GLM-5.2 官方文档 Overview 与 API 快速开始（docs.z.ai）

一句话结论

官方给 GLM-5.2 的标准接入配置：模型名 glm-5.2、1M 上下文 / 128K 最大输出、thinking.type: enabled + reasoning_effort: max、temperature: 1.0，可直接复制 curl / Python 示例完成首次调用，并了解官方认定的典型使用场景。

适用场景

• 适合的任务：首次接入 GLM-5.2 API；项目级代码库整体理解与改造；长时程（long-horizon）任务；从需求到可部署产品的完整开发流程；研究复现（论文→可运行工程）；微信小程序迁移、小游戏开发、端上调试闭环、Code-to-Video 循环等官方示例场景。

• 不适合的任务：需要视觉/多模态输入的任务（GLM-5.2 仅支持文本输入、文本输出）；官方未开放 json_schema 严格结构化输出的场景（见迁移指南）。

• 适用的模型版本：GLM-5.2（API 模型 ID glm-5.2；GLM Coding Plan 中为 GLM-5.2，Claude Code 中可用 GLM-5.2[1m] 启用 1M 上下文）。

• 适用的客户端、Agent 或 API：Z.ai 官方 API（https://api.z.ai/api/paas/v4/chat/completions，OpenAI 兼容协议）；官方 Python/Java SDK、OpenAI Python SDK；GLM Coding Plan（ZCode、Claude Code、OpenCode 等）。

• 推荐的推理档位和参数：thinking: {"type": "enabled"}（思考默认开启）；reasoning_effort 支持 high / max（默认 max，编码任务官方推荐 max）；temperature 默认 1.0、top_p 默认 0.95；max_tokens 最大 128K；上下文最大 1M。

可直接使用的内容

规格速览（官方）

官方认定的典型使用场景

• 项目级代码库整体接管：一次放入整个项目让模型理解

• 长时程重构：让模型端到端跑真实工程任务

• 生产级标准压力测试：检验模型在硬工程约束下是否守得住

• 移动端设备上调试闭环：从代码实现到设备验证

• 微信小程序开发：从 Web 应用迁移到小程序

• 小游戏开发：从玩法规则到可玩闭环

• 研究复现：从论文和数据到可运行的工程项目

• Code-to-Video 循环：从自然语言创意到可演示视频

基础调用（官方 Quick Start 原样）

curl -X POST "https://api.z.ai/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer your-api-key" \
-d '{
  "model": "glm-5.2",
  "messages": [
    {
      "role": "system",
      "content": "You are a senior full-stack software engineer, proficient in frontend development, backend architecture design, and modern web technology stacks."
    },
    {
      "role": "user",
      "content": "Design and build a personal blog website for me, including a homepage, article list page, and article detail page, using React + Node.js technology stack."
    }
  ],
  "thinking": {
    "type": "enabled"
  },
  "reasoning_effort": "max",
  "max_tokens": 4096,
  "temperature": 1.0
}'

流式调用（官方 Quick Start 原样）

curl -X POST "https://api.z.ai/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer your-api-key" \
-d '{
  "model": "glm-5.2",
  "messages": [
    {
      "role": "system",
      "content": "You are a senior full-stack software engineer, proficient in frontend development, backend architecture design, and modern web technology stacks."
    },
    {
      "role": "user",
      "content": "Design and build a personal blog website for me, including a homepage, article list page, and article detail page, using React + Node.js technology stack."
    }
  ],
  "thinking": {
    "type": "enabled"
  },
  "reasoning_effort": "max",
  "stream": true,
  "max_tokens": 4096,
  "temperature": 1.0
}'

官方宣传要点（与使用决策相关）

• "Solid 1M context"：1M 上下文经过编码 Agent 场景专门训练（大规模实现、自动化研究、性能优化、复杂调试），不是只"能接更多 token"。

• 在 FrontierSWE、PostTrainBench、SWE-Marathon 上均为排名最高的开源模型；FrontierSWE 仅落后 Claude Opus 4.8 约 1%。

• 标准编码基准：Terminal-Bench 2.1 为 81.0（GLM-5.1 为 63.5，官方文档页写 62.0），SWE-bench Pro 为 62.1（GLM-5.1 为 58.4），与 Opus 4.8（85.0）差距缩小，领先 Gemini 3.1 Pro。

• 发布前已提前开放给 GLM Coding Plan 用户，开发者反馈集中在：更强的项目级上下文承载、更稳定的长任务执行、更好的工程规范遵守、更强的客户端与移动端工程能力。

注意与边界

• 本页为官方自述能力与配置，跑分数字是厂商口径；独立第三方验证见测评目录（NIST CAISI、Arena.ai 等）。

• 文档中 Terminal-Bench 2.1 分数一处写 81.0 vs 62.0、另一处写 81.0 vs 63.5（GLM-5.1），官方博客为 81.0 vs 63.5，以博客为准。