O GLM-5.2 é o modelo GLM emblemático de pesos abertos, construído para concluir tarefas de longo alcance e para programação agêntica, e não para conversa de um só turno. É o lançamento que levou o contexto utilizável da família de 200.000 tokens para um milhão sólido, introduziu níveis de esforço explícitos e reconstruiu a stack de atenção esparsa em torno de um indexador partilhado. Para uma equipa que avalia alternativas de pesos abertos à fronteira fechada, este é o modelo GLM que compete de facto nas avaliações que essas equipas valorizam — e fá-lo sob licença MIT, com pesos publicados abertamente.
Face ao seu antecessor GLM-5.1, o GLM-5.2 não é uma atualização incremental. O Terminal-Bench 2.1 passa de 63.5 para 81.0, o DeepSWE de 18.0 para 46.2 e o FrontierSWE Dominance de 30.5 para 74.4 — todos valores tal como publicados pelos autores do modelo, nenhum medido aqui. A consequência prática é que um agente de programação pode manter um repositório inteiro, a saída dos seus testes e as suas próprias tentativas anteriores dentro de uma só trajetória, em vez de reler fragmentos através de uma camada de recuperação.
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.
Um contexto de um milhão de tokens muda o que se pode construir, não apenas a quantidade de texto que se cola. Em vez de um pipeline de recuperação a alimentar o modelo com pequenos excertos incompletos, pode carregar um repositório inteiro, uma referência de API completa ou vários dias de registos num único prompt e deixar o modelo raciocinar sobre tudo ao mesmo tempo. É isso que torna visíveis as dependências entre ficheiros e as falhas sistémicas: o bug que só aparece quando a fronteira do serviço, a migração e o fixture de teste estão todos à vista em simultâneo. O GLM-5.2 foi treinado com trajetórias de agentes de programação de contexto longo, cobrindo implementação em larga escala, investigação automatizada, otimização de desempenho e depuração complexa, e é por isso que os autores do modelo descrevem a janela como sólida e não apenas aceite — a qualidade deve manter-se bem dentro do contexto, em vez de se degradar quando a execução se complica.
Pontuações tal como publicadas pelos autores do modelo.
A coluna publicada do GLM-5.2 é mais forte exatamente onde o modelo foi concebido para o ser: programação agêntica e execução de longo alcance. Obtém 81.0 no Terminal-Bench 2.1 sob o harness Terminus-2 e 82.7 sob o Claude Code, 76.8 no conjunto público do MCP-Atlas e 74.4 no FrontierSWE Dominance, onde há tarefas individuais que chegam às vinte horas. Em raciocínio puro, reporta 99.2 no AIME 2026 e 91.2 no GPQA-Diamond. Nas três avaliações de longo alcance — FrontierSWE, PostTrainBench e SWE-Marathon — é o modelo open source melhor classificado do conjunto de comparação publicado.
Comparação no SWE-bench Pro, tal como publicada pelos autores do modelo.
No SWE-bench Pro, os 62.1 do GLM-5.2 ficam atrás dos 69.2 do Claude Opus 4.8, mas superam o GPT-5.5 com 58.6 e o Gemini 3.1 Pro com 54.2 — e superam o seu próprio antecessor GLM-5.1, com 58.4. Esse padrão repete-se ao longo da tabela: a fronteira fechada ainda lidera várias avaliações de programação padrão, enquanto o GLM-5.2 se coloca no topo do campo de pesos abertos e vence linhas individuais de forma clara, incluindo o Terminal-Bench 2.1 sob o harness do Claude Code (82.7 contra 78.9) e o AIME 2026 (99.2 contra 95.7).
O GLM-5.2 é o topo atual de uma linha que vai do GLM-4.5-Air e do GLM-4.7 até ao GLM-5, GLM-5-Turbo e GLM-5.1. Cada passo teve uma prioridade diferente — o GLM-4.7 focou-se em programação e geração de front-end, o GLM-5-Turbo na execução de agentes de cadeia longa, o GLM-5.1 no trabalho autónomo de várias horas — e o GLM-5.2 reúne esses ganhos num único modelo, com uma janela muito maior. Se o seu orçamento de hardware excluir o modelo emblemático, os níveis leves GLM-4.7-Flash e GLM-4.5-Air pertencem à mesma família e à mesma licença MIT.
O anterior modelo emblemático. Trouxe os primeiros grandes ganhos de longo alcance à família e continua a ser a referência face à qual se mede cada melhoria do GLM-5.2.
Um modelo base da série 5 afinado para cenários de agentes dinâmicos e de cadeia longa, em que o plano muda repetidamente e a trajetória tem de continuar executável.
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.