編按：本文綜合整理自 Artificial Analysis 官方分析、Z.ai 官方公告、Hugging Face 模型卡，並加入 Siami 編輯部觀點與分析。
中國 AI 實驗室智譜（Z.ai）於 6 月 13 日悄悄把 GLM-5.2 開源上架，沒有發表會、沒有 PR 稿，但這個 744B 參數的 Mixture-of-Experts 模型一上線就把 Artificial Analysis Intelligence Index 開源榜第一名的寶座直接拿下來。6 月 17 日 Artificial Analysis 正式發表分析報告，分數 51，比自家前代 GLM-5.1 整整高出 11 分，並且正式追上閉源旗艦 GPT-5.5（xhigh reasoning）的水準。
開源霸主換人坐
在 GLM-5.2 之前，開源榜首一直由 DeepSeek、Kimi K2.6、GLM-5.1 三家輪流當老大。Artificial Analysis 這次把榜單重新洗牌：
| 模型 | 總參數 | 啟用參數 | Intelligence Index v4.1 |
|---|---|---|---|
| GLM-5.2 | 744B | 40B | 51 |
| MiniMax-M3 | — | — | 44 |
| DeepSeek V4 Pro（max） | 1600B | 49B | 44 |
| Kimi K2.6 | 1000B | 32B | 43 |
GLM-5.2 跟 GLM-5.1 架構一模一樣（都是 744B 總參數、40B 啟用參數），能在參數規模完全沒變的情況下把分數拉高 11 分，這代表這次升級幾乎是純訓練 + 後訓練工藝的勝利，而不是靠硬堆參數換效能。
真正的戰場：科學推理 + Agent 能力
GLM-5.2 不是每個 benchmark 都有進步，但進步的地方全都是 AI Agent 真正會用到的能力：
- CritPt（科學推理）+16 → 21%
- HLE（Humanity’s Last Exam）+12 → 40%
- AA-LCR（長上下文推理）+9 → 71%
- SciCode（科學程式設計）+7 → 50%
- tau3 banking（金融工具呼叫）+15 → 27%
- TerminalBench v2.1（終端機 agent）+16 → 78%
- GPQA Diamond（博士級科學題）+3 → 89%
最值得看的是 GDPval-AA v2 分數 1524，這個分數是 Artificial Analysis 用來評估「真實世界長時程知識工作」的指標，GLM-5.2 跟 GPT-5.5（xhigh reasoning, 1514）幾乎平手，而且把 MiniMax-M3（1418）、DeepSeek V4 Pro max（1328）都壓在腳下。這是開源模型第一次在 agentic real-world 任務上跟閉源旗艦打平。
為什麼這件事重要
GLM-5.2 上線這週，正好撞上 OpenAI / Anthropic 對部分用戶祭出存取限制的敏感時機。智譜創辦人直接在 X 上開嗆：「frontier intelligence belongs to everyone」。這不只是行銷話術，是有實質意義的：
-
MIT 授權 + 1M context + 第三方 providers 全部到位：DeepInfra、Novita、Nebius、Parasail、Siliconflow、GMI Cloud、Baseten、Fireworks 八家國際 inference 平台同步上線，開發者不必直接連智譜 API也能用。
-
架構創新 IndexShare：智譜把 1M context 的 sparse attention indexer 在每 4 層之間共用，1M context 的 per-token FLOPs 直接降 2.9 倍。同時 MTP（Multi-Token Prediction）層優化讓 speculative decoding 接受長度提升 20%。
-
價格破壞：官方 API 維持 $1.4 / 4.4 / 0.26 per 1M input / output / cache hit，跟 GLM-5.1 持平。在同等 intelligence 等級的模型裡，GLM-5.2 是 cost per task 最低的開源模型（$0.46 / task）。
-
回應 Z.ai 創辦人說的「open weights, open access」：在歐美開始對閉源 frontier model 限縮存取、調漲 API 價格的當下，中國開源陣營直接端出「不必找我們、不必付訂閱、自己 host 也行」的替代方案，這是地緣政治 + AI 商業模式的雙重訊號。
數據解讀 / 質疑
Artificial Analysis 自己點出了三個**「不太漂亮」的數字**，Siami 認為這些才是真正該被誠實看待的：
-
Token 效率是開源榜最差：GLM-5.2 每個 Intelligence Index 任務用掉 43k output tokens，其中 37k 是 reasoning。比 GLM-5.1（26k）多 65%，比 MiniMax-M3（24k）多 79%，比 Kimi K2.6（35k）多 23%。在「Intelligence vs Output Tokens」圖上，它落在最不漂亮的那個象限。
-
每任務成本看起來漂亮但其實不便宜：$0.46 / task 雖然是同等 intelligence 級距最低，但比自家前代 GLM-5.1 的 $0.25 貴了 84%、比 DeepSeek V4 Pro max 的 $0.05 貴了 9 倍。如果用戶在意的是 CP 值，DeepSeek V4 Pro max 仍然是真正的性價比王者。
-
AA-Omniscience Index（反幻覺指標）只有 4 分：進步來自準確率（25.1% → 25.1% 幾乎持平）跟幻覺率（29.4% → 28.1%）的小幅改善，attempt rate 維持 47% 不變。幻覺率仍然接近 30%，對醫療、法律等高風險應用來說還不夠。
-
Z.ai 公告沒附 benchmark 表格：跟上個月 DeepSeek V4 Pro 公佈時直接給出 12 個 benchmark 對比表相比，智譜這次幾乎是「先上車、後補票」。Artificial Analysis 的數字是目前唯一的權威第三方驗證，使用者在看 benchmark 時要記得這一點。
業界即時反應
- Z.ai 創辦人 Tang Jie 在 X 上發文「Frontier intelligence belongs to everyone」，被解讀為對 OpenAI / Anthropic 限縮存取策略的直接回應。
- Hugging Face 模型卡留言區已經有用戶回「This model feels good. I think I will sleep better tonight. Thank you for contributing to open-source.」
- HN 討論串（原文連結）不到 24 小時衝到 320+ 讚，多數留言聚焦在「中國開源模型在第三方 inference 平台上能不能被信任」、「OpenRouter 零資料留存 provider 是不是真的零留存」兩個爭論點。
- TestingCatalog 在 X 報導：「GLM-5.2 scores 46.2% on DeepSWE, the SOTA score among open-weight models」。
對開發者意味著什麼
如果你正在做以下任何一件事，GLM-5.2 值得今天就下載試：
- 寫 coding agent / 終端機 agent：TerminalBench v2.1 +16 是這次最關鍵的進步，代表它能處理「多步驟 + 多檔案 + 需要推理」的程式任務。
- 跑 長上下文科學文件分析：1M context + AA-LCR 71% 讓它能吞下整本教科書、整份財報、整段程式碼 repo。
- 想要 自架（self-host）而不被供應商綁架：MIT 授權 + 8 家 inference provider 雙管齊下，沒有單點故障。
- 預算敏感：官方 API $1.4 / 4.4 per 1M tokens 已經是 frontier 級距的破壞價，比 Claude Opus 5 / GPT-5.5 便宜 10-20 倍。
但如果你追求極致 token 效率、極致 CP 值、極致低幻覺率，DeepSeek V4 Pro max、GLM-5.1、Kimi K2.6 仍然是更平衡的選擇。GLM-5.2 不是「最好」的模型，但它在「open + frontier intelligence」這個交叉點上，目前沒有對手。
參考資料：Artificial Analysis 完整分析 · Z.ai 官網公告 · Hugging Face 模型卡 · HN 討論串 · TestingCatalog 推文
網友熱門留言 (3)