Modelo GLM 5.2 da Z.ai: Um Modelo Chinês de Codificação com IA de Baixo Custo
Anthropic
OpenAI
O laboratório chinês Z.ai lançou o GLM 5.2, um LLM de pesos abertos com 753 bilhões de parâmetros (40 bilhões ativos), oferecendo preço de API de US$ 4,40 por milhão de tokens de saída — um quinto do Opus 4.8 da Anthropic e um décimo do Fable. O modelo quase iguala benchmarks de ponta em codificação e segurança cibernética, mas observadores dos Estados Unidos se preocupam com o roteamento de dados. Programadores relatam resultados mistos: bom para tarefas de longo horizonte e design de front-end, mas alguns enfrentam limites de taxa e alucinações.
Z.ai, um laboratório sediado em Pequim, lançou o GLM 5.2 em 16 de junho como um modelo de linguagem de grande escala (LLM) de pesos abertos com 753 bilhões de parâmetros e 40 bilhões ativos por vez, sob uma licença MIT. Sua API custa US$ 4,40 por milhão de tokens de saída, significativamente mais barato do que o Opus 4.8 da Anthropic (US$ 22 por milhão) e o Fable (US$ 44 por milhão). O modelo quase empata com o Opus 4.8 em benchmarks de codificação agêntica, como FrontierSWE e PostTrainBench, e obtém boas pontuações em benchmarks de segurança cibernética, gerando comparações com o Mythos da Anthropic. No entanto, o relatório da própria Z.ai mostra que o GLM 5.2 fica atrás do Opus 4.8 e do GPT-5.5 da OpenAI na maioria dos benchmarks de codificação, como o SWE-Marathon, onde completou 13% das tarefas contra 26% do Opus 4.8. Codificadores relatam experiências variadas: Zain Hasan, da Together AI, afirma que o GLM 5.2 lida bem com tarefas de longo horizonte e tem bom gosto em design web; David Nix, da MetaRouter, considera o modelo 'muito próximo' dos modelos de fronteira para trabalho de front-end, lidando com 10% a 20% de suas tarefas de LLM. Outros, como Sai Kiran Myadaram, da Indhic AI, tiveram problemas com limites de taxa e alucinações, preferindo o Codex da OpenAI. A natureza de pesos abertos permite auto-hospedagem, abordando preocupações com segurança de dados para empresas americanas.
Fonte: IEEE Spectrum AI —
original
