---
title: "☀️北京时间 6 月 17 日，智谱旗舰模型 GLM-5.2 正式开源，同步对外发布技术博客。 📊该模型代码能力在全球代码基准测试榜单中位列全球前三，在全部开源"
topic_id: 45544524125824228
created_at: 2026-06-17T20:06:11.610+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# ☀️北京时间 6 月 17 日，智谱旗舰模型 GLM-5.2 正式开源，同步对外发布技术博客。 📊该模型代码能力在全球代码基准测试榜单中位列全球前三，在全部开源

- 序号：112
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/45544524125824228)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

☀️北京时间 6 月 17 日，智谱旗舰模型 GLM-5.2 正式开源，同步对外发布技术博客。
📊该模型代码能力在全球代码基准测试榜单中位列全球前三，在全部开源模型里排名第一。
📈GLM-5.2 模型核心能力提升
1️⃣💻【提升 1：编程主流测试集得分全球前三】
📈GLM-5.2 在标准代码基准测试中的成绩，对比前代 GLM-5.1 实现大幅提升，Terminal-Bench 2.1 得分 81.0，前代仅 63.5；SWE-bench Pro 得分 62.1，前代仅 58.4。
⚖️GLM-5.2 在 Terminal-Bench 2.1 的成绩已经接近 Opus 4.8 的 85.0 分与 GPT-5.5 的 84.0 分。
⚖️在 SWE-bench Pro 测试中，该模型分数低于 Opus 4.8 的 69.2 分，但高于 GPT-5.5 的 58.6 分、Gemini 3.1 Pro 的 54.2 分。
🌐Arena.ai 前端网页编程测试中，GLM-5.2 得分为 1595 分，仅落后于 Fable 5 的 1654 分。
🏆该模型在各项主流编程测试集里综合排名，在全部开源模型中位列。
2️⃣⚙️【提升 2：架构优化为百万上下文筑牢基础】
🔍GLM-5.2 引入索引共享（IndexShare）技术，以此支撑百万级上下文处理需求。
🧮该技术在稀疏注意力结构内，让每四层 Transformer 结构共用一套轻量化索引器，减少其中三层结构的索引点积运算与 topk 筛选计算量。
📉官方测算数据显示，在 100 万上下文长度场景下，索引共享技术可将单个代币的浮点计算量降低 2.9 倍。
✨同时 GLM-5.2 升级多代币预测（MTP）机制，MTP 可接收序列长度从 4.56 提升至 5.47，性能提升幅度约 20%。
🚀本次架构升级能够显著降低模型整体计算开销，同时优化长周期智能体任务的处理吞吐量。
3️⃣📜【提升 3：无损百万上下文，稳定支撑长周期任务】
📊在 FrontierSWE、PostTrainBench、SWE-Marathon 三类长周期工程基准测试中，GLM-5.2 分别取得 74.4 分、34.3 分、13.0 分。
🥈该项成绩仅落后于 Claude Opus 系列行业顶尖模型。
⚙️全新架构降低了单个代币对应的浮点运算量。
💾架构优化并未等比例缩减单个代币对应的 KV 缓存占用空间。
✅以上两点优化让无损百万上下文功能可以更稳定地承载各类长周期业务任务。
4️⃣💡【其他亮点：新增思考档位调节机制】
🎛️GLM-5.2 新增 effort level 思考档位控制功能。
🧑‍💻使用者能够自主调节，在模型性能、运行速度、使用成本三者之间平衡取舍。
⚖️在代币消耗预算相近的前提下，GLM-5.2 的代码能力大致处于 Opus 4.7 与 Opus 4.8 两款模型之间。
🇨🇳🧩GLM-5.2 国产芯片全平台适配进展
📰根据该公司官方微信公众号发布内容，GLM-5.2 线上推理服务依托多款国产算力平台搭建。
✅该模型在发布首日就完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞全部国产算力平台的推理适配工作。
⚡模型可在国产芯片集群中稳定运行，实现高吞吐量、低延迟、高并发的服务效果。
🔮该公司预判，下半年昇腾 950 超节点算力产品正式上市后，会成为 GLM-5.2 强劲的底层算力支撑平台。

## 总体总结

主题正文
1. 📈GLM-5.2 在标准代码基准测试中的成绩，对比前代 GLM-5.1 实现大幅提升，Terminal-Bench 2.1 得分 81.0，前代仅 63.5；
2. ⚖️GLM-5.2 在 Terminal-Bench 2.1 的成绩已经接近 Opus 4.8 的 85.0 分与 GPT-5.5 的 84.0 分。
3. ⚖️在 SWE-bench Pro 测试中，该模型分数低于 Opus 4.8 的 69.2 分，但高于 GPT-5.5 的 58.6 分、Gemini 3.1 Pro 的 54.2 分。
4. 🌐Arena.ai 前端网页编程测试中，GLM-5.2 得分为 1595 分，仅落后于 Fable 5 的 1654 分。
5. 🧮该技术在稀疏注意力结构内，让每四层 Transformer 结构共用一套轻量化索引器，减少其中三层结构的索引点积运算与 topk 筛选计算量。
6. ✨同时 GLM-5.2 升级多代币预测（MTP）机制，MTP 可接收序列长度从 4.56 提升至 5.47，性能提升幅度约 20%。
7. 📊在 FrontierSWE、PostTrainBench、SWE-Marathon 三类长周期工程基准测试中，GLM-5.2 分别取得 74.4 分、34.3 分、13.0 分。
8. ⚖️在代币消耗预算相近的前提下，GLM-5.2 的代码能力大致处于 Opus 4.7 与 Opus 4.8 两款模型之间。