Key Takeaways
- الأول بين الأوزان المفتوحة، الرابع إجمالًا. يسجل GLM-5.2 51 نقطة على مؤشر Artificial Analysis Intelligence Index v4.1 — نموذج الأوزان المفتوحة الأعلى، الرابع إجمالًا، +11 فوق GLM-5.1 (40)، وبفارق ~7 نقاط عن أقرب النماذج المفتوحة، MiniMax-M3 (44) وDeepSeek V4 Pro (44).
- يتصدر الأوزان المفتوحة، لا المجال بأكمله. يقع نحو 5 نقاط تحت Claude Fable 5 ويأتي خلف الحدود المغلقة إجمالًا. «يقلّص الفجوة» — وليس «يتغلب على الحدود».
- قوي في البرمجة، ثانٍ بعد Opus 4.8. تضع نتائج البرمجة المستقلة GLM-5.2 متقدمًا على GPT-5.5 لكنه خلف Claude Opus 4.8 في معظم المقارنات المباشرة.
- حجم ~744B معاملًا غير قابل للتشغيل في المنزل. إنه Mixture-of-Experts (~40B نشطًا لكل رمز)، لكن النموذج الكامل يحتاج إلى عدة وحدات GPU أو GPU مستأجر؛ ولا تتسع للعتاد الاستهلاكي سوى نسخ GGUF المكمّمة بشدة بمعدل 1-bit.
- الأوزان المستضافة ذاتيًا تحافظ على بياناتك؛ واجهة Z.ai API ليست كذلك بالضرورة. تعمل الأوزان المرخّصة بـ MIT داخل حدودك؛ أما واجهة Z.ai API من الطرف الأول فتحمل اعتبارات إقامة البيانات في الصين.
- تعامل مع اختبارات Z.ai الخاصة على أنها مُبلَّغ عنها من الشركة. قابلية إعادة الإنتاج محل خلاف — اعتمد أولًا على أرقام Artificial Analysis المستقلة.
ما هو GLM-5.2؟
GLM-5.2 هو نموذج لغة كبير ذو أوزان مفتوحة أطلقته Z.ai (المعروفة سابقًا باسم Zhipu AI) في 13 يونيو 2026، بموجب ترخيص MIT دون قيود استخدام إقليمية. خضع للاختبار العلني اعتبارًا من 16 يونيو 2026.
- ~744B معاملًا إجماليًا (تشير المصادر إلى 743B–753B)، باستخدام بنية Mixture-of-Experts مع ~40B معاملًا نشطًا لكل رمز.
- نافذة سياق بحجم 1M رمز مع حد أقصى للإخراج يبلغ 131,072 رمزًا.
- ~43,000 رمز إخراج لكل مهمة في المتوسط — ارتفاعًا من ~26,000 في GLM-5.1 — ما يرفع زمن الاستدلال المحلي والتكلفة.
- ترخيص MIT: مجاني للتنزيل والاستضافة الذاتية والتعديل، دون قيود إقليمية.
ما مدى جودة GLM-5.2؟ الاختبارات المستقلة أولًا
على الترتيب المستقل الوحيد عبر الموردين — مؤشر Artificial Analysis Intelligence Index v4.1 — يُعد GLM-5.2 أعلى نموذج أوزان مفتوحة بـ 51 نقطة، والرابع إجمالًا (Artificial Analysis، يونيو 2026).
| النموذج | Index v4.1 | الفئة |
|---|---|---|
| Claude Fable 5 | ~56 | حدود مغلقة |
| GLM-5.2 | 51 | الأول بين الأوزان المفتوحة / الرابع إجمالًا |
| MiniMax-M3 | 44 | أوزان مفتوحة |
| DeepSeek V4 Pro | 44 | أوزان مفتوحة |
| GLM-5.1 (السابق) | 40 | أوزان مفتوحة |
نتائج البرمجة المستقلة: Terminal-Bench 2.1 — يسجل GLM-5.2 81.0 مقابل 85.0 لـ Claude Opus 4.8. SWE-bench Pro — يأتي GLM-5.2 بـ 62.1 (قيمة مُبلَّغ عنها من Z.ai) متقدمًا على 58.6 لـ GPT-5.5؛ وتؤكد التغطية المستقلة هذا الترتيب. FrontierSWE — يتفوق GLM-5.2 بـ 74.4 (قيمة مُبلَّغ عنها من Z.ai) على GPT-5.5 (72.6) ويتأخر عن Opus 4.8 (75.1) بنحو نقطة واحدة، وهو ترتيب تؤكده التقارير المستقلة. الحكم المستقل الإجمالي: GLM-5.2 هو أقوى نموذج برمجة مفتوح المصدر متاح اعتبارًا من يونيو 2026، لكنه لا يزال متأخرًا عن Claude Opus 4.8 في معظم المقارنات المباشرة (VentureBeat؛ letsdatascience، يونيو 2026).
أرقام Z.ai الخاصة مقابل النتائج المستقلة: اقرأها بحذر
تأتي عدة أرقام رئيسية من تقييمات Z.ai الخاصة وينبغي قراءتها على أنها مُبلَّغ عنها من الشركة، وليست متحقَّقًا منها بشكل مستقل.
- أرقام البرمجة المُبلَّغ عنها من الشركة — على سبيل المثال MCP-Atlas 77.0 (مُبلَّغ عنه من Z.ai)، مقابل 75.3 لـ GPT-5.5 و77.8 لـ Opus 4.8 — تُجريها Z.ai نفسها وينبغي التعامل معها كادعاءات بانتظار التكرار المستقل.
- يشير تقرير Artificial Analysis إلى أن التقييمات الداخلية لـ Z.ai أُبلغ عنها أضعف من اختباراتها المنشورة، وقابلية إعادة الإنتاج محل خلاف.
- قابلية إعادة الإنتاج سؤال مفتوح. يصف معلق بارز واحد على الأقل النموذج بأنه «مُحسَّن للاختبارات» (bench-maxxed)، ويُقال إن GLM-5.1 سجّل 0% في اختبار واحد على الأقل يحقق فيه GLM-5.2 أداءً جيدًا الآن. مؤشر Artificial Analysis المستقل — وليس مجموعة Z.ai الخاصة — هو ما يدعم حاليًا ادعاء المركز الأول بين الأوزان المفتوحة.
هل يمكنك تشغيل GLM-5.2 في المنزل؟ مراجعة واقعية لحجم ~744B
لا — ليس النموذج الكامل. «الأوزان المفتوحة» و«القابل للاستضافة الذاتية» لا يعنيان «يعمل على حاسوب منزلي عادي».
- يحتاج GLM-5.2 الكامل إلى بنية تحتية قوية: خوادم متعددة وحدات GPU أو GPU سحابي مستأجر.
- على العتاد الاستهلاكي، تكون نسخ GGUF المكمّمة بشدة بمعدل 1-bit فقط هي الممكنة عمليًا، مع مقايضات في الجودة والسرعة.
- يرفع الإخراج المرتفع البالغ ~43,000 رمز لكل مهمة الزمن والتكلفة المحليين أكثر.
- للاطلاع على واقع العتاد للنماذج المحلية الكبيرة، راجع تشغيل نماذج 70B على العتاد الاستهلاكي، ووحدات GPU المستعملة للنماذج المحلية، ودليل عتاد النماذج المحلية 2026، وApple Silicon M5 للنماذج المحلية.
الأوزان المستضافة ذاتيًا مقابل واجهة Z.ai API: إلى أين تذهب بياناتك
الترخيص وواجهة API قصتان مختلفتان لحوكمة البيانات. تحافظ أوزان MIT المستضافة ذاتيًا على بياناتك داخل حدودك؛ أما واجهة Z.ai API من الطرف الأول فلا تفعل.
- الاستضافة الذاتية (أوزان MIT): تبقى البيانات محلية وملكًا لك — دون نقل إلى طرف ثالث.
- واجهة Z.ai API من الطرف الأول: تشير التغطية المستقلة صراحةً إلى اعتبارات إقامة البيانات في الصين («مخاطر بيانات الصين») على مسار واجهة API (TechTimes، 17 يونيو 2026).
- إطار القرار: إذا كانت حساسية البيانات مهمة، فاستضِف الأوزان ذاتيًا؛ وإذا استخدمت واجهة API المستضافة، فعامِلها كما تعامل أي نقطة نهاية سحابية من طرف ثالث خاضعة لولايتها القضائية.
تسعير GLM-5.2 وتكلفته
عبر واجهة API المستضافة، يعمل GLM-5.2 بتكلفة تقارب سُدس تكلفة النماذج المغلقة المتقدمة (VentureBeat، يونيو 2026). التسعير المُبلَّغ عنه يقارب $1.4 لكل 1M رمز إدخال و$4.4 لكل 1M رمز إخراج (اعتبارًا من يونيو 2026). ضع في الحسبان الإخراج المرتفع لكل مهمة (~43,000 رمز) عند تقدير التكلفة الفعلية لعبء العمل.
هل يجب أن تستخدم GLM-5.2؟
دليل قرار GLM-5.2
Use a local LLM if:
- •تريد أقوى نموذج أوزان مفتوحة متاح حاليًا
- •تحتاج إلى استضافة ذاتية وتحكم في البيانات داخل حدودك الخاصة
- •تشغّل مهام برمجة طويلة الأمد
- •تريد جودة قريبة من الحدود المتقدمة بتكلفة تقارب السُدس
Use a cloud model if:
- •تحتاج إلى أعلى نتيجة في البرمجة أو الاستدلال في المقارنات المباشرة
- •لا تحتاج إلى أوزان مفتوحة وتفضّل نموذجًا مغلقًا متقدمًا مثل Claude Opus 4.8
- •لا تستطيع توفير بنية تحتية متعددة وحدات GPU أو GPU مستأجر
Quick decision:
- →أفضل خيار أوزان مفتوحة اليوم — لكن تحقق من الاختبارات المتنازع عليها مقابل مهامك الخاصة قبل الالتزام.
GLM-5.2: السياق الإقليمي
الخليج / سيادة البيانات: تحافظ الاستضافة الذاتية لـ GLM-5.2 بموجب ترخيص MIT على جميع بيانات الاستدلال داخل بنيتك التحتية الخاصة، ما يبقي البيانات داخل الحدود الوطنية ويتوافق مع متطلبات حماية البيانات الإقليمية مثل نظام حماية البيانات الشخصية (PDPL) في السعودية وقانون حماية البيانات في الإمارات. الفرق في الامتثال بين النماذج يكمن في وثائق المورّد، لا في معالجة البيانات، عندما يجري الاستدلال محليًا.
التوجه نحو الذكاء الاصطناعي السيادي: يدفع الدفع الإقليمي نحو الذكاء الاصطناعي السيادي والعربي أولًا (مثل Jais وALLaM وFalcon) المؤسسات إلى تفضيل الاستضافة الذاتية. يدعم تشغيل الأوزان المرخّصة بـ MIT محليًا هذا الهدف عبر إبقاء البيانات داخل الحدود الوطنية أو الإقليمية.
الصين / مسار البيانات: GLM-5.2 من بناء مختبر صيني. الرافعة الرئيسية للامتثال هي مسار النشر، وليس النموذج: تبقي أوزان MIT المستضافة ذاتيًا البيانات داخل حدودك، بينما تخضع واجهة Z.ai API من الطرف الأول لولايتها القضائية الأم. اختر المسار الذي يطابق متطلبات إقامة البيانات لديك.
أخطاء شائعة عند تقييم GLM-5.2
- افتراض أن «الأوزان المفتوحة» تعني «يعمل في المنزل». يتطلب حجم ~744B بنية تحتية متعددة وحدات GPU أو مستأجرة؛ ولا تتسع للعتاد الاستهلاكي سوى نسخ GGUF بمعدل 1-bit.
- التعامل مع اختبارات Z.ai من الطرف الأول على أنها متحقَّق منها. اعتمد أولًا على مؤشر Artificial Analysis المستقل؛ وعامِل أرقام البرمجة التي تجريها الشركة كادعاءات.
- الخلط بين أوزان MIT وواجهة API المستضافة في حوكمة البيانات. تبقي الاستضافة الذاتية البيانات محلية؛ بينما تخضع واجهة API لولايتها القضائية الأم.
- قراءة «الأول بين الأوزان المفتوحة» على أنها «يتغلب على الحدود». GLM-5.2 هو الرابع إجمالًا ويتأخر عن Claude Opus 4.8 في معظم المقارنات المباشرة.
- تجاهل الإخراج البالغ ~43,000 رمز لكل مهمة عند وضع ميزانية زمن الاستدلال والتكلفة.
الأسئلة الشائعة
هل GLM-5.2 هو أفضل نموذج أوزان مفتوحة حاليًا؟
وفق مؤشر Artificial Analysis Intelligence Index v4.1 المستقل (يونيو 2026)، نعم — يسجل GLM-5.2 51 نقطة، وهي أعلى نتيجة أوزان مفتوحة والرابعة إجمالًا. يتصدر أقرب النماذج المفتوحة، MiniMax-M3 وDeepSeek V4 Pro (كلاهما 44)، بنحو 7 نقاط. لكنه لا يتغلب على الحدود المغلقة إجمالًا.
هل يمكنني تشغيل GLM-5.2 على حاسوب عادي أو Mac؟
ليس النموذج الكامل. بحجم ~744B معاملًا يحتاج إلى خوادم متعددة وحدات GPU أو GPU سحابي مستأجر. على العتاد الاستهلاكي تقتصر على نسخ GGUF المكمّمة بشدة بمعدل 1-bit، التي تضحّي بالجودة والسرعة. راجع أدلة العتاد لدينا لمعرفة ما تتطلبه النماذج المحلية الكبيرة فعليًا.
هل يتغلب GLM-5.2 على GPT-5.5 وClaude Opus 4.8؟
في البرمجة، تضع النتائج المستقلة GLM-5.2 متقدمًا على GPT-5.5 (على سبيل المثال ترتيبا SWE-bench Pro وFrontierSWE). أما مقابل Claude Opus 4.8 فيتأخر في معظم المقارنات المباشرة — مثل Terminal-Bench 2.1 (81.0 مقابل 85.0) وFrontierSWE (بنحو نقطة واحدة خلفه). الخلاصة الدقيقة هي «يتصدر الأوزان المفتوحة، ويقلّص الفجوة مع الحدود»، وليس «يتغلب على الحدود».
هل GLM-5.2 مجاني حقًا؟ وما هو الترخيص؟
يصدر GLM-5.2 بموجب ترخيص MIT دون قيود استخدام إقليمية، لذا يمكنك تنزيله واستضافته ذاتيًا وتعديله مجانًا. لا يزال تشغيل النموذج الكامل يكلّف بنية تحتية حقيقية (وحدات GPU متعددة أو GPU مستأجر)، وواجهة Z.ai API المستضافة خدمة مدفوعة.
هل بياناتي آمنة مع GLM-5.2؟
يعتمد ذلك على مسار النشر. تحافظ أوزان MIT المستضافة ذاتيًا على جميع البيانات داخل حدودك الخاصة. أما واجهة Z.ai API من الطرف الأول فتحمل اعتبارات إقامة البيانات في الصين التي أشارت إليها التغطية المستقلة، لذا عامِلها كما تعامل أي نقطة نهاية سحابية من طرف ثالث خاضعة لولايتها القضائية.
هل أرقام اختبارات GLM-5.2 جديرة بالثقة؟
يؤكد مؤشر Artificial Analysis المستقل ترتيب المركز الأول بين الأوزان المفتوحة. أما أرقام البرمجة الخاصة بـ Z.ai فهي مُبلَّغ عنها من الشركة، وقابلية إعادة الإنتاج محل خلاف — يشير تقرير Artificial Analysis إلى أن التقييمات الداخلية أُبلغ عنها أضعف من الاختبارات المنشورة. اعتمد أولًا على الأرقام المستقلة وعامِل أرقام الطرف الأول كادعاءات.
كم تبلغ تكلفة تشغيل GLM-5.2 عبر واجهة API؟
نحو سُدس تكلفة النماذج المغلقة المتقدمة. التسعير المُبلَّغ عنه يقارب $1.4 لكل 1M رمز إدخال و$4.4 لكل 1M رمز إخراج (يونيو 2026). وبما أن GLM-5.2 يخرج في المتوسط ~43,000 رمز لكل مهمة، قدّر التكلفة الفعلية على عبء عملك الخاص بدلًا من الاعتماد على أسعار الرمز وحدها.
ما العتاد الذي أحتاجه لاستضافة GLM-5.2 ذاتيًا بشكل صحيح؟
للنموذج الكامل، خوادم متعددة وحدات GPU أو GPU سحابي مستأجر. يستطيع العتاد الاستهلاكي تشغيل نسخ GGUF المكمّمة بشدة بمعدل 1-bit فقط. راجع دليل عتاد النماذج المحلية 2026، ووحدات GPU المستعملة للنماذج المحلية، وتشغيل نماذج 70B على العتاد الاستهلاكي لتحديد حجم إعدادك.
المصادر
- Artificial Analysis. (2026). "GLM-5.2 is the new leading open-weights model on the Artificial Analysis Intelligence Index." https://artificialanalysis.ai/articles/glm-5-2-is-the-new-leading-open-weights-model-on-the-artificial-analysis-intelligence-index — ترتيب Intelligence Index v4.1 المستقل (51، الأول بين المفتوحة / الرابع إجمالًا).
- TechTimes. (2026, June 17). "GLM-5.2 open weights live, tops coding benchmark; API use carries China data risk." https://www.techtimes.com/articles/318543/20260617/glm-52-open-weights-live-top-coding-benchmark-api-use-carries-china-data-risk.htm — اعتبارات إقامة البيانات على مسار Z.ai API.
- VentureBeat. (2026). "Z.ai's open-weights GLM-5.2 beats GPT-5.5 on multiple long-horizon coding benchmarks for 1/6th the cost." https://venturebeat.com/technology/z-ais-open-weights-glm-5-2-beats-gpt-5-5-on-multiple-long-horizon-coding-benchmarks-for-1-6th-the-cost — مقارنة برمجة مستقلة وإطار للتكلفة.
- LetsDataScience. (2026). "GLM-5.2 open weights beats GPT-5.5 coding." https://letsdatascience.com/blog/glm-5-2-open-weights-beats-gpt-5-5-coding — تغطية مستقلة لنتائج البرمجة.