GLM-5.2 memo
专为长程任务能力而生，全新特色包括：
【Solid 1M上下文，稳定支撑长程任务】
支撑长程任务的第一步是GLM-5.2必须实现1M无损上下文。此前1M上下文大多数在超过数百K过后就开始劣化，主要问题在于不同时增强Coding Agent环境及数据的情况下单纯扩展到1M帮助有限。为此，我们花了几个月时间扩展1M Coding Agent的训练环境，覆盖自动化研究、性能优化等多个领域，使得GLM-5.2在1M上下文的solid表现有时甚至超过Opus（详见http://t.cn/AXSXRFw5）。
1M上下文构成GLM-5.2的长程交付能力，多个长程任务基准表明GLM-5.2的表现介于Claude Opus 4.7与4.8之间，是排名最高的开源模型。在FrontierSWE（测试AI是否能够像软件工程师在数小时尺度上完成复杂技术项目的测试集）上仅比Opus 4.8低1%，超过GPT-5.5（1%）和Opus 4.7（11%）；不过在SWE-Marathon（考察Agent自主完成超长软件工程的测试集）上确实还需要进一步提高，低于Opus 4.8不少（13%）。
在实际体验中，GLM-5.2完成开发、联调、测试到打包上线，完整交付一个覆盖Web、移动端与小程序的多端应用，累计处理88万tokens，几乎用满1M上下文窗口。过去，这样的大型工程需要一支团队协作数周，现在GLM-5.2能在一次长程任务中跑完。
【更强体感，更实用的Coding能力】
GLM-5.2在前端、后端、长程任务上的成功率相比前一代GLM-5.1都有提升，复杂系统工程与深度调试更稳。在主流编程基准上，GLM-5.2保持开源SOTA，与Claude Opus 4.8处于可比区间。例如在Terminal-Bench 2.1（评测AI Agent完成不同类型的计算机终端任务），GLM-5.2比Opus 4.8低4%，相比GLM-5.1提升了17.5%；在MCP-Atlas（大规模工具调研评测的数据集），GLM-5.2比Opus 4.8低0.8%。
GLM-5.2还引入了effort level（思考档位）控制，可以在能力、速度、成本之间做出平衡。在相近的token预算下，GLM-5.2的Coding能力大致位于Claude Opus 4.7与Claude Opus 4.8之间。
【极致Infra优化，Day 0运行在国产算力平台】
GLM-5.2的进步来自模型架构、推理系统和训练基础设施的协同设计。我们提出IndexShare，在每四层稀疏注意力层之间复用同一个索引器（indexer），在1M上下文长度下，将单位token的FLOPs降低至2.9倍。此外，我们改进了用于投机解码（speculative decoding）的MTP层，将接受长度（acceptance length）最多提升20%。训练侧则依赖自研Slime框架支撑大规模Agentic RL和OPD训练。
随着GLM系列的持续迭代与调用量的快速增长，线上服务的稳定性与效率愈发关键。GLM-5.2的线上推理依托多个国产算力平台，已在Day 0完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞等国产算力平台的推理适配，在国产芯片集群上实现高吞吐、低延迟、大并发的稳定运行。预计下半年昇腾 950 超节点上市后，也将成为GLM-5.2强劲的算力底座。
【面向开发者与知识工作者】
GLM-5.2在大型重构工程上表现出色。有开发者用Rust从零再造了送人类登月的计算机，将当年65000行、一字未改的登月飞控程序移植为Rust，整个过程由Agent全自主走完。
Agent产品AutoClaw，GLM-5.2的1M上下文与长程任务能力服务于设计、法务等白领场景，例如一次性写出数十个原型页面，自主迭代和微调，在设计中保持品牌规范与一致性。
【MIT开源协议，无地域限制，技术平权无国界】
GLM-5.2在Hugging Face与ModelScope开源，模型权重遵循最高权限MIT License，可自由下载、部署与商用。vLLM、SGLang、transformers等主流推理框架已经支持。

http://t.cn/AXajxcG9