Китайский гигант Zhipu AI представил GLM-5.2: 1 миллион токенов контекста и 753 миллиарда параметров
Китайская компания Zhipu AI официально выпустила свою флагманскую языковую модель GLM-5.2, предназначенную для решения сложных агентных задач и программирования. Это решение с открытым исходным кодом, распространяемое по лицензии MIT, уже доступно для локального развертывания и обладает впечатляющим контекстным окном в 1 миллион токенов.
Согласно данным на Hugging Face, GLM-5.2 — это модель для генерации текста на английском и китайском языках, насчитывающая колоссальные 753 миллиарда параметров. В основе архитектуры лежат инновационные механизмы IndexShare и обновленный слой MTP (Multi-Token Prediction), предназначенный для спекулятивного декодирования.
Инженеры Zhipu AI утверждают, что IndexShare позволяет повторно использовать один индексатор на каждые четыре слоя разреженного внимания, что снижает количество вычислительных операций на токен в 2,9 раза. В свою очередь, обновление MTP увеличивает длину подтверждения на 20%, существенно ускоряя процесс генерации.
Прорыв в бенчмарках
В ключевых тестах производительности, таких как FrontierSWE, PostTrainBench и SWE-Marathon, GLM-5.2 обошла все другие open-source модели. В стандартных тестах на программирование она также заняла лидирующую позицию среди аналогов с открытым исходным кодом.
Модель поддерживает несколько уровней «интенсивности рассуждений», что позволяет пользователям гибко выбирать между качеством ответа и задержкой. Для локального развертывания заявлена совместимость с SGLang, vLLM, Transformers, KTransformers и Docker Model Runner. Кроме того, доступны квантизации для llama.cpp, Ollama и LM Studio.
Мнение эксперта: Выпуск GLM-5.2 — это не просто очередной релиз, а сигнал о том, что гонка в сегменте open-source ИИ переходит на новый уровень. Контекст в 1 миллион токенов и акцент на агентные задачи делают эту модель серьезным инструментом для разработчиков, особенно в сфере автоматизации сложных бизнес-процессов. Однако стоит помнить, что столь масштабные модели требуют значительных вычислительных ресурсов, и реальное преимущество перед конкурентами будет зависеть от эффективности локального развертывания.