Z.ai presenta GLM 5.2: un modelo de código chino eficiente en costos
Anthropic
OpenAI
El laboratorio chino Z.ai lanzó GLM 5.2, un LLM de pesos abiertos con 753 mil millones de parámetros (40 mil millones activos), que ofrece precios de API de 4,40 dólares por millón de tokens de salida, una quinta parte del Opus 4.8 de Anthropic y una décima parte de Fable. El modelo casi iguala los benchmarks de frontera en codificación y ciberseguridad, pero los observadores estadounidenses se preocupan por el enrutamiento de datos. Los programadores reportan resultados mixtos: bueno para tareas a largo plazo y diseño front-end, pero algunos enfrentan límites de tasa y alucinaciones.
Z.ai, un laboratorio con sede en Pekín, lanzó GLM 5.2 el 16 de junio como un modelo lingüístico de código abierto con 753 mil millones de parámetros y 40 mil millones activos a la vez, bajo licencia MIT. Su API cuesta 4,40 dólares por millón de tokens de salida, significativamente más barato que Opus 4.8 de Anthropic (22 dólares por millón) y Fable (44 dólares por millón). El modelo casi iguala a Opus 4.8 en benchmarks de codificación agentiva como FrontierSWE y PostTrainBench, y obtiene buenos resultados en benchmarks de ciberseguridad, lo que lleva a comparaciones con Mythos de Anthropic. Sin embargo, el propio informe de Z.ai muestra que GLM 5.2 queda por detrás de Opus 4.8 y GPT-5.5 de OpenAI en la mayoría de los benchmarks de codificación, como SWE-Marathon, donde completó el 13% de las tareas frente al 26% de Opus 4.8. Los desarrolladores reportan experiencias variadas: Zain Hasan de Together AI dice que GLM 5.2 maneja bien tareas de largo horizonte y tiene buen gusto en diseño web; David Nix de MetaRouter lo encuentra 'muy cercano' a los modelos de frontera para trabajo front-end, manejando entre el 10% y el 20% de sus tareas con modelos lingüísticos grandes. Otros, como Sai Kiran Myadaram de Indhic AI, tuvieron problemas con límites de tasa y alucinaciones, prefiriendo Codex de OpenAI. La naturaleza de código abierto permite el autoalojamiento, abordando preocupaciones de seguridad de datos para empresas estadounidenses.
Fuente: IEEE Spectrum AI —
original
