Z.ai 开源 GLM 5.2：成本仅前沿模型五分之一

Z.ai 于 6 月 16 日发布开源权重大模型 GLM 5.2，以约五分之一的 API 价格提供接近美国前沿模型的编码能力，再次引发开发者社区对成本、中美 AI 竞争格局与开源生态的讨论。

模型规格与定价

GLM 5.2 是一款拥有 7530 亿参数、但单次推理仅激活约 400 亿参数的大型语言模型（MoE 架构），通过 MIT 开源协议发布，允许任何人下载、托管、修改并商用。开发者可通过 Together AI 等平台在北美基础设施上自托管模型，规避数据出境风险。

价格方面，Z.ai 的 API 定价为每百万输出 token 4.40 美元，仅为 Anthropic Opus 4.8 同档定价的五分之一，也约为 Anthropic Fable 编码模型定价的十分之一。

基准表现：部分追平，仍有差距

GLM 5.2 在部分智能体编码基准（如 FrontierSWE、PostTrainBench）上几乎追平 Opus 4.8，并在网络安全类基准中表现突出，引发与 Anthropic Mythos 的对比讨论。斯坦福 AI Index 数据显示，2025 年中国公司发布的「重要」AI 模型数量约为美国同行的二分之一，较 2023 年的三分之一、2020 年的五分之一持续上升。

不过，Z.ai 同步发布的研究报告也承认：在多项智能体编码基准上，GLM 5.2 仍落后于 Opus 4.8 与 OpenAI GPT-5.5。

• 在长时段智能体编码基准 SWE-Marathon 上，GLM 5.2 仅完成 13% 的任务，而 Opus 4.8 的得分是其两倍。
• 在 NL2Repo、DeepSWE、Tool-Decathlon 等编码基准上，Opus 4.8 领先 10% 以上。
• Z.ai 报告仅在两项难度相对较低的推理基准上宣称胜出，编码基准上无胜绩。

工程师实践：长任务强，额度紧

多名开发者分享了实际体验。Together AI 工程师 Zain Hasan 指出，GLM 5.2 在长时段任务中表现尤为出色，「连续使用数小时仍能保持思路连贯」，而此前多数开源权重模型在 5–15 轮对话后便会失焦。

Denver 独立工程师 David Nix 表示，GLM 5.2 已进入其日常轮换，估计承担 10%–20% 的工作量，尤其在前端开发上「已不需要每次都调用 Opus 或 Fable」。波兰 Screen Studio 工程师 Kacper Michalik 在表单生成等场景中也获得了不错的结果。

但也有负面反馈。印度 Indhic AI 工程师 Sai Kiran Myadaram 订阅 Z.ai 服务后，发现模型消耗 token 速度过快，每周额度「两到三天便耗尽」。

成本意识与竞争格局

Hasan 指出，许多软件团队目前尚未建立明确的 token 预算，「当别人付钱时，最省事的做法就是直接选最强的模型」。这种「不计成本」的惯性，可能正是当下美国前沿 AI 实验室最宽的护城河。

随着 GLM 5.2 等中国开源权重模型在能力与价格两端同时逼近前沿，企业与开发者正重新评估模型选型策略：既要考虑能力上限，也要权衡数据合规与单位成本。开源权重使数据敏感的组织可以本地部署，绕开 API 带来的跨境数据风险，这或许会进一步压缩闭源前沿模型的议价空间。