GLM-5.2

GLM-5.2 是什么

GLM-5.2 是智谱（Zhipu）于 2026 年 6 月 16 日以 MIT 许可发布的大语言模型。MIT 是一种宽松许可，通常允许他人复用和修改模型权重。^[2][1] 模型卡给出的上下文窗口为 100 万 token，比上一代的 20 万 token 有大幅提升。^[2][1] 智谱的博客把这次发布命名为「GLM-5.2: Built for Long-Horizon Tasks」，即面向长时间跨度的任务。^[1]

模型卡写明其基座模型为 753B 参数，并注明 GLM-5.3 后来使用的正是同一个基座。^[1][2] 维基百科给出的基座参数量为 743B，但在「GLM-5.3 沿用同一基座」这一点上与模型卡一致。^[2] 权重以 BF16 和 F32 两种张量类型发布。^[1]

架构与效率

最核心的效率改动是 IndexShare：它让一个稀疏注意力索引器（indexer）在每四层之间复用一次。在 100 万 token 的上下文下，这一设计把每 token 的浮点运算量削减为原来的 1/2.9。^[1] 稀疏注意力需要一个索引器来判断每一层应当关注上下文的哪些部分；把同一个索引器共享给多层，省下的正是这部分开销。

改进后的多 token 预测（multi-token prediction）层把投机解码（speculative decoding）的接受长度最多提高 20%。^[1] 投机解码的做法是让一个廉价的小模型先草拟若干 token，再由主模型一次性校验，接受长度越长，草稿中被保留下来的部分就越多。模型还提供多档「思考力度」（thinking effort），在效果与延迟之间做取舍。^[1]

评测结果

模型卡把 GLM-5.2 与 GLM-5.1 在多项基准上做了对比。HLE 上得分为 40.5，对比 31；允许使用工具时为 54.7，对比 52.3。GPQA-Diamond 上为 91.2，对比 86.2；AIME 2026 上为 99.2，对比 95.3。^[1]

编程类任务的差距在部分项目上更大：SWE-bench Pro 为 62.1，对比 58.4；Terminal Bench 2.1 为 81.0，对比 63.5；DeepSWE 为 46.2，对比 18。^[1] 模型卡同时说明，部分评测——包括 SWE-bench Pro、NL2Repo 和 DeepSWE——使用的是 40 万 token 的上下文窗口，而非完整的 100 万 token。^[1]

模型卡的对比表还列出了其他团队的模型：Claude Opus 4.8 在 SWE-bench Pro 上为 69.2，高于 GLM-5.2 的 62.1。^[1]

部署

据模型卡，用 SGLang 部署 GLM-5.2 需要 v0.5.13.post1 或更新的版本，用 vLLM 部署需要 v0.23.0 或更新的版本。^[1]

在模型谱系中的位置

GLM-5.2 于 2026 年 8 月 14 日被 GLM-5.3 接替，后者沿用同一个基座模型。^[2] GLM-5.2 的模型卡上也提示，已有更新的版本 zai-org/GLM-5.3-BF16 可用。^[1] 一个基座模型跨两代发布继续服役，而注意力、预测层与部署细节在两代之间改动，这种结构让 GLM-5.2 适合与它的后继版本放在一起阅读。