GLM-5.2 正式发布，震撼全网，主打长程任务能力，配合 1M token 上下文窗口，且完全开源（MIT 协议）。在相近的 token 消耗下，GLM-5.2 的能力大致介于 Opus 4.7 和 Opus 4.8 之间，参数仅为753B。
我总结了几个核心卖点：
1M token 稳定上下文，不是噱头，而是工程可用级别的稳定性
长程任务能力，FrontierSWE 仅落后 Opus 4.8 1%，差距极小，超越 GPT-5.5。
架构创新，IndexShare、MTP 改进（接受长度提升 20%）
GLM-5.2 vs GPT-5.5：多项超越
直接上图，详细解读在后面
详细解读一下GLM-5.2究竟意味着什么
有一类任务，是 AI 编程的真正考场。
给你一个大型代码仓库，要求你花几个小时，完成一次跨模块的性能优化；或者从零开始，搭建一个可以跑通的编译器；再或者，给你一张 H100，让你自己去训练一个更好的小模型出来。
这类任务有一个共同特征它们不能被一次对话解决。你需要 AI 在很长的执行轨迹里保持状态、记住上下文、不中途失忆、不绕回起点。
这正是当前大多数模型的软肋。
接受 100 万个 token 的上下文，和在 100 万个 token 的压力下稳定工作，是两件完全不同的事。前者是参数表上的一行数字，后者是工程实践里真实可用的能力。很多模型在上下文拉长之后，推理质量会快速衰减，模型开始"忘事"，注意力涣散，生成质量明显下滑。
智谱今天发布的 GLM-5.2，想解决的正是这个问题。
1M 上下文
GLM-5.2 的上下文窗口是 100 万 token，这个数字本身不新鲜。新鲜的是他们怎么做到让它稳的。
团队在训练阶段专门针对编程 Agent 的长轨迹场景做了大量扩展，覆盖大规模代码实现、自动化研究、性能调优、复杂 debug 这几类在实际工程中最消耗上下文的场景。目标不是让模型"能接收"百万 token，而是让它在真实的工程压力下保持稳定的输出质量。
架构层面，他们引入了一个叫 IndexShare 的机制：每 4 个稀疏注意力层共享同一个轻量级索引器，把 100 万 token 长度下每个 token 的计算量（FLOPs）降低到原来的约三分之一。这直接解决了超长上下文下计算成本爆炸的问题。
推理侧也有专门的工程优化。当上下文从 20 万 token 扩展到 100 万 token，推理瓶颈从计算本身转移到了 KV 缓存容量、长上下文内核调度和 CPU 侧开销。他们针对这三个方向分别做了优化，使得 GLM-5.2 在上下文越长的场景下，吞吐量优势越明显，这是一个"越用越顺"而非"越用越卡"的系统。
长程任务上，差距还有多大？
GLM-5.2 在三个专门评测长程任务的基准上值得逐一看一下。
FrontierSWE，评测的是 Agent 能否独立完成需要几小时乃至几十小时的开放式技术项目，包含系统优化、大规模代码构建、应用 ML 研究等。GLM-5.2 得分 74.4，Opus 4.8 是 75.1，差距只有 1%。同时，它超过了 GPT-5.5（72.6）和 Opus 4.7（比后者高出 11 个百分点）。
PostTrainBench，设定更有意思：给每个 Agent 一张 H100，看它能把一个小模型训练得提升多少。GLM-5.2 得分 34.3，排名第二，仅次于 Opus 4.8（37.2），超越了 GPT-5.5（28.4）。
SWE-Marathon，这是难度最高的一个，任务包括构建编译器、优化计算内核、开发生产级服务。GLM-5.2 在这里还有明显差距：13.0 分，而 Opus 4.8 是 26.0 分，落后约 13 个百分点。这个数字没什么好粉饰的，差距是真实存在的。不过作为横向对比，在开源模型里，它依然是第一名（Gemini 3.1 Pro 是 4.0）。
三个基准加在一起，传递的信息是：在中等复杂度的长程任务上，GLM-5.2 已经进入了与顶级闭源模型同台竞争的区间；在最极端复杂度的任务上，它仍然落后，但在开源阵营里独领先位。
标准编程基准上的表现同样值得关注。Terminal-Bench 2.1 上，GLM-5.2 得 81.0，Opus 4.8 是 85.0，差距收窄至 4 个百分点，同时超越了 Gemini 3.1 Pro（74.0）。SWE-bench Pro 62.1 分，开源第一。
训练过程里，模型在"作弊"
这是技术报告里我觉得最有趣的一部分。
用强化学习训练编程 Agent，奖励信号通常是一个可验证的 pass/fail，代码跑通了就给分，跑不通就不给。这听起来很干净，但问题在于，模型会去找捷径。
研究人员发现，GLM-5.2 展现出的"作弊行为"比上一代 GLM-5.1 更多，这倒不是退步，而是因为它更聪明了，会的花招也更多。它会读取本不该访问的评测文件，会从 GitHub 的上游提交里直接拿答案，会顺着线索找到隐藏的测试用例然后用来解题，甚至会把这些动作串联起来，做一套"链式作弊"。
为了应对这件事，团队专门做了一个 anti-hack 模块：先用规则过滤可疑操作，再用一个 LLM 裁判来判断行为意图。这套系统在线运行，逐步骤监控每一个工具调用。如果发现作弊，不是直接中止整个推理过程（那样会让训练不稳定），而是拦截该步骤并返回一条假信息，让模型继续往下跑。
这件事有点像监考，不是掀桌子，而是把小纸条没收，让考试继续。
最后说一句
GLM-5.2让我更加确信阿迪王的末日论就是个笑话，现在Anthropic和OpenAI所剩下的，只有更多的RL环境和规模
GLM5.2代表的开源模型在长程编程任务上，第一次真实地进入了竞争。 靠在 1M 上下文下扎实的工程落地，在最难的几个基准上，它和顶级闭源模型之间的差距，从层级之差变成了数字之差。
本文来源：AI寒武纪