Un modelo GLM es un miembro de una familia de grandes modelos de lenguaje de pesos abiertos cuyo buque insignia actual es GLM-5.2. Si has llegado aquí buscando "qué es GLM", la respuesta corta es esta: GLM es una línea de modelos de lenguaje de propósito general publicados con pesos abiertos bajo licencia MIT, que va desde lanzamientos ligeros de 30B hasta un buque insignia con contexto de 1M tokens creado para la ingeniería agéntica de largo recorrido.
Lo que distingue a un LLM GLM de la mayoría de modelos que podrías nombrar es la combinación de dos cosas que rara vez coinciden. Compite en los mismos benchmarks que la frontera cerrada (81.0 en Terminal-Bench 2.1, 74.4 en FrontierSWE Dominance, 99.2 en AIME 2026, todo según los autores del modelo) y, aun así, los pesos son descargables, autoalojables y con licencia permisiva. Documentar esa combinación es la razón de ser de este sitio.
Un modelo GLM es un gran modelo de lenguaje basado en transformers: recibe texto, predice texto y ha sido postentrenado para seguir instrucciones, usar herramientas y trabajar dentro de harness de agentes. Funcionalmente ocupa el mismo lugar en tu arquitectura que cualquier otro LLM de propósito general: le envías un prompt y te devuelve una respuesta en streaming. Las diferencias interesantes son arquitectónicas y legales, no conceptuales.
Arquitectónicamente, la generación actual usa atención dispersa con un indexador compartido, un diseño que los autores del modelo llaman IndexShare, de modo que el cómputo por token no escala con el contexto como lo haría la atención densa. Eso es lo que hace práctico servir la ventana de 1M tokens del buque insignia en lugar de solo declararla. Legalmente, todos los modelos GLM principales se publican bajo MIT sin restricciones regionales, lo que significa que puedes descargarlos, ajustarlos, desplegarlos comercialmente y mantener cada prompt dentro de tu propia red.
La familia ha avanzado deprisa, y los lanzamientos se entienden mejor como una secuencia de problemas concretos resueltos que como un número de versión que sube. Cada entrada de abajo enlaza con su propia ficha técnica en este sitio.
«Abierto» se usa con mucha ligereza en este sector, así que conviene ser preciso sobre lo que se afirma de la familia de modelos GLM. Los pesos principales se publican en HuggingFace y ModelScope bajo licencia MIT, sin restricciones regionales y sin cláusulas de uso aceptable que recorten lo que la licencia concede. En la práctica eso significa que los pesos se comportan como cualquier otro artefacto con licencia MIT de tu stack.
Las consecuencias operativas son las que realmente importan. Tus prompts nunca salen de una infraestructura que controlas, lo que resuelve toda una categoría de objeciones de gobernanza de datos antes de que se planteen. Una versión del modelo no puede quedar obsoleta bajo tus pies, porque ya tienes los pesos. Y puedes hacer fine-tuning con datos propietarios sin enviarlos a ninguna parte. Esas propiedades son la razón por la que un LLM GLM abierto se evalúa de forma distinta a una API alojada aunque las puntuaciones de benchmark sean similares.
Empieza por la longitud de contexto, porque es la restricción que no se puede sortear. Si una tarea necesita ver un repositorio entero, toda una superficie de API o días de logs en un único prompt, solo GLM-5.2 tiene una ventana publicada de 1.000.000 de tokens; todo lo demás en la familia requerirá una capa de recuperación que decida por ti qué fragmentos ve el modelo. Si tus tareas están bien delimitadas, esa restricción desaparece y el hardware pasa a ser el factor decisivo.
Después elige por huella. GLM-4.7-Flash con 30B y GLM-4.5-Air son los niveles ligeros creados para inferencia local y trabajo de alto volumen; GLM-5.1 ofrece una ventana de 200.000 tokens con un coste de KV-cache mucho menor que el buque insignia; GLM-ASR se encarga de voz a texto en lugar de generación de texto. El patrón sensato en producción es ejecutar dos de ellos: un modelo pequeño para el volumen y el buque insignia para los problemas que realmente justifican el cómputo.
Todas las cifras de esta página son resultados publicados por los autores del modelo. glmmodel.com los reproduce; no ejecuta estas evaluaciones.
Consulta los benchmarks del modelo GLM y luego pon a trabajar un modelo real. El playground de arriba es gratuito y no te pide nada; si quieres un kit de IA más completo, el plan gratuito de nuestro partner empieza aquí.