GLM-5.2 深度评测：被自家后辈盖住的基座，可能是最被低估的开源旗舰

一句话总结：GLM-5.2 是 GLM-5.3 的基座模型，7530 亿参数、1M 上下文、MIT 开源。8 月那次著名的"后训练提升 50%"用的就是它。后辈光芒太盛，但它本身仍是编码成本极低、长上下文极稳的旗舰。

有个现象挺有意思：GLM-5.3 发布的时候，全网都在讨论"同一基座、后训练提升 50%"。所有人都在夸后训练，很少有人回头看那个基座本身。

基座就是 GLM-5.2。

说句实在话，我觉得它是智谱今年最被低估的模型。原因很简单：它发布的时候风头被抢了，它被超越的时候又成了"旧款"。但它现在还在智谱开放平台上正常卖，价格跟 5.3 一样，能力也够硬。

图 1：Terminal-Bench 2.1 拿 81.0，编码成本约为 GPT-5.5 的六分之一

规格

发布的具体日期，我在智谱官方文档里没有找到明确记录，这点说明一下。能确认的是它早于 8 月 14 日的 GLM-5.3，属于 2026 年上半年发布的版本。

IndexShare：1M 上下文的省钱方案

GLM-5.2 首次引入了 IndexShare 架构，思路是把注意力计算拆成两步：

先快速扫一遍，标记哪些位置重要，这是索引。然后只对重要位置做完整注意力，这是检索。每 4 层共享同一个索引器，把额外开销压下来。

官方数据是 FLOPs 减少 2.9 倍。

实际体验如何？有开发者测过：输入一个 20 万行的代码库，等几秒出结果。50 页的英文白皮书丢进去问细节，能准确找到段落，没有出现"中间信息丢失"的老毛病。

但要诚实：超过 50 万 token 后，对文档后半段的细节把握会下降。1M 是标称值，不是无损值。

编码能力：两个基准很能打

Terminal-Bench 2.1 拿 81.0。这个数字比 GPT-5.5 高接近 6 分。这个基准测的是真实命令行环境里的操作能力——装依赖、调试、改配置、跑脚本。对做 Agent 的开发者来说，它比 HumanEval 那种"写个函数"的测试有参考价值得多。

SWE-bench Verified 68.3。略低于 GPT-5.5 的 70.1，差距 2 分以内。考虑到开源和六分之一的价格，这个交换是划算的。

SWE-Bench Pro 62.1、GPQA Diamond 91.2、HumanEval+ 92.1。全都是能拿得出手的数字。

注意一点：以上全部是厂商自报。81.0 那个数字我没有找到第三方复现。

一个非权威但有意思的对比

独立博主 Goldie Bench 做过一轮测试：拿同一组 47 个任务让 GLM-5.2 和 Google Gemini 3.6 Flash 各跑一遍，打分规则是能不能跑起来、贴合度、好看程度。

结果 GLM-5.2 以 27 比 20 赢了。

这个测试是个人行为，样本量小、打分主观，不能当权威结论。但它至少说明一件事：GLM-5.2 在"生成能跑的东西"这个维度上有真实力，不是纸面参数好看。

博主的原话里有个细节我记住了：GLM 做的 Voxel 城市是"最密集、最有细节的"，带窗户的摩天楼和速度金币 HUD。这种完成度不是堆参数能堆出来的。

和 GLM-5.3 怎么选

这是最多人会问的。答案比想象中简单。

价格一样。开放平台上 5.2 和 5.3 同价，¥8 / ¥28。

能力上 5.3 全面更强。编程体感提升 50%，CyberGym 从 77.2 涨到 84.5，长程任务大幅进步。同价位没有理由选弱的。

那 5.2 还有什么用？自托管。两个都是 MIT 开源，权重都在 Hugging Face。但 5.3 的后训练使用了更长的强化学习，推理链更长，部署后的 token 消耗也更高。5.2 的推理路径更短，自家数据里它每任务输出 9.6 万 token（5.3 是 7.5 万，但那是在更强档位下）。

还有个使用习惯的问题：5.3 强制开启思考，不支持关闭。5.2 没这个限制。如果你的流水线里有需要快速响应、不需要深度推理的环节，5.2 反而更合适。

短板

被自家迭代盖过。这是它最大的"短板"，虽然不是模型的错。新项目直接用 5.3，没有争议。

不支持视觉。纯文本模型。要图得配 GLM-5V 系列。

中文场景评测少。官方公布的基准几乎全是英文的。做中文业务的话，自己测。

1M 的后半段衰减。上面提过，50 万 token 以上细节保持会下滑。

常被问的

GLM-5.2 和 5.3 的基座完全一样吗？ 官方明确说了是同一个基础模型，5.3 的所有提升来自后训练。参数、激活量、层数都没动。

现在还有必要了解 5.2 吗？ 如果你只调 API，了解 5.3 就够了。如果你做模型研究（比如后训练能榨出多少提升），5.2 和 5.3 是一组绝佳的对照实验：同基座、不同训练量、结果差 50%。

它开源的权重是什么规格？ MIT 协议，Hugging Face 上有 FP8 和 BF16。50 万行代码库的分析、长文档问答都有人跑通过。

Intel/AMD 的卡能跑吗？ 有报道说英特尔至强 6 和 Gaudi 平台完成了适配，海光 DCU 做了 Day 0 适配。国产算力这块智谱做得比较全。

最后

GLM-5.2 的故事有点像球队里的中场：锋线进球了，没人记得传球的是谁。

它作为 GLM-5.3 的基座，见证了"后训练 Scaling"这个命题的验证过程。它自己也是一个能打的模型：Terminal-Bench 2.1 的 81.0 放在今天依然排得上号，六分之一的编码成本是实打实的。

如果你的场景恰好是"快速响应、不需要深度思考、成本敏感"，别急着用最新的，5.2 可能正合适。