6月13日智谱AI发布了GLM-5.2开源大模型。MIT协议744B参数100万token上下文最大输出128K。一个月过去了我把这个模型在实际项目中跑了一遍聊聊真实体验。说实话我对百万上下文这个宣传词一直持怀疑态度。很多模型声称支持长上下文但实际用起来要么中间信息丢失严重大海捞针测试过不了要么推理速度慢得没法用。GLM-5.2号称真正可用的1M上下文到底靠不靠谱先看硬件配置GLM-5.2的核心参数参数数值总参数量744B激活参数~40B架构MoE混合专家上下文窗口100万Token最大输出128K Token预训练数据20万亿 Token开源协议MIT发布日期2026年6月13日744B总参数激活只有40B。这个比例跟DeepSeek V3差不多都是大参数小激活的MoE路线。好处是推理成本低坏处是路由策略的难度更大——要让每个token找到最合适的专家。GLM-5.2 核心能力百万上下文编码能力开源生态IndexShare 稀疏注意力大海捞针 99%长文档理解/生成SWE-bench 对标GPT-5.5Terminal-Bench 2.1 得分81.0编码成本仅为GPT-5.5的1/6MIT协议 免费商用ZCode 3.0 编程工具API日活调用量翻倍IndexShare百万上下文的秘密GLM-5.2实现百万上下文的关键技术叫IndexShare。理解它之前先理解为什么长上下文难。Transformer的自注意力是O(n²)复杂度。10万token注意力矩阵就是100亿个元素。100万token那就是1万亿。显存和计算量都扛不住。所有长上下文方案本质上都在做同一件事减少需要计算的注意力对。GLM-5.2的IndexShare思路是这样的把注意力计算分成索引和检索两步先快速扫一遍标记出哪些位置是重要的索引只对重要的位置算完整注意力检索每4层共享同一个索引器减少额外开销官方数据是FLOPs减少2.9倍。实际用下来100万token的推理延迟大概在可接受范围——输入一个中等规模代码库约20万行等几秒就能出结果。编码能力实测编码能力是GLM-5.2的主打方向。几个关键基准的成绩基准GLM-5.2GPT-5.5Claude 4.5Terminal-Bench 2.181.075.272.8SWE-bench Verified68.370.166.5HumanEval92.191.890.3MBPP85.684.282.7Terminal-Bench 2.1这个81.0分相当亮眼领先GPT-5.5接近6分。这个基准测试的是模型在真实命令行环境中的操作能力——安装依赖、调试代码、修改配置、执行脚本。对做Agent应用的开发者来说这个基准的参考价值比HumanEval高得多。SWE-bench Verified略低于GPT-5.5但差距在2分以内。考虑到GLM-5.2是开源的、成本只有GPT-5.5的六分之一这个性价比已经非常高了。实际项目体验我在两个场景下测试了GLM-5.2场景一代码审查。把一个2000行的Python项目扔进去让模型做code review。它能准确识别出潜在的空指针问题、不合理的异常处理、以及几处性能瓶颈。尤其对并发安全相关的问题敏感度比我想象的高。场景二长文档问答。扔了一篇50页的英文技术白皮书进去然后问了几个细节问题。GLM-5.2能准确找到相关段落并给出总结没有出现中间信息丢失的问题。不过超长文档超过50万token时对文档后半部分的细节把握会有些下降。编码成本六分之一的诱惑GLM-5.2的API定价是编码任务每百万token约0.5美元而GPT-5.5是3美元。对于个人开发者或者小团队来说这个差距是实打实的。如果你每天用AI辅助编程假设一天消耗50万tokenGPT-5.5每天约1.5美元每月约45美元GLM-5.2每天约0.25美元每月约7.5美元一个月能省出一顿饭钱。对于公司级别的用量差距就更大了。缺点和不足没有完美的模型。GLM-5.2在实际使用中也有几个问题中文长文本生成偶尔会重复。生成超过8000字的中文内容时有时会出现句式重复的问题。不知道是训练数据的问题还是解码策略的问题。多轮对话的上下文一致性。超过20轮对话后偶尔会忘记前面讨论过的细节。比GPT-5.5略差。生态还不够成熟。虽然开源了但社区工具链和第三方集成还不如Llama系列丰富。不过这个随着时间推移应该会改善。配套工具ZCode 3.0跟GLM-5.2一起发布的还有ZCode 3.0这是智谱的AI编程工具。它内置了GLM-5.2支持整个项目级别的代码理解和修改自动生成单元测试智能代码补全支持100万token上下文与VS Code和JetBrains的深度集成ZCode 3.0的定位跟GitHub Copilot和Cursor类似但因为是国产工具对中文注释和文档的理解明显更好。写在最后GLM-5.2是2026年上半年最值得关注的开源模型之一。它不追求参数规模的极致而是在实际可用这个维度上下了功夫——百万上下文、低编码成本、MIT协议商用。智谱创始人唐杰在内部信里说的一句话很有意思GLM时刻之后更重要的事情是生态。模型本身只是起点开发者社区、工具链、应用场景这些才是决定一个开源模型能走多远的关键。对开发者来说GLM-5.2提供了一个性价比很高的选择。如果你在做AI编程助手、代码审查、长文档处理这些场景值得一试。智谱AI于2026年6月13日发布GLM-5.2开源模型744B参数支持100万token上下文MIT协议可商用。Terminal-Bench 2.1得分81.0领先GPT-5.5编码成本仅为GPT-5.5的六分之一。配套ZCode 3.0编程工具同步发布。