.24	1.00	0.24	non	non	2026-11-04T06:05:14.145384Z
frontierswe	code	0.74	1.00	0.74	non	non	2026-11-04T06:05:14.125922Z
gpqa	reasoning	0.91	1.00	0.91	non	oui	2026-11-04T06:05:14.101435Z
hmmt-2025	math	0.94	1.00	0.94	non	oui	2026-11-04T06:05:14.092075Z
hmmt-feb-26	math	0.93	1.00	0.93	non	oui	2026-11-04T06:05:14.094949Z
humanity's-last-exam	reasoning	0.55	1.00	0.55	non	oui	2026-11-04T06:05:14.082836Z
imo-answerbench	math	0.91	1.00	0.91	non	oui	2026-11-04T06:05:14.098156Z
mcp-atlas	reasoning	0.77	1.00	0.77	non	oui	2026-11-04T06:05:14.135709Z
nl2repo	code	0.49	1.00	0.49	non	oui	2026-11-04T06:05:14.107224Z
posttrainbench	agents	0.34	1.00	0.34	non	oui	2026-11-04T06:05:14.129341Z
program-bench	agents	0.64	1.00	0.64	non	oui	2026-11-04T06:05:14.113638Z
swe-bench-pro	reasoning	0.62	1.00	0.62	non	oui	2026-11-04T06:05:14.104251Z
swe-marathon	code	0.13	1.00	0.13	non	oui	2026-11-04T06:05:14.132481Z
terminal-bench-2.1	reasoning	0.83	1.00	0.83	non	oui	2026-11-04T06:05:14.119819Z
toolathlon	agents	0.48	1.00	0.48	non	oui	2026-11-04T06:05:14.138730Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	47	0.50	33.76	11	trueskill	2026-11-04T08:08:39.742311Z	rankings
math	11	0.70	41.47	6	trueskill	2026-11-04T08:08:42.442591Z	rankings
reasoning	48	0.60	44.40	12	trueskill	2026-11-04T08:08:41.093494Z	rankings
agents	52	—	28.78	12	trueskill	2026-10-20	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04