GLM-5.2 官方发布说明与完整跑分表（Z.ai 博客）

核心内容摘要

GLM-5.2 是 Z.ai 面向"长时程任务（long-horizon tasks）"推出的旗舰模型，核心卖点是真正可用的 1M token 上下文、灵活的思考档位与 MIT 开源协议（无地域限制）。官方口径：相比 GLM-5.1 在长时程任务能力上有实质跃升，且首次在 1M 上下文上"稳定扛住工程压力"。

发布要点

• 1M 上下文：为编码 Agent 场景大幅扩展了 1M 上下文训练（大规模实现、自动化研究、性能优化、复杂调试），强调"1M 上下文要工程可用，不只是能接更多 token"。

• 架构 IndexShare：每 4 层稀疏注意力共享一个 indexer，在 1M 上下文长度下每 token FLOPs 降低 2.9×；MTP（多 token 预测）层改进用于投机解码，接受长度提升最多 20%（消融：baseline 4.56 → +IndexShare+KV Share 5.10 → +Rejection Sampling 5.29 → +End-to-end TV Loss 5.47）。

• 推理服务：基于 LayerSplit 做细粒度内存管理与并行，优化长上下文 kernel 与 CPU 侧缓存管理，上下文越长吞吐优势越大。

• Agentic RL（slime 框架）：并行 OPD 训练合并 10+ 专家模型，整个 OPD 训练约 2 天；引入 critic-based PPO（单 rollout、token 级 advantage）适配 compaction；编码 RL 引入两阶段反作弊（rule-based filter + LLM judge），在线拦截 hack 调用并返回假数据让 rollout 继续。

• 获取：GLM Coding Plan（模型名 GLM-5.2，Claude Code 中用 GLM-5.2[1m] 启用 1M 上下文）；Z.ai 聊天；HuggingFace / ModelScope 开源权重（支持 transformers、vLLM、SGLang、xLLM、ktransformers）。

完整跑分表（厂商口径，2026-06-16）

（* 为 full set 分数）

长时程三基准（官方口径）

• FrontierSWE（Proximal 评测，1M 上下文 + Max 档 + 128K 输出）：74.4，仅落后 Opus 4.8（75.1）约 1%，领先 GPT-5.5（72.6）约 1%、Opus 4.7 约 11%。

• PostTrainBench（每个 agent 一台 H100，看能把小模型后训练提升多少）：34.3，仅次于 Opus 4.8（37.2）。

• SWE-Marathon（超长时程：写编译器、优化 kernel、开发生产级服务）：13.0，落后 Opus 4.8（26.0）约 13%（原文表述），仍为开源第一。

官方评测方法脚注（可复现性关键）

• HLE 等推理任务：temperature=1.0, top_p=0.95，最大生成长度 163,840；默认报 text-only 子集。

• SWE-bench Pro：OpenHands + 定制指令提示词，temperature=1, top_p=1, max_new_tokens=32k，400K 上下文。

• DeepSWE：官方 pier 评测框架 + mini-swe-agent，temperature=1.0, top_p=1.0, timeout=2h，400K 上下文，隔离容器（2 CPU、8GB RAM、无网络）。

• Terminal-Bench 2.1：Terminus-2 框架（parser=json, timeout=4h, max_new_tokens=48k, max_episodes=500, 256K 上下文，4 CPU / 8GB RAM 上限）；Claude Code 版本用透明代理把 max_new_tokens 提到 128k，去掉墙钟时限，5 次平均。

• MCP-Atlas：think mode、500 任务公开子集、单任务 10 分钟超时、Gemini-3.0-Pro 作裁判。

• 用途提示：不同模型可能用不同 harness，跨行对比需谨慎。

配额与成本（Coding Plan 口径）

• 高峰期 3× 配额消耗、非高峰 2×；限时促销（至 9 月底）非高峰按 1× 计。高峰时段为每日 14:00–18:00（UTC+8）。

• 编码任务官方推荐 Max 档。

原文关键引文

"Supporting long-horizon tasks starts with making long context engineering-usable: the model must maintain quality acros… 以上为必要节选，完整内容请查看原文。

"A 1M context is easy to claim, but much harder to keep reliable under real engineering pressure."

"Across all three benchmarks, GLM-5.2 is the highest-ranked open-source model, showing that its 1M context has translate… 以上为必要节选，完整内容请查看原文。

适用边界

• 全部跑分为厂商自报，含第三方评测机构（Proximal / PostTrainBench / Abundant AI）执行的部分；与闭源模型对比时注意各模型所用 harness、上下文与档位不同。

• 引用外部分数时建议同时给出官方脚注中的评测配置；GLM-5.3 发布时官方公布的 5.2 基线（如 Terminal-Bench 3.0 4.6、DeepSWE v1.1 46.2）与本文 2.x 基准不同，注意区分版本。