O GLM-5.2 é o modelo de IA GLM emblemático de pesos abertos: um contexto sólido de 1M de tokens, níveis de esforço Non-Thinking / High / Max e resultados reportados de 81.0 no Terminal-Bench 2.1 e 74.4 no FrontierSWE. Compare abaixo todos os modelos GLM — ou experimente primeiro o playground de IA gratuito.
Sem registo, sem conta, sem créditos. Escreva um prompt e receba uma resposta em streaming.
A resposta aparecerá aqui...
Este playground executa um LLM open source gratuito através da OpenRouter. Não é o GLM-5.2 e não utiliza pesos GLM — está aqui para que possa testar um modelo ao vivo enquanto lê os dados de benchmark publicados do GLM mais abaixo.
Quatro capacidades definem a geração atual dos modelos GLM — todas reportadas pelos autores do modelo e reproduzíveis a partir dos pesos abertos.
Um contexto de 1M de tokens que se mantém utilizável, e não apenas aceite: o GLM-5.2 foi treinado com trajetórias de agentes de programação de contexto longo, cobrindo implementação em larga escala, investigação automatizada e depuração complexa.
Non-Thinking, High e Max permitem trocar latência por capacidade em cada tarefa — cerca de 63% com ~35K tokens de saída até 74% com ~83K em avaliações de programação agêntica.
Um indexador leve partilhado a cada quatro camadas de atenção esparsa reduz os FLOPs por token em 2.9× com 1M de contexto, sem perda de qualidade a longa distância.
Um modelo GLM open source sob MIT: pesos no HuggingFace e no ModelScope, sem limites regionais, e execução local através de transformers, vLLM, SGLang, xLLM e ktransformers.
Todos os valores abaixo são resultados publicados pelos autores do modelo para o GLM-5.2 e o respetivo conjunto de comparação. O glmmodel.com apenas os reporta; não executa estas avaliações.
Dominance, tarefas até 20 horas
Até 10 horas numa única H100
SWE de alcance ultralongo, até 10 horas
Nos três benchmarks de longo alcance, o GLM-5.2 é o modelo open source melhor classificado — prova de que o seu contexto de 1M se traduz em trabalho concluído, e não apenas em tokens aceites. Fica um ponto atrás do Opus 4.8 no FrontierSWE, supera o GPT-5.5 por um ponto e ultrapassa o Opus 4.7 da geração anterior por onze.
Resultados de benchmark publicados dos modelos GLM: 17 avaliações em 8 modelos.
| Benchmark | 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 |
|---|---|---|---|---|---|---|---|---|
| Raciocínio | ||||||||
| 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 |
| Programação | ||||||||
| 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 |
| Agêntico | ||||||||
| 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 |
* pontuação no conjunto completo.
Um modelo GLM não tem uma única velocidade. O controlo do nível de esforço permite gastar mais computação apenas nas tarefas que a exigem.
~35K tokens em média
Edições rápidas, código repetitivo e refatorações de rotina, onde a latência importa mais do que a profundidade.
~43K tokens em média
A opção por omissão para a maior parte da programação agêntica: qualidade próxima do Max por cerca de metade dos tokens.
~83K tokens em média
Problemas difíceis e de longo alcance — atribua computação extra quando a tarefa realmente o justifica.
Média de Terminal-Bench 2.1, DeepSWE e SWE-Atlas QnA, avaliados no Claude Code 2.1.167. Reportado pelos autores do modelo. Com orçamentos de tokens comparáveis, o GLM-5.2 situa-se entre o Claude Opus 4.7 e o Opus 4.8.
Elevar o teto de contexto de 200K para 1M de tokens é um problema de engenharia, não uma opção de configuração. Três mudanças fazem o trabalho.
A cada quatro camadas do transformer partilha-se um indexador leve. Ele fica na primeira das quatro e os seus índices top-k são reutilizados pelas outras três — eliminando o produto escalar do indexador e o trabalho de top-k em 3 de cada 4 camadas. Resultado: FLOPs por token 2.9× menores com 1M de contexto. Treinado com IndexShare desde o mid-training, com sequências de 128K.
A camada de previsão multi-token executa o seu indexador uma vez no primeiro passo de rascunho e reutiliza os índices nos passos seguintes, eliminando a incompatibilidade de KV-cache entre treino e inferência que limitava a geração anterior. Combinado com rejection sampling e uma perda TV ponta a ponta, o comprimento de aceitação sobe de 4.56 para 5.47 — cerca de 20% — ao longo de 7 passos MTP.
| Base | 4.56 |
| + IndexShare + KVShare | 5.10 |
| + Rejection Sampling | 5.29 |
| + Perda TV ponta a ponta | 5.47 (+20%) |
Passadas algumas centenas de milhares de tokens, o estrangulamento deixa de ser a computação e passa a ser a capacidade de KV-cache, os kernels de contexto longo e o overhead de CPU. Três correções: gestão de memória e paralelismo de granularidade fina baseados em LayerSplit, trabalho de kernel escalado ao comprimento do contexto coordenado com o pipeline de transferência de cache, e gestão de cache do lado do CPU, escalonamento de pedidos e afinação dos caminhos de execução. A vantagem de throughput aumenta à medida que o contexto cresce.
Vantagem de throughput normalizada
A stack de treino (slime) combina rollout de caixa branca e caixa negra, trajetórias compactas e fluxos com subagentes. O treino OPD paralelo fundiu mais de dez modelos especialistas em cerca de dois dias, com KV-cache em FP8 a manter a memória de rollout dentro do orçamento.
O RL de longo alcance convida a atalhos, por isso as ações suspeitas passam por um filtro de recall baseado em regras e depois por uma verificação de precisão feita por um LLM-juiz. Os casos confirmados são bloqueados online e respondidos com um resultado de ferramenta fictício, deixando o rollout continuar em vez de ser descartado. PPO com crítico em rollouts individuais mantém treináveis os sub-traços de compactação.
Do nível Flash de 30B ao modelo emblemático com contexto de 1M — escolha um modelo GLM e veja a ficha técnica completa e a respetiva coluna de benchmarks.
Contexto de 1M de tokens, estado da arte open source em programação e tarefas de longo alcance, engenharia agêntica mais forte.
O anterior modelo emblemático: grandes ganhos em longo alcance e trabalho autónomo de várias horas com resultados de nível profissional.
Programação mais forte, execução multipasso mais fiável e melhor comportamento em agentes complexos.
Modelo base afinado para cenários de agentes dinâmicos e de cadeia longa.
Programação melhorada, raciocínio multipasso estável e melhor geração de front-end.
30B de parâmetros; eficiente e de alto desempenho, à frente de modelos abertos de escala semelhante.
Modelo GLM de pequena pegada com forte desempenho por unidade de computação.
Reconhecimento de voz para texto em tempo real com 0.0717 de CER.
Funcionalidades multificheiro que ultrapassam uma única janela de contexto: o modelo mantém à vista todo o estado do repositório em vez de o reler a cada poucas iterações.
Ciclos de experimentação de várias horas em que o agente tem de planear, executar, ler resultados e rever — a carga de trabalho que o FrontierSWE e o PostTrainBench foram criados para medir.
Trabalho de kernel e de sistemas que exige ter o grafo de chamadas completo, a saída do profiler e as tentativas anteriores reunidos numa só trajetória.
Longos traços de reprodução, testes instáveis e falhas entre serviços, em que truncar o contexto é precisamente o que faz perder o bug.
Execute tudo isto no seu próprio hardware — pesos MIT, transformers · vLLM · SGLang · xLLM · ktransformers. Como executar um modelo GLM localmente →
Leia os benchmarks do modelo GLM e depois ponha um modelo real a trabalhar. O playground acima é gratuito e não exige nada de si; se quiser um conjunto de ferramentas de IA mais completo, o plano gratuito do nosso parceiro começa aqui.