GLM-5.2 vs GLM-5.1 は、当サイトで唯一あいまいさのない比較です。両モデルにスコアがある19の公表評価すべてで、新しいGLMモデルが勝ちます。興味深いのは誰が勝つかではなく、どれだけの差で勝つかです。差は0.4ポイントから40ポイント超まで幅があります。
その幅こそ、この世代が実際に何を変えたのかを示す最も明快な証拠です。標準的な推論は少し、標準的なコーディングはほどほどに、長時間のエージェント実行は極めて大きく動きました。文脈の5倍化とスパースアテンションの再構築を看板とするリリースなら、まさにそう予想される通りです。すべての数値はモデル開発元の公表値です。
GLM-5.2 は GLM-5.1 に対して公表19項目中19項目で勝ちます。差が小さいのはすでに天井に近かったベンチマークで、HMMT Nov. 2025 は94.0 から94.4、ツールありの HLE は52.3 から54.7 です。差が大きいのは長時間タスクで、FrontierSWE Dominance は30.5 から74.4、SWE-Marathon は1.0 から13.0、DeepSWE は18.0 から46.2、CritPt は4.6 から20.9。Terminal-Bench 2.1 は Terminus-2 で63.5 から81.0、Claude Code で69.0 から82.7 です。いま GLM-5.1 を運用していてワークロードがエージェント寄りなら、これは小幅なアップグレードではありません。
構造的な変更がベンチマークの差の広がりを説明します。文脈の上限は200,000から1,000,000トークンへ、スパースアテンションは4層ごとに軽量なインデクサを1つ共有する形へ再構築され、マルチトークン予測層の学習時と推論時の KV-cache 不整合は解消され、明示的な推論強度が導入されました。どちらのリリースも、同じ公開先にある MIT ライセンスのオープンウェイトGLMモデルであることに変わりはありません。
| 項目 | GLM-5.2 | GLM-5.1 |
|---|---|---|
| 文脈ウィンドウ | 1,000,000 トークン | 200,000 トークン |
| アテンションのアーキテクチャ | IndexShare 併用のスパースアテンション | スパースアテンション、層ごとにインデクサ |
| MTP 受理長 | 5.47（+20%） | 4.56（ベースライン） |
| 推論強度の制御 | 明示的 — Non-Thinking、High、Max | 非公開 |
| ライセンス | MIT ライセンス | MIT ライセンス |
まずコーディングのブロックを読んでください。9項目9勝、しかも伸びはタスクの長さとともに大きくなります。SWE-bench Pro は3.7ポイント、ProgramBench は12.8ポイント、Terminal-Bench 2.1 は17.5ポイント、DeepSWE は28.2ポイント（2.6倍の改善）、FrontierSWE Dominance は43.9ポイントの上昇です。推論のブロックはより静かな全勝で、HLE が9.5、AIME 2026 が3.9、IMOAnswerBench が7.2、GPQA-Diamond が5.0 の上昇、CritPt は4.6 から20.9 へと従来の4倍以上に跳ね上がりました。これらの差の並び方こそ、このリリースの論拠のすべてです。単により多くのデータで長く学習しただけなら、表全体でおおむね一様な向上が予想されます。実際には各評価のタスクがどれだけ長く走るかに沿って伸びが並んでおり、文脈の5倍化と長時間タスクを狙ったアテンション再構築から予測される通りの結果です。
| ベンチマーク | GLM-5.2 | GLM-5.1 | 勝者 |
|---|---|---|---|
| コーディングと長時間タスク | |||
| FrontierSWE Dominance | 74.4 | 30.5 | GLM-5.2 |
| PostTrainBench | 34.3 | 20.1 | GLM-5.2 |
| SWE-Marathon | 13.0 | 1.0 | GLM-5.2 |
| SWE-bench Pro | 62.1 | 58.4 | GLM-5.2 |
| NL2Repo | 48.9 | 42.7 | GLM-5.2 |
| ProgramBench | 63.7 | 50.9 | GLM-5.2 |
| DeepSWE | 46.2 | 18.0 | GLM-5.2 |
| Terminal-Bench 2.1 (Terminus-2) | 81.0 | 63.5 | GLM-5.2 |
| Terminal-Bench 2.1 (Claude Code) | 82.7 | 69.0 | GLM-5.2 |
| 推論とエージェント | |||
| MCP-Atlas (public set) | 76.8 | 71.8 | GLM-5.2 |
| Tool-Decathlon | 48.2 | 40.7 | GLM-5.2 |
| HLE | 40.5 | 31.0 | GLM-5.2 |
| HLE w/ Tools | 54.7 | 52.3 | GLM-5.2 |
| CritPt | 20.9 | 4.6 | GLM-5.2 |
| AIME 2026 | 99.2 | 95.3 | GLM-5.2 |
| HMMT Nov. 2025 | 94.4 | 94.0 | GLM-5.2 |
| HMMT Feb. 2026 | 92.5 | 82.6 | GLM-5.2 |
| IMOAnswerBench | 91.0 | 83.8 | GLM-5.2 |
| GPQA-Diamond | 91.2 | 86.2 | GLM-5.2 |
* フルセットでのスコア。
このページの数値はすべ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。
17件のGLMベンチマークをすべて詳しく見る →新規の配備なら GLM-5.2 が既定の選択です。公表項目すべてで勝ち、5倍の文脈を備え、推論強度を公開して計算資源を意図的に使い分けられ、しかも IndexShare によりその大きなウィンドウをトークンあたりFLOPs 2.9分の1で配信します。つまり大きなモデルでもトークン単価が比例して高くなるわけではありません。
GLM-5.1 にとどまる正直な論拠はちょうど1つあり、それは品質ではなく運用の話です。200,000トークンのウィンドウは百万トークンに比べて KV-cache のメモリコストがはるかに小さいため、タスクが確実に収まりハードウェアが逼迫しているなら、旧モデルのフットプリントの小ささが利きます。範囲の限られたコーディングでは公表差も数ポイントにとどまります。
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。