GLM-5.2 від Zhipu AI: Китайський гігант із контекстом у 1 млн токенів та відкритим кодом
Китайський стартап Zhipu AI офіційно представив свою нову флагманську модель — GLM-5.2. Це рішення з відкритим вихідним кодом, призначене для виконання довгих агентних завдань і складного програмування. Ключова особливість — контекстне вікно розміром в 1 мільйон токенів, що дозволяє обробляти величезні обсяги даних за один прохід. Модель поширюється під ліцензією MIT і підтримує локальне розгортання.
Згідно з технічною документацією на платформі Hugging Face, GLM-5.2 налічує 753 мільярди параметрів і оптимізована для генерації тексту англійською та китайською мовами. Це робить її універсальним інструментом для глобальних і локальних ринків.
Архітектура моделі включає кілька рівнів «інтенсивності міркувань», що дозволяє користувачам гнучко балансувати між якістю відповіді та часом затримки. Вбудовані технології IndexShare та оновлений шар MTP (Multi-Token Prediction) забезпечують спекулятивне декодування. Розробники стверджують, що IndexShare повторно використовує один індексатор на кожні чотири шари розрідженої уваги, скорочуючи кількість операцій на токен у 2,9 раза, а MTP збільшує довжину підтвердження до 20%.
На тестах GLM-5.2 показала видатні результати. У трьох ключових бенчмарках — FrontierSWE, PostTrainBench та SWE-Marathon — вона обійшла всі існуючі open-source моделі. У стандартних тестах продуктивності програмування вона також посіла лідируючу позицію серед аналогів з відкритим кодом.
Для локального розгортання модель підтримує фреймворки SGLang, vLLM, Transformers, KTransformers та Docker Model Runner. Також доступні квантизації для llama.cpp, Ollama та LM Studio, що спрощує інтеграцію в різні інфраструктури.
Думка експерта: Випуск GLM-5.2 — це серйозний крок вперед для open-source AI. Контекст в 1 млн токенів і 753 млрд параметрів ставлять цю модель в один ряд з найкращими закритими рішеннями. Особливо вражає продуктивність у завданнях програмування, що робить її прямим конкурентом для GPT-4 та Claude. Однак ключове питання — чи зможе спільнота швидко адаптувати її під реальні бізнес-завдання, враховуючи високі вимоги до обчислювальних ресурсів.