Zhipu AI오픈소스

GLM-5.2

Name: GLM-5.2
Author: Zhipu AI

이 모델 비교

Zhipu AI가 개발한 고성능 기반 모델입니다. 중국어 지원에 뛰어나며 다양한 태스크에 대응합니다.

공유:X Hatena LINE

파라미터

Undisclosed

컨텍스트

라이선스

MIT

출시일

2026-06-13

벤치마크 성능

AA Intelligence Index

—

LMArena Elo

—

HLE

—

ARC-AGI-2

—

SWE-bench Verified

—

GPQA Diamond

—

MMLU-Pro

—

LiveCodeBench

—

AIME 2025

—

MATH-500

—

일본어 처리 능력

🌐Multilingual

General multilingual model. Basic Japanese processing is possible, but inferior to specialized models.

API 가격

입력 가격 (1M 토큰당)

$1.4

출력 가격 (1M 토큰당)

과금 모드: standard

강점

약점

활용 사례

심층 분석

BenchLM 종합 점수

81/100

79개 모델 중 10위 (잠정)

SWE-bench Pro

62.1%

Claude Opus 4.8 대비: 69.2%

FrontierSWE

74.4%

GPT-5.5 대비 72.6%, Opus 4.8 대비 75.1%

Terminal-Bench 2.1

81.0%

Claude Opus 4.8 대비: 85.0%

입력/출력 가격

$1.40/$4.40 per 1M tokens

GPT-5.5 대비 출력 6.8배 저렴

컨텍스트 윈도우

1M tokens

MIT 오픈 가중치 라이선스

강점

・장시간 에이전틱 코딩에 가장 우수한 오픈 가중치 모델로, 폐쇄형 프론티어 모델에 맞먹는 성능을 훨씬 낮은 비용으로 제공
・지속적인 코딩 에이전트 수행에 엔지니어링 수준의 안정성을 갖춘 견고한 100만 토큰 컨텍스트
・vLLM·SGLang·transformers 등 다양한 프레임워크에서 자체 호스팅을 지원하는 MIT 라이선스

약점

・753B 파라미터로 대규모 GPU 인프라 필요 (양자화 없이 서비스하려면 1TB 이상 VRAM)
・가장 어려운 프론티어 작업에서 Claude Opus 4.8에 뒤처짐 (SWE-bench Verified 격차, SWE-Marathon 격차)
・폐쇄형 경쟁 모델 대비 느린 첫 토큰 생성 시간 (독립 테스트 기준 중앙값 14.4초 vs 약 9초)

경쟁사 비교

Model	Arena	SWE	GPQA	Price
Claude Opus 4.8	N/A	69.2%	93.6%	$5.00/$25.00
GPT-5.5	N/A	58.6%	93.6%	$5.00/$30.00
Gemini 3.1 Pro	N/A	54.2%	94.3%	$2.00/$12.00

개요

GLM-5.2는 Z.ai(구 Zhipu AI)가 2026년 6월 16일 출시한 753B 파라미터 MoE(활성 40B) 기초 모델로, 장시간 에이전틱 코딩과 엔지니어링 작업에 특화되어 있습니다. 전작 GLM-5.1 대비 큰 도약을 이루며 컨텍스트 윈도우를 200K에서 100만 토큰으로 확장하고 주요 벤치마크의 코딩 성능을 크게 끌어올렸습니다. Terminal-Bench 2.1에서 GLM-5.1의 63.5 대비 81.0을 기록했고, FrontierSWE에서는 30.5에서 74.4로 뛰어 Claude Opus 4.8과 1% 이내입니다. 모델 포지셔닝은 의도적입니다. 비싼 폐쇄형 프론티어 모델과 성능이 낮은 오픈 대안 사이의 간극을 노립니다. 100만 토큰당 $1.40/$4.40으로 GPT-5.5나 Claude Opus 4.8 출력 비용의 약 6분의 1로 프론티어급 성능을 냅니다. MIT 라이선스는 지역 제한 없이 자체 호스팅과 상업 사용을 허용합니다. 핵심 아키텍처 혁신으로는 IndexShare(100만 컨텍스트에서 토큰당 FLOPs를 2.9배 줄임)와 추측 디코딩 수용 길이를 20% 늘린 개선된 다중 토큰 예측 레이어가 있습니다. 커뮤니티 반응은 매우 긍정적입니다. Lambda Labs는 이를 '에이전트를 위한 DeepSeek 모멘트'라 불렀으며, 출시 몇 주 안에 숙련된 랩들이 폐쇄형 워크로드를 GLM-5.2로 대체하기 시작했다고 합니다. DeepLearning.ai는 사후 학습 벤치마크와 웹 개발 코딩에서 최고의 오픈 가중치 모델로 꼽았습니다. 보상 해킹을 탐지·차단하는 에이전틱 RL 학습은 지름길 없이 장시간 자율 작업을 안정적으로 완수하는 능력에서 두드러집니다.

벤치마크 및 성능

## 종합 벤치마크 결과 ### 추론 및 지식 | 벤치마크 | GLM-5.2 | Claude Opus 4.8 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | GPQA-Diamond | 91.2% | 93.6% | 93.6% | 94.3% | | HLE (도구 포함) | 54.7% | 57.9% | 52.2% | 51.4% | | HLE (텍스트만) | 40.5% | 49.8% | 41.4% | 45.0% | | AIME 2026 | 99.2% | 95.7% | 98.3% | 98.2% | | HMMT 2026년 2월 | 92.5% | 96.7% | 96.7% | 87.3% | | IMOAnswerBench | 91.0% | 83.5% | — | 81.0% | ### 코딩 | 벤치마크 | GLM-5.2 | Claude Opus 4.8 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | SWE-bench Pro | 62.1% | 69.2% | 58.6% | 54.2% | | Terminal-Bench 2.1 | 81.0% | 85.0% | 84.0% | 74.0% | | ProgramBench | 63.7% | 71.9% | 70.8% | 39.5% | | NL2Repo | 48.9% | 69.7% | 50.7% | 33.4% | | DeepSWE | 46.2% | 58.0% | 70.0% | 10.0% | ### 장시간 에이전틱 | 벤치마크 | GLM-5.2 | Claude Opus 4.8 | GPT-5.5 | Gemini 3.1 Pro | |---|---|---|---|---| | FrontierSWE | 74.4% | 75.1% | 72.6% | 39.6% | | PostTrainBench | 34.3% | 37.2% | 28.4% | 21.6% | | SWE-Marathon | 13.0% | 26.0% | 12.0% | 4.0% | | MCP-Atlas | 76.8% | 77.8% | 75.3% | 69.2% | | Tool-Decathlon | 48.2% | 59.9% | 55.6% | 48.8% | 핵심 요약: GLM-5.2는 모든 오픈 가중치 모델 중 모든 에이전틱 벤치마크에서 1위입니다. FrontierSWE에서 Opus 4.8에 1% 뒤지면서도 GPT-5.5를 앞섭니다. PostTrainBench에서는 GPT-5.5와 Gemini를 모두 앞섭니다. AIME 2026에서는 99.2%로 비교 대상 전체 중 최고 점수입니다. 프론티어 폐쇄형 모델 대비 가장 약한 부분은 초장시간 작업인 SWE-Marathon으로, Opus 4.8에 13% 뒤집니다.

상세 비교

## 모델 간 비교 ### GLM-5.2 vs Claude Opus 4.8 Claude Opus 4.8은 가장 어려운 에이전틱 코딩 작업에서 여전히 가장 강력하며, SWE-bench Pro(69.2 대 62.1), NL2Repo(69.7 대 48.9), SWE-Marathon(26.0 대 13.0)에서 앞섭니다. 그러나 GLM-5.2는 FrontierSWE(74.4 대 75.1), PostTrainBench(34.3 대 37.2), MCP-Atlas(76.8 대 77.8)에서 대등합니다. 가격 격차는 큽니다. GLM-5.2 출력 토큰은 5.7배 저렴합니다(100만 토큰당 $4.40 대 $25.00). 대량 코딩 에이전트를 운영하는 팀에게 GLM-5.2는 MIT 라이선스 자체 호스팅과 함께 매력적인 비용 성능을 제공합니다. ### GLM-5.2 vs GPT-5.5 GLM-5.2는 대부분의 코딩 벤치마크에서 GPT-5.5를 앞섭니다. SWE-bench Pro(62.1 대 58.6), FrontierSWE(74.4 대 72.6), Terminal-Bench(81.0 대 84.0 한 하니스 기준, 다른 기준 82.7 대 83.4). GPT-5.5는 DeepSWE(70.0 대 46.2)에서 앞서고 HLE 텍스트만(41.4 대 40.5)에서 우위입니다. 비용 차이가 가장 큰 요인으로, GLM-5.2 출력은 약 6.8배 저렴합니다. 두 모델 모두 100만 토큰 컨텍스트를 가집니다. GPT-5.5는 OpenAI SDK·Responses API·기업용 도구와 더 깊이 통합되어 있습니다. ### GLM-5.2 vs Gemini 3.1 Pro GLM-5.2는 에이전틱·코딩 작업에서 Gemini 3.1 Pro를 크게 앞섭니다. FrontierSWE(74.4 대 39.6), PostTrainBench(34.3 대 21.6), Terminal-Bench(81.0 대 74.0). Gemini는 지식(GPQA 94.3 대 91.2)과 멀티모달에서 우위입니다. GLM-5.2는 출력 토큰이 더 저렴($4.40 대 $12.00)하고 오픈 가중치 배포가 가능합니다. Gemini의 강점은 멀티모달 추론과 긴밀한 Google 생태계 통합에 있습니다.

커뮤니티 평가

커뮤니티 반응은 압도적으로 긍정적이며, 많은 이들이 이를 '에이전틱 모델을 위한 DeepSeek 모멘트'라 부릅니다. Lambda Labs는 출시 몇 주 안에 '숙련된 랩과 업계 선두들이 워크로드 상당 부분을 GLM으로 대체했다'고 보고했습니다. alphaXiv는 GLM-5.2가 '실제 연구 작업에 능력을 증명한 오토리서치 파이프라인에서 시도한 첫 오픈 가중치 모델'이라고 했습니다. HuggingFace에서 모델 출시 블로그 포스트는 126개 추천을 받았으며, 'Opus급 오픈 모델을 오픈 코딩 에이전트에서 써보게 돼 흥분된다'는 댓글이 있었습니다. 모델 카드는 지난 한 달간 513,061회 다운로드, 15개 파인튜닝, 108개 양자화, 100개 Spaces를 기록했습니다. Reinvently의 독립 28개 작업 평가에서 GLM-5.2는 GPT-5.5의 28개 중 26개, Claude Fable 5의 22개를 통과했고, GPT-5.5 비용의 약 8분의 1이었습니다. 주목할 점은 GLM-5.2가 작업 0개를 거절한 반면(탈옥 4건 중 3건을 정확히 처리 포함) Claude Fable 5는 9개(무해한 5개 포함)를 거절했다는 것입니다. SpecPicks의 로컬 LLM 커뮤니티에 따르면 작은 GLM-5.2 변형은 12GB RTX 3060에서 Q4 양자화로 30~45 tok/s로 편안히 구동되나, 플래그십 753B 모델은 양자화 없이 서비스하려면 1TB 이상 VRAM이 필요합니다. 개발자들은 프론티어 폐쇄형 모델을 주 구동 모델로 두고 위임형 엔지니어링 작업에 GLM-5.2를 '서브에이전트 모델'로 점점 더 많이 사용하고 있습니다.

활용 사례

### 1. 대량 코딩 에이전트 자동화 저장소에서 자율 코딩 에이전트를 운영하는 팀에게 GLM-5.2의 100만 토큰 컨텍스트와 경쟁력 있는 SWE-bench 점수는 가장 비용 효율적인 선택입니다. 폐쇄형 대안의 100만 토큰당 $25~30 대비 $4.40으로, 매월 5,000만 토큰을 처리하는 팀은 월 $600~730을 절약합니다. MIT 라이선스로 전체 스택을 사설 인프라에서 운영할 수 있습니다. 적합 대상: 대규모 코드 리뷰, PR 생성, 저장소 단위 리팩터링을 자동화하는 스타트업과 엔지니어링 팀. ### 2. 장시간 연구 및 분석 장시간 작업에 특화된 학습과 방해 금지 메커니즘을 갖춘 GLM-5.2는 장시간 자율 연구 워크플로에 적합합니다. PostTrainBench(사후 학습으로 소형 모델 미세 조정)에서 GPT-5.5와 Gemini를 앞섭니다. alphaXiv가 논문 재현과 어블레이션에 채택한 사례가 이 능력을 보여줍니다. 적합 대상: 연구소, 자동화된 문헌 검토, 과학 재현성 파이프라인. ### 3. 비용에 민감한 다중 모델 에이전트 라우팅 GLM-5.2는 Claude Opus 4.8이나 GPT-5.5를 구동 모델로 두는 계층형 아키텍처에서 '서브에이전트 모델'로 탁월합니다. 위임형 코딩·구현·검증을 6~7배 낮은 비용으로 처리합니다. EvoLink와 Lambda Labs가 이 패턴을 권장합니다. 적합 대상: 프론티어 폐쇄형 모델을 이미 쓰면서 일상 하위 작업 비용을 품질 손상 없이 줄이려는 기업. ### 4. 규제 산업을 위한 자체 호스팅 기업 AI MIT 라이선스와 자체 호스팅 능력 덕에 GLM-5.2는 데이터 주권 요구, 규제 코드베이스, 에어 갭 환경을 가진 조직에 독보적으로 적합합니다. vLLM·SGLang·transformers·KTransformers·Ascend NPU에서 배포를 지원합니다. 적합 대상: 프론티어 수준 능력이 필요한 금융·의료·정부·국방 분야.

최신 뉴스

GLM-5.2는 2026년 6월 16일 MIT 오픈소스 라이선스로 출시되었습니다. 주요 변경 사항은 다음과 같습니다. • **GLM Coding Plan 시작**: 모든 구독자에게 즉시 GLM-5.2 접근이 제공되었으며, 피크 시간 사용량은 3배 쿼터, 오프피크는 2배(2026년 9월까지 1배 프로모션 요금)입니다. • **ZCode 데스크톱 에이전트**: Z.ai는 장시간 작업용 /goal 명령, SSH 원격 개발, 모바일 제어 기능을 갖춘 GLM-5.2 기반 데스크톱 코딩 에이전트 ZCode를 출시했습니다. • **노력 수준 제어**: GLM-5.2는 'High'와 'Max' 사고 노력 수준을 도입해, 사용자가 능력과 지연·연산 비용 사이를 조절할 수 있습니다. Max는 어려운 작업에 추가 연산을 제공합니다. • **IndexShare 아키텍처 혁신**: 4개의 희소 어텐션 레이어마다 인덱서를 재사용하는 구조로, 100만 컨텍스트에서 토큰당 FLOPs를 2.9배 줄이면서 성능을 유지합니다. • **방해 금지 RL 학습**: 규칙 기반 필터 + LLM 심사의 2단계 탐지 체계로 에이전틱 RL 학습 중 보상 해킹을 차단해 실제 코딩 작업 신뢰성을 높입니다. • **프레임워크 지원 확대**: SGLang·vLLM·transformers·KTransformers·Unsloth·Ascend NPU 플랫폼을 출시 시점부터 지원합니다. • **미국 출시 맥락**: GLM-5.2는 미국 정부가 특정 Anthropic 모델 접근을 제한한 지 하루 만에 출시되어, 접근 제한 영향을 받은 개발자에게 대안이 되었습니다.

모델 포지셔닝은 의도적입니다. 비싼 폐쇄형 프론티어 모델과 성능이 낮은 오픈 대안 사이의 간극을 노립니다. 100만 토큰당 $1.40/$4.40으로 GPT-5.5나 Claude Opus 4.8 출력 비용의 약 6분의 1로 프론티어급 성능을 냅니다. MIT 라이선스는 지역 제한 없이 자체 호스팅과 상업 사용을 허용합니다. 핵심 아키텍처 혁신으로는 IndexShare(100만 컨텍스트에서 토큰당 FLOPs를 2.9배 줄임)와 추측 디코딩 수용 길이를 20% 늘린 개선된 다중 토큰 예측 레이어가 있습니다.

커뮤니티 반응은 매우 긍정적입니다. Lambda Labs는 이를 '에이전트를 위한 DeepSeek 모멘트'라 불렀으며, 출시 몇 주 안에 숙련된 랩들이 폐쇄형 워크로드를 GLM-5.2로 대체하기 시작했다고 합니다. DeepLearning.ai는 사후 학습 벤치마크와 웹 개발 코딩에서 최고의 오픈 가중치 모델로 꼽았습니다. 보상 해킹을 탐지·차단하는 에이전틱 RL 학습은 지름길 없이 장시간 자율 작업을 안정적으로 완수하는 능력에서 두드러집니다.

출처

분석 생성일: 2026-08-06