GLM-5.2 от Zhipu AI: контекст в 1 млн токенов и открытый код для агентных задач
Китайский стартап Zhipu AI выпустил свою новую флагманскую языковую модель GLM-5.2, ориентированную на длинные агентные сценарии и задачи программирования. Модель распространяется с открытым исходным кодом по лицензии MIT и поддерживает локальное развертывание, что делает её доступной для широкого круга разработчиков.
Ключевая особенность GLM-5.2 — контекстное окно размером в 1 млн токенов. Это позволяет модели обрабатывать и анализировать огромные объёмы данных, включая целые кодовые базы или длинные диалоги, без потери связности. На Hugging Face модель указана как генеративная для английского и китайского языков, а её размер составляет внушительные 753 млрд параметров.
Архитектура GLM-5.2 включает несколько уровней «интенсивности рассуждений», что даёт пользователю гибкость в выборе между качеством ответа и задержкой. Встроенные механизмы IndexShare и обновлённый слой MTP (Multi-Token Prediction) обеспечивают спекулятивную декодировку. IndexShare повторно использует один индексатор на каждые четыре слоя разреженного внимания, снижая количество операций на токен в 2,9 раза. Обновление MTP, в свою очередь, увеличивает длину подтверждения до 20%, ускоряя генерацию.
В трёх ключевых бенчмарках — FrontierSWE, PostTrainBench и SWE-Marathon — GLM-5.2 уверенно обошла все другие open-source модели. В стандартных тестах производительности программирования она также заняла лидирующую позицию среди открытых решений.
Для локального развертывания GLM-5.2 заявлена поддержка SGLang, vLLM, Transformers, KTransformers и Docker Model Runner. Кроме того, доступны квантизации для llama.cpp, Ollama и LM Studio, что упрощает интеграцию модели в различные инфраструктуры.
Мнение аналитика: Выпуск GLM-5.2 — это серьёзный шаг вперёд в сегменте open-source AI. Сочетание 1 млн токенов контекста, 753 млрд параметров и открытой лицензии MIT создаёт мощный инструмент для разработчиков, особенно в сфере автоматизации и программирования. Однако стоит помнить, что такие гигантские модели требуют значительных вычислительных ресурсов, и их реальная эффективность будет зависеть от качества и релевантности обучающих данных. В долгосрочной перспективе это может подстегнуть конкуренцию среди open-source моделей, что выгодно всему сообществу.