Китайский гигант Zhipu AI выпускает GLM-5.2: 753 миллиарда параметров и контекст в 1 млн токенов
Китайский стартап Zhipu AI официально представил свою новую флагманскую языковую модель — GLM-5.2. Это решение с открытым исходным кодом, ориентированное на длинные агентные сценарии и задачи программирования. Ключевая особенность модели — контекстное окно размером в 1 миллион токенов, что позволяет обрабатывать огромные массивы данных без потери связности.
Согласно спецификации на Hugging Face, GLM-5.2 насчитывает колоссальные 753 миллиарда параметров и поддерживает генерацию текста на английском и китайском языках. Модель распространяется под лицензией MIT, что открывает широкие возможности для локального развертывания и коммерческого использования.
Архитектурные инновации
Разработчики внедрили в GLM-5.2 несколько уровней «интенсивности рассуждений», позволяющих пользователям гибко балансировать между качеством ответа и задержкой. В архитектуре также реализованы механизмы IndexShare и обновленный слой MTP для спекулятивного декодирования. IndexShare повторно использует один индексатор на каждые четыре слоя разреженного внимания, сокращая количество операций на токен в 2,9 раза. MTP, в свою очередь, увеличивает длину подтверждения до 20%.
Результаты бенчмарков
В ключевых тестах производительности — FrontierSWE, PostTrainBench и SWE-Marathon — GLM-5.2 превзошла все существующие модели с открытым исходным кодом. В стандартных бенчмарках программирования новинка также заняла лидирующие позиции среди open-source решений.
Для локального развертывания заявлена поддержка популярных фреймворков: SGLang, vLLM, Transformers, KTransformers и Docker Model Runner. Доступны квантизации для llama.cpp, Ollama и LM Studio, что делает модель доступной даже на ограниченных аппаратных ресурсах.
Аналитический комментарий: Выпуск GLM-5.2 — это серьезный шаг вперед для open-source AI. Контекст в 1 млн токенов и 753 млрд параметров ставят эту модель в один ряд с лучшими коммерческими решениями. Однако ключевой вопрос — сможет ли Zhipu AI обеспечить стабильную производительность на локальных устройствах, учитывая колоссальный размер модели. В любом случае, это открывает новые горизонты для разработчиков, работающих с длинными текстами и сложными агентными задачами.