GLM-5.2 は、GLM AI モデル群のフラッグシップとなるオープンウェイトモデルです。実用に耐える100万トークンの文脈長、Non-Thinking / High / Max の推論強度、そして Terminal-Bench 2.1 で81.0、FrontierSWE で74.4という公表スコアを備えます。以下ですべてのGLMモデルを比較できます。まずは無料のAIプレイグラウンドを試すのもおすすめです。
登録もアカウントもクレジットも不要。プロンプトを入力すれば、その場で回答がストリーミングされます。
ここに回答がストリーミングされます...
このプレイグラウンドは OpenRouter 経由で無料のオープンソースLLMを実行しています。GLM-5.2 ではなく、GLMのウェイトも使用していません。以下に掲載したGLMの公表ベンチマークを読みながら、稼働中のモデルを実際に試せるように用意したものです。
現行世代のGLMモデルを特徴づけるのは4つの能力です。いずれもモデル開発元が公表しており、オープンウェイトから再現できます。
受け付けるだけでなく実際に使える100万トークンの文脈長です。GLM-5.2 は、大規模実装・自動リサーチ・複雑なデバッグを含む長文脈のコーディングエージェント軌跡で学習されています。
Non-Thinking、High、Max により、タスクごとにレイテンシと能力を天秤にかけられます。エージェント型コーディング評価では、出力約35Kトークンで約63%、約83KトークンでMax時74%というカーブです。
4層のスパースアテンション層ごとに軽量なインデクサを1つ共有することで、100万トークン時のトークンあたりFLOPsを2.9分の1に削減。長距離での品質低下は報告されていません。
MIT ライセンスのオープンソースGLMモデル。ウェイトは HuggingFace と ModelScope で公開され、地域制限はありません。transformers、vLLM、SGLang、xLLM、ktransformers でローカル配信できます。
以下の数値はすべて、GLM-5.2 とその比較対象についてモデル開発元が公表した結果です。glmmodel.com はそれを掲載しているだけで、これらの評価を自ら実施してはいません。
Dominance、最長20時間のタスク
H100 1枚で最長10時間
超長時間のソフトウェア開発、最長10時間
3つの長時間ベンチマークすべてで、GLM-5.2 はオープンソースモデル中の首位です。100万トークンの文脈が、単に受け付けられるトークン数ではなく実際の成果につながっていることを示しています。FrontierSWE では Opus 4.8 に1ポイント届かないものの、GPT-5.5 を1ポイント、前世代の Opus 4.7 を11ポイント上回っています。
公表されたGLMモデルのベンチマーク結果。8モデル×17評価。
| ベンチマーク | GLM-5.2 | GLM-5.1 | Qwen3.7-Max | MiniMax M3 | DeepSeek-V4-Pro | Claude Opus 4.8 | GPT-5.5 | Gemini 3.1 Pro |
|---|---|---|---|---|---|---|---|---|
| 推論 | ||||||||
| HLE | 40.5 | 31.0 | 41.4 | 37.0 | 37.7 | 49.8* | 41.4* | 45.0 |
| HLE w/ Tools | 54.7 | 52.3 | 53.5 | – | 48.2 | 57.9* | 52.2* | 51.4* |
| CritPt | 20.9 | 4.6 | 13.4 | 3.7 | 12.9 | 20.9 | 27.1 | 17.7 |
| AIME 2026 | 99.2 | 95.3 | 97.0 | – | 94.6 | 95.7 | 98.3 | 98.2 |
| HMMT Nov. 2025 | 94.4 | 94.0 | 95.0 | 84.4 | 94.4 | 96.5 | 96.5 | 94.8 |
| HMMT Feb. 2026 | 92.5 | 82.6 | 97.1 | 84.4 | 95.2 | 96.7 | 96.7 | 87.3 |
| IMOAnswerBench | 91.0 | 83.8 | 90.0 | – | 89.8 | 83.5 | – | 81.0 |
| GPQA-Diamond | 91.2 | 86.2 | 90.0 | 93.0 | 90.1 | 93.6 | 93.6 | 94.3 |
| コーディング | ||||||||
| SWE-bench Pro | 62.1 | 58.4 | 60.6 | 59.0 | 55.4 | 69.2 | 58.6 | 54.2 |
| NL2Repo | 48.9 | 42.7 | 47.2 | 42.1 | 35.5 | 69.7 | 50.7 | 33.4 |
| DeepSWE | 46.2 | 18.0 | 18.0 | 20.0 | 8.0 | 58.0 | 70.0 | 10.0 |
| ProgramBench | 63.7 | 50.9 | – | – | 47.8 | 71.9 | 70.8 | 39.5 |
| Terminal-Bench 2.1 (Terminus-2) | 81.0 | 63.5 | 75.0 | 65.0 | 64.0 | 85.0 | 84.0 | 74.0 |
| Terminal-Bench 2.1 (best harness) | 82.7 (Claude Code) | 69.0 (Claude Code) | – | – | – | 78.9 (Claude Code) | 83.4 (Codex) | 70.7 (Gemini CLI) |
| FrontierSWE Dominance | 74.4 | 30.5 | – | – | 29.0 | 75.1 | 72.6 | 39.6 |
| PostTrainBench | 34.3 | 20.1 | – | – | – | 37.2 | 28.4 | 21.6 |
| SWE-Marathon | 13.0 | 1.0 | – | – | – | 26.0 | 12.0 | 4.0 |
| エージェント | ||||||||
| MCP-Atlas (public set) | 76.8 | 71.8 | 76.4 | 74.2 | 73.6 | 77.8 | 75.3 | 69.2 |
| Tool-Decathlon | 48.2 | 40.7 | – | – | 52.8 | 59.9 | 55.6 | 48.8 |
* フルセットでのスコア。
GLMモデルの速度は一定ではありません。推論強度の制御により、必要なタスクにだけ多くの計算を割り当てられます。
~35K 平均トークン
深さよりレイテンシが重要な、素早い修正・定型コード・日常的なリファクタリング向け。
~43K 平均トークン
多くのエージェント型コーディングにおける既定値。Max に近い品質を、およそ半分のトークン消費で実現します。
~83K 平均トークン
難易度が高く長時間に及ぶ問題向け。本当に必要な場面でだけ追加の計算資源を投入します。
Terminal-Bench 2.1、DeepSWE、SWE-Atlas QnA の平均値。Claude Code 2.1.167 上で評価、モデル開発元の公表値です。同等のトークン予算では、GLM-5.2 は Claude Opus 4.7 と Opus 4.8 の間に位置します。
文脈の上限を200Kから100万トークンへ引き上げるのは設定フラグの話ではなく、エンジニアリングの問題です。3つの変更がそれを支えています。
transformer の4層ごとに軽量なインデクサを1つ共有します。インデクサは4層の最初の層に置かれ、その top-k インデックスを残り3層が再利用するため、4層のうち3層でインデクサの内積計算と top-k 処理が不要になります。結果として、100万トークン時のトークンあたりFLOPsが2.9分の1に。中間学習の段階から系列長128Kで IndexShare を用いて学習されています。
マルチトークン予測層はインデクサを最初のドラフトステップで一度だけ実行し、以降のステップではそのインデックスを再利用します。これにより、前世代を制約していた学習時と推論時の KV-cache の不整合が解消されました。棄却サンプリングとエンドツーエンドの TV ロスと組み合わせることで、7回の MTP ステップ全体での受理長は4.56から5.47へ、約20%向上しています。
| ベースライン | 4.56 |
| + IndexShare + KVShare | 5.10 |
| + 棄却サンプリング | 5.29 |
| + エンドツーエンド TV ロス | 5.47 (+20%) |
数十万トークンを超えると、ボトルネックは計算ではなく KV-cache の容量、長文脈カーネル、CPU オーバーヘッドに移ります。対策は3つ。LayerSplit ベースの細粒度なメモリ管理と並列化、キャッシュ転送パイプラインと協調させた文脈長スケーリングのカーネル改良、そして CPU 側のキャッシュ管理・リクエストスケジューリング・ランタイム経路のチューニングです。文脈が長くなるほどスループットの優位は広がります。
正規化スループットの優位
学習スタック（slime）は、ホワイトボックスとブラックボックスのロールアウト、コンパクトな軌跡、サブエージェントのワークフローを組み合わせます。並列 OPD 学習により10を超えるエキスパートモデルを約2日で統合し、FP8 の KV-cache でロールアウトのメモリを予算内に収めています。
長時間の RL は近道を誘発するため、疑わしい行動はルールベースの再現率フィルタを通し、さらに LLM 判定による精度チェックにかけます。確認されたハッキングはオンラインで遮断し、ダミーのツール実行結果を返すことで、ロールアウトを破棄せずに継続させます。個々のロールアウトに対する Critic ベースの PPO により、圧縮されたサブ軌跡も学習可能なまま保たれます。
30B の Flash ティアから100万トークン文脈のフラッグシップまで。GLMモデルを選べば、スペック一覧とベンチマーク列をすべて確認できます。
100万トークン文脈。コーディングと長時間タスクでオープンソース最高水準、エージェント型エンジニアリングも強化。
前世代のフラッグシップ。長時間タスクで大幅な向上を果たし、数時間に及ぶ自律作業を実務水準の成果物で完遂します。
コーディング能力を強化し、複数ステップの実行がより確実に。複雑なエージェント挙動も改善。
長い連鎖と動的なエージェントシナリオ向けに調整されたベースモデル。
プログラミングを強化し、安定した複数ステップ推論とフロントエンド生成の改善を実現。
300億パラメータ。効率的かつ高性能で、同規模のオープンモデルを上回るとされています。
計算資源あたりの性能に優れた、小フットプリントのGLMモデル。
文字誤り率 0.0717 のリアルタイム音声認識。
単一の文脈ウィンドウに収まらない複数ファイルにまたがる機能開発。数ターンごとに読み直すことなく、リポジトリ全体の状態を保持し続けます。
エージェントが計画し、実行し、結果を読み、修正する数時間規模の実験ループ。FrontierSWE や PostTrainBench が測定対象としているのがまさにこの負荷です。
コールグラフ全体、プロファイラ出力、これまでの試行を1つの軌跡にまとめて保持する必要がある、カーネルやシステム領域の作業。
長い再現ログ、不安定なテスト、サービス横断の障害。文脈を切り詰めた瞬間にバグを見失う領域です。
いずれも自前のハードウェアで実行できます。MIT ライセンスのウェイト、transformers · vLLM · SGLang · xLLM · ktransformers 対応。 GLMモデルをローカルで実行する方法 →
GLMモデルのベンチマークを読んだら、実際のモデルを動かしてみてください。上のプレイグラウンドは無料で、何の登録も必要ありません。より本格的なAIツールが必要なら、パートナーの無料プランをどうぞ。