Indlæser kataloget…
Indlæser kataloget…
Z.ais flagskibsmodel med åbne vægte til ræsonnering og agentisk kodegenerering, med et kontekstvindue på 1 million tokens og MIT-licenserede vægte.
Oversigt. GLM-5.2 er flagskibsmodellen fra Z.ai (tidligere Zhipu AI) til ræsonnering og agentisk kodegenerering. Den er bygget som et mixture-of-experts-netværk med i alt 744 milliarder parametre, hvoraf 40 milliarder er aktive per token. Modellen udgives under en MIT-licens med et kontekstvindue på 1.048.576 tokens, hvilket gør den velegnet til udviklere, der har brug for ræsonnering med meget lang kontekst eller agentiske arbejdsflow til kodegenerering, og som ønsker muligheden for at køre selv med vægtene frem for kun at være afhængige af et endepunkt drevet af leverandøren.
Vigtigste styrker. Artificial Analysis har udnævnt GLM-5.2 til den førende model med åbne vægte på deres Intelligence Index, og dens domæneprofil hælder kraftigt mod kode, hvilket stemmer overens med Z.ais egen positionering af modellen som et flagskib til agentisk kodegenerering. Den fungerer som en ræsonneringsmodel med valgbare ræsonneringsniveauer (high og xhigh), hvilket giver udviklere et synligt ræsonneringsspor, de kan finjustere til sværere opgaver med mange trin. Kontekstvinduet på 1 million tokens er stort nok til at rumme omfattende kodebaser eller lange agent-transskriptioner i et enkelt kald.
Anvendelsesområder. Vælg GLM-5.2 til komplekse kodningsopgaver med mange trin eller agentiske opgaver, hvor du ønsker et udvidet ræsonneringsspor og kan acceptere en længere svartid i stil med batch-behandling frem for hurtig chat-svartid. Den er et stærkt valg, når en opgave skal referere til meget store mængder kontekst på én gang – tænk på store repositories, lange dokumenter eller omfattende transskriptioner af værktøjsbrug – og hvor det at køre selv med de åbne vægte under MIT-vilkår er værdifuldt for kontrollen over inferensmiljøet.
Begrænsninger. Uddata er begrænset til 128.000 tokens per svar, og modellen understøtter kun tekst – der er ingen understøttelse af billeder eller lyd som inddata eller uddata. Dens ræsonneringsdrevne svarstil placerer den i en svartidsklasse svarende til batch-behandling, så den er ikke det rigtige valg til interaktiv chat, hvor svartiden er kritisk. Z.ai har ikke oplyst, hvor træningsdataene slutter.
Bemærkning om suverænitet. GLM-5.2 er skabt af Z.ai (Zhipu AI), en kinesisk modelskaber, og ikke af Mistral, som det i øjeblikket er registreret i dette katalog – denne tilskrivning skal rettes før udgivelse, da det ændrer fakta om oprindelsesland og licenspolitik, der vises til kunderne. Da vægtene er åbent licenseret under MIT, kan modellen køres selv i et miljø efter dit valg, hvilket giver fuld kontrol over, hvor inferensdataene er placeret, uafhængigt af en ekstern leverandørs regler.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L3 | 2,00 / 5,20€ | Online | |||
| L1 | 1,25 / 5,00€ | Online | |||
| L1 | 1,27 / 3,99€ | Online | |||
| L0 | 0,68 / 2,18€ | Online | |||
| L0 | 1,27 / 3,99€ | Online |
17 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Det ekstremt store kontekstvindue (over 1 million tokens) gør det muligt at have mange artikler og kilder åbne samtidigt, hvilket er velegnet til arbejdsflow med litteraturgennemgang.
Det massive kontekstvindue understøtter opsummering af meget lange dokumenter eller referater fra start til slut i ét kald.
Et kontekstvindue på 1.048.576 tokens gør det muligt at indlæse hele store dokumenter eller dokumentsæt i én arbejdsgang, hvilket er et stærkt arkitektonisk match til spørgsmål og svar i dokumenter.
Et kontekstvindue på over 1 million tokens muliggør forankring i hele korpuset til generering af svar uden aggressiv afkortning af søgeresultater.
Et kontekstvindue på over 1 million tokens understøtter syntese på tværs af mange lange kildedokumenter uden opdeling, hvilket er et kernekrav til forskningssyntese.
Et kontekstvindue på over 1 million tokens understøtter generering af meget lange tekster og kontinuitet, men der er ikke dokumenteret nogen benchmarks for skrivekvalitet.
Kontekstvinduet har god plads til lange mødereferater, men manglen på dokumenterede benchmarks gør, at vurderingen er acceptabel frem for stærk.
Det store kontekstvindue understøtter samling og organisering af omfattende sæt af noter, selvom der ikke er andre signaler om egenskaber udover kontekststørrelsen.
Kontekstkapaciteten understøtter store revisionsspor og lange logfiler, selvom der ikke er nogen domænespecifik validering tilgængelig.
Den store kontekst hjælper med at håndtere lange kandidatgrupper, men der er ikke markeret nogen specifikke egenskaber for søgning eller embedding.
Det store kontekstvindue kan rumme fulde lovtekster, men da der ikke er dokumenteret nogen specifikke egenskaber eller benchmarks for dataudtræk, er tilliden moderat.
Ingen egenskab for værktøjskald er markeret, hvilket er påkrævet til agentiske kodningsarbejdsflow, der involverer eksekvering og iteration.
Listen over egenskaber viser ingen markerede funktioner, herunder ingen understøttelse af værktøjskald, hvilket udelukker pålidelig brug i applikationer med værktøjskald.
Der er ikke dokumenteret nogen agentiske egenskaber eller egenskaber for værktøjsbrug, hvilket gør browserautomatisering ikke-understøttet for denne variant.
Der er ikke dokumenteret nogen egenskaber for billedforståelse eller OCR, så denne model kan ikke behandle billedbaserede dokumentscanninger.
Der er ikke markeret nogen egenskab for billedforståelse for denne model, hvilket udelukker billedbaserede spørgsmål og svar.
Der er ikke markeret nogen egenskab for værktøjskald eller funktionskald for denne model, hvilket er et kernekrav til koordinering af værktøjer.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "zai-org/glm-5-2",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på