GLM-5 est la version qui a ouvert la génération actuelle de la famille de modèles GLM. Elle est arrivée avec des fondamentaux de programmation nettement plus solides que la lignée 4.x, une exécution multi-étapes plus fiable et un comportement sensiblement meilleur sur les tâches d'agent complexes, où un plan doit survivre au contact des sorties réelles des outils. Tout ce pour quoi la série 5 est aujourd'hui reconnue — raisonnement de longue haleine, ingénierie agentique, poids ouverts sous MIT — commence ici.
Comme les auteurs du modèle ne publient leur tableau comparatif complet que pour GLM-5.2 et GLM-5.1, GLM-5 n'a pas de colonne de benchmarks propre. Cette page l'assume : elle vous donne la fiche technique et le positionnement publiés, ainsi que la colonne de référence publiée la plus proche, plutôt que d'inventer des chiffres. Si vous avez besoin de scores concrets pour décider, c'est la page du vaisseau amiral qu'il faut consulter.
Sans inscription, sans compte, sans crédits. Saisissez un prompt et recevez une réponse en streaming.
La réponse s'affichera ici en streaming...
Ce playground fait tourner un LLM open source gratuit via OpenRouter. Ce n'est pas GLM-5.2 et il n'utilise pas les poids GLM — il est là pour vous laisser tester un modèle en direct pendant que vous consultez les données de benchmark GLM publiées ci-dessous.
Le passage de la lignée 4.x à GLM-5 a porté sur la fiabilité plutôt que sur la capacité affichée. L'exécution multi-étapes est la part du travail agentique qui décide silencieusement si une exécution ira au bout : un modèle qui raisonne magnifiquement mais oublie une étape, perd une contrainte ou refait un travail déjà accompli ne survivra pas à une trajectoire de cinquante tours. GLM-5 a resserré ce comportement, tout en améliorant la programmation et la gestion des tâches d'agent complexes, ce qui a permis aux deux versions suivantes de se concentrer sur la longueur d'horizon plutôt que sur la fiabilité de base. Lisez la série 5 comme trois mouvements : GLM-5 a rendu les longues trajectoires fiables, GLM-5.1 les a rendues longues, et GLM-5.2 les a rendues très longues en reconstruisant la pile d'attention autour d'un indexeur partagé.
Le tableau comparatif publié couvre GLM-5.2 et GLM-5.1. La colonne ci-dessous est celle de GLM-5.1 — le point de référence publié le plus proche de la génération GLM-5. Aucune colonne de benchmarks n'a été publiée pour GLM-5 lui-même, et aucune n'est inventée ici.
Considérez la colonne ci-dessus comme une borne supérieure de vérification plutôt que comme un score de GLM-5. Elle montre où la génération immédiatement postérieure à GLM-5 s'est située : 95.3 sur AIME 2026, 86.2 sur GPQA-Diamond, 71.8 sur MCP-Atlas et 58.4 sur SWE-bench Pro, avec des lignes de longue haleine encore faibles. Si vous choisissez entre modèles GLM sur la base de performances mesurées, les deux seules options avec des colonnes publiées sont GLM-5.2 et GLM-5.1, et GLM-5.2 remporte toutes les lignes de ce duel.
Comparaison sur Terminal-Bench 2.1 (Terminus-2), telle que publiée par les auteurs du modèle.
Le graphique suit la trajectoire de la série 5 face au champ des poids ouverts sur Terminal-Bench 2.1 : GLM-5.1 à 63.5 et MiniMax M3 à 65.0 se situent dans la même bande, Qwen3.7-Max atteint 75.0, et GLM-5.2 s'échappe à 81.0. GLM-5 précède toutes ces mesures, si bien que sa place sur cette courbe est déduite du positionnement et non mesurée — une raison de plus de passer à la page du vaisseau amiral si vous avez besoin d'un chiffre défendable en revue de conception.
GLM-5 succède à GLM-4.7 et précède GLM-5-Turbo, GLM-5.1 et GLM-5.2. Son descendant direct dans l'esprit est GLM-5-Turbo, qui a repris la même base en l'optimisant pour les scénarios d'agents dynamiques à longue chaîne. Pour un travail en production aujourd'hui, la famille vous oriente vers GLM-5.2 ; GLM-5 compte surtout comme le moment où les décisions de conception de la génération actuelle ont été fixées.
Le vaisseau amiral à contexte d'1M de tokens. Il représente l'état de l'art open source sur les évaluations de programmation et de longue haleine, avec des niveaux d'effort explicites Non-Thinking, High et Max.
Un modèle de base de la série 5 optimisé pour les scénarios d'agents dynamiques à longue chaîne, où le plan change sans cesse et où la trajectoire doit rester exécutable.
Consultez les benchmarks des modèles GLM, puis mettez un vrai modèle au travail. Le playground ci-dessus est gratuit et ne demande rien ; si vous cherchez une boîte à outils IA plus complète, l'offre gratuite de notre partenaire commence ici.