主页/本地LLM/GLM-5.2：2026 年年中 Z.ai 开源权重模型的现状（以及为什么它仍无法在家本地运行）

Best Models

GLM-5.2：2026 年年中 Z.ai 开源权重模型的现状（以及为什么它仍无法在家本地运行）

最后更新: 2026年8月28日·阅读约9分钟·Hans Kuepper 作者 · PromptQuorum创始人，多模型AI调度工具 · PromptQuorum

选择语言:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

GLM-5.2 由 Z.ai（前身为 Zhipu AI）于 2026 年 6 月 13 日发布，在发布时是 Artificial Analysis Intelligence Index 上得分最高的开源权重 LLM。截至 2026 年 8 月，Moonshot AI 的 Kimi K3（2026 年 7 月 27 日发布）已占据开源权重第一的位置，GLM-5.2 现排名第二。GLM-5.2 仍领先于 GPT-5.5，但未击败闭源前沿模型。而且在约 744B 参数下，"开源且可自托管"仍不等于"能在你的笔记本上运行"。

GLM-5.2 由 Z.ai（前身为 Zhipu AI）于 2026 年 6 月 13 日发布，在发布时是独立的 Artificial Analysis Intelligence Index 上得分最高的开源权重大语言模型——在开源模型中排名第一，整体排名第四。截至 2026 年 8 月，Moonshot AI 的 Kimi K3（2026 年 7 月 27 日发布）已夺得开源权重第一的位置，GLM-5.2 现排名第二。GLM-5.2 在编程基准测试上仍领先 GPT-5.5，但落后于当前的闭源前沿模型。本文将独立测评结果与 Z.ai 自报数据区分开来，追踪 GLM-5.2 相对于 Kimi K3 及 Z.ai 更新的 GLM-5.3 的表现，并解释为何一个约 744B 参数的开源模型仍无法在家本地运行。

GLM-5.2：2026 年年中 Z.ai 开源权重模型的现状（以及为什么它仍无法在家本地运行）

关键要点

开源权重第二，发布时曾是第一。 GLM-5.2 在 2026 年 6 月发布时于 Artificial Analysis Intelligence Index v4.1 上得 51 分——当时的顶级开源权重模型。截至 2026 年 8 月，Moonshot AI 的 Kimi K3（57 分，2026 年 7 月 27 日发布）已占据开源权重第一的位置；GLM-5.2（在更新后的 v4.1.1 指数上现为约 52.6 分）排名第二，仍领先于 MiniMax-M3 和 DeepSeek V4 Pro（各 44 分）。
Z.ai 已推出后续模型 GLM-5.3。 该模型于 2026 年 8 月 14 日发布，基于与 GLM-5.2 相同的基础模型，经过更强的后训练，编程分数大幅提升（Terminal-Bench 3.0 从 4.6 升至 28.3）。目前仅通过 Z.ai API 和 Coding Plan 提供；截至本次更新，公开权重尚未发布。
编程能力仍强，但与闭源前沿的差距进一步拉大。 GLM-5.2 在独立编程基准测试中仍领先 GPT-5.5，但 Anthropic 和 OpenAI 此后均发布了更新的闭源模型——Claude Opus 5 和 GPT-5.6 Sol——它们在正面编程对比中领先 GLM-5.2 的幅度超过其 2026 年 6 月时的前代模型。
约 744B 参数仍无法在家本地运行。 它采用 Mixture-of-Experts（每 token 约 40B 激活参数）；完整模型需要多 GPU 或租用 GPU。Z.ai 更小的 GLM-5.3-Flash（总参数 320B / 激活参数 18B，2026 年 8 月 26 日发布，MIT 许可证）更易自托管，但若不经过大幅量化，仍远超单张消费级 GPU 的能力范围。
自托管权重让数据留在本地；Z.ai API 则不一定。 MIT 许可的权重在你的边界内运行；而第一方 Z.ai API 涉及中国数据驻留方面的考量。
应将 Z.ai 自报基准视为公司自测数据。 可复现性存在争议——应以独立的 Artificial Analysis 数据为准。

GLM-5.2 是什么？

GLM-5.2 是一款开源权重大语言模型，由 Z.ai（前身为 Zhipu AI）于 2026 年 6 月 13 日以 MIT 许可证发布，无地区使用限制。 它自 2026 年 6 月 16 日起被公开测评。

约 744B 总参数（各方来源引用 743B–753B），采用 Mixture-of-Experts 架构，每 token 约 40B 激活参数。
1M token 上下文窗口，最大输出 131,072 token。
平均每项任务约 43,000 输出 token——高于 GLM-5.1 的约 26,000——这会增加本地推理的时间与成本。
MIT 许可证： 可免费下载、自托管和修改，无地区限制。
Z.ai 此后推出了两款后续模型： GLM-5.3（2026 年 8 月 14 日，相同的基础模型，更强的后训练，目前仅限 API/Coding Plan）和 GLM-5.3-Flash（2026 年 8 月 26 日，一款更小的 MIT 许可模型，总参数 320B / 激活参数约 18B）。它们与 GLM-5.2 的对比见下文各节。

GLM-5.2 有多强？先看独立基准测试

GLM-5.2 在 2026 年 6 月发布时是 Artificial Analysis Intelligence Index 上得分最高的开源权重模型（51 分，整体第四）。截至 2026 年 8 月，Moonshot AI 的 Kimi K3 已占据开源权重第一的位置；GLM-5.2 现排名第二（Artificial Analysis，2026 年 7～8 月）。

模型	Index v4.1.1	梯队
Claude Fable 5	~62	闭源前沿
Kimi K3（Moonshot AI）	57	开源权重第一
GLM-5.2	~52.6	开源权重第二（2026年6月发布时曾为第一）
MiniMax-M3	44	开源权重
DeepSeek V4 Pro	44	开源权重

发布时（2026 年 6 月）的独立编程测评结果：Terminal-Bench 2.1——GLM-5.2 得 81.0，Claude Opus 4.8 为 85.0。SWE-bench Pro——GLM-5.2 为 62.1（Z.ai 自报分值）领先于 GPT-5.5 的 58.6；独立报道印证了这一排序。Claude Opus 4.8 和 GPT-5.5 此后分别被 Claude Opus 5 和 GPT-5.6 Sol 取代，GLM-5.2 落后于这两款更新的闭源模型的幅度，超过其落后于前代模型的幅度。另一方面，Moonshot AI 的 Kimi K3（总参数 2.8T，激活参数约 104B，2026 年 7 月 27 日发布，采用基于 MIT 修改的 Kimi K3 License）目前在 Intelligence Index 及 FrontierSWE（81.2）、Terminal-Bench 2.0（88.3）等编程基准测试上均领先于 GLM-5.2。截至 2026 年 8 月的综合结论：GLM-5.2 在开源权重模型中仍属一流编程模型，但已不再是可获得的最强开源权重选项——该位置现属于 Kimi K3——且其与闭源前沿的差距自发布以来已进一步拉大（Artificial Analysis；VentureBeat；TechTimes，2026 年 7～8 月）。

Artificial Analysis Intelligence Index（2026年8月）：Claude Fable 5以约62分领先，Kimi K3（Moonshot AI）以57分位居开源权重第一，GLM-5.2以约52.6分位居开源权重第二（2026年6月发布时曾为第一），MiniMax-M3和DeepSeek V4 Pro均为44分。

Z.ai 自报数据 vs 独立结果：请谨慎解读

若干头条数字来自 Z.ai 自己的评测，应被视为公司自报、而非经过独立验证。

公司自报的编程数字——例如 MCP-Atlas 77.0（Z.ai 自报），对比 GPT-5.5 的 75.3 和 Opus 4.8 的 77.8——由 Z.ai 自行运行，应在独立复现之前作为厂商声明对待。
Artificial Analysis 的评述指出，Z.ai 的内部评测所报告的结果弱于其公布的基准成绩，且可复现性存在争议。
可复现性仍是一个悬而未决的问题。 至少有一位知名评论者将该模型形容为"刷榜（bench-maxxed）"，据称 GLM-5.1 在至少一项 GLM-5.2 如今表现良好的基准上曾得 0%。当前支撑"开源权重第二"这一排名的，是独立的 Artificial Analysis Index，而非 Z.ai 自家的测评套件。
GLM-5.3（2026 年 8 月）报告称仅靠后训练便实现了大幅提升。 该模型基于与 GLM-5.2 相同的基础模型、未经重新训练——例如 Terminal-Bench 3.0 从 4.6 升至 28.3。在独立评测证实之前，应对这些提升保持与公司自报数据同等的谨慎态度。

你能在家本地运行 GLM-5.2 吗？约 744B 的现实考量

不能——至少完整模型不行。"开源权重"和"可自托管"并不意味着"能在普通家用 PC 上运行"。

完整的 GLM-5.2 需要强大的基础设施： 多 GPU 服务器或租用的云 GPU。
在消费级硬件上，只有大幅量化的 1-bit GGUF 版本可行，并伴随质量和速度上的取舍。
每项任务约 43,000 token 的高输出量进一步推高了本地的时间与成本。
Z.ai 更小的 GLM-5.3-Flash（总参数 320B / 激活参数约 18B，MIT 许可证，2026 年 8 月 26 日发布） 比完整版 GLM-5.2 更易自托管，但若不经过大幅量化，仍远超单张消费级 GPU 的能力范围。
关于大型本地模型的硬件现实，参见在消费级硬件上运行 70B 模型、本地 LLM 二手 GPU、本地 LLM 硬件指南 2026，以及 Apple Silicon M5 本地 LLM。

完整版GLM-5.2（约744B参数，约40B激活参数）需要多GPU服务器或租用云GPU；只有1比特量化的GGUF版本才能在家用单张消费级GPU或CPU上运行，但质量会降低。

自托管权重 vs Z.ai API：你的数据去了哪里

许可证与 API 是两种不同的数据治理路径。自托管的 MIT 权重让数据留在你的边界之内；第一方 Z.ai API 则不然。

自托管（MIT 权重）： 数据保留在本地、归你所有——不向第三方传输。
Z.ai 第一方 API： 独立报道明确指出该 API 路径存在中国数据驻留方面的考量（"中国数据风险"）（TechTimes，2026 年 6 月 17 日）。
决策框架： 若数据敏感性重要，请自托管权重；若使用托管 API，则应将其视为受其管辖法域约束的任何第三方云端点来对待。

GLM-5.2 定价与成本

通过托管 API，GLM-5.2 的成本约为闭源前沿模型的六分之一（VentureBeat，2026 年 6 月）。 据报道，定价约为每 1M 输入 token $1.4、每 1M 输出 token $4.4（截至 2026 年 6 月）。在估算真实工作负载成本时，请将每项任务的高输出量（约 43,000 token）纳入考量。

你应该用 GLM-5.2 吗？

GLM-5.2 决策指南

以下情况使用本地LLM：

•你想要一款成熟、经独立验证的开源权重第二名模型，具有可靠的往绩
•你需要在自己的边界内自托管并掌控数据
•你运行长时程的编程任务
•你想以约六分之一的成本获得接近前沿的质量

以下情况使用云端模型：

•你在正面编程或推理对比中需要最高分——可考虑 Claude Opus 5 或 GPT-5.6 Sol 等当前闭源模型
•你想要绝对最强的开源权重模型，并愿意转而评估 Kimi K3
•你无法配置多 GPU 或租用 GPU 基础设施

快速决策：

→当下仍是一个强力的开源权重选项，但已不再是最佳选择——Kimi K3 目前领跑开源权重，而 Z.ai 自家的 GLM-5.3 一旦发布权重，也可能取代 GLM-5.2。在投入之前，请用你自己的任务验证那些存在争议的基准结果。

GLM-5.2：区域合规背景

中国（《数据安全法》）： GLM-5.2 由中国实验室构建，核心合规杠杆在于部署路径、而非模型本身。在 MIT 许可下自托管 GLM-5.2，可使全部推理数据保留在你自有的基础设施之内，从而将数据保持在你的边界以内，契合《数据安全法》（2021）下的数据驻留要求；而第一方 Z.ai API 则受其所在法域管辖。请根据你的数据驻留要求选择相应路径。

亚太地区（数据跨境）： 对于跨境数据流动，关键在于明确推理在何处运行。自托管权重让数据留在你选定的司法辖区内，便于符合各地的数据驻留与跨境传输框架；而托管 API 则会将数据带入供应商的本国法域。在多辖区部署时，应将部署路径与各市场的合规要求逐一对应。

企业部署： 对于金融、医疗、法律等受监管行业的大型企业（银行、医院、律师事务所），应记录模型版本（GLM-5.2）、许可证（MIT），以及推理是运行在自托管权重还是 Z.ai API 上。自托管的 MIT 权重将敏感数据保留在企业内部，是满足行业监管与审计要求最直接的路径。

评估 GLM-5.2 时的常见错误

误以为"开源权重"就意味着"能在家运行"。 约 744B 的规模需要多 GPU 或租用基础设施；只有 1-bit GGUF 版本才能装进消费级硬件。
把 Z.ai 第一方基准当作已验证数据。 应以独立的 Artificial Analysis Index 为准；将公司自行运行的编程数字视为厂商声明。
在数据治理上将 MIT 权重与托管 API 混为一谈。 自托管让数据保留在本地；API 则受其本国法域约束。
误以为 GLM-5.2 仍是"开源权重第一"。 Moonshot AI 的 Kimi K3 已于 2026 年 7 月夺得该位置；GLM-5.2 现排名第二，且 Z.ai 自家的 GLM-5.3（2026 年 8 月）已在部分编程分数上超越 GLM-5.2，尽管其公开权重尚未发布。
在估算推理时间与成本时忽视每项任务约 43,000 token 的输出量。

常见问题

GLM-5.2 仍是目前最好的开源权重模型吗？

不是——截至 2026 年 8 月，Moonshot AI 的 Kimi K3（2026 年 7 月 27 日发布）以 57 分在 Artificial Analysis Intelligence Index 上位居第一，领先于 GLM-5.2 的约 52.6 分。GLM-5.2 在 2026 年 6 月发布时曾是开源权重第一（51 分），但现在排名第二，仍领先于 MiniMax-M3 和 DeepSeek V4 Pro（均为 44 分）。

我能在普通 PC 或 Mac 上运行 GLM-5.2 吗？

完整模型不行。约 744B 参数需要多 GPU 服务器或租用的云 GPU。在消费级硬件上，你只能使用大幅量化的 1-bit GGUF 版本，并以质量和速度为代价。Z.ai 更小的 GLM-5.3-Flash（320B / 激活参数约 18B，MIT）稍微更易自托管，但仍非消费级笔记本能承受。关于大型本地模型的真实需求，请参阅我们的硬件指南。

GLM-5.2 击败了 GPT-5.5、Claude Opus 4.8 及其后续模型吗？

在发布时，独立结果显示 GLM-5.2 在编程上领先 GPT-5.5，但在大多数正面对比中落后于 Claude Opus 4.8——例如 Terminal-Bench 2.1（81.0 对 85.0）。此后二者均已被 GPT-5.6 Sol 和 Claude Opus 5 取代，GLM-5.2 落后于这两款更新闭源模型的幅度，超过了其落后于前代模型的幅度。截至 2026 年 8 月的准确概括是"一款出色的开源权重第二名模型，与闭源前沿的差距较发布时更远"。

GLM-5.2 是否已被 GLM-5.3 或 Kimi K3 取代？

GLM-5.2 尚未被取代，但已在两方面被超越。Z.ai 于 2026 年 8 月 14 日发布了 GLM-5.3——相同的基础模型、更强的后训练、显著更好的编程结果——但截至本次更新，其公开权重尚未发布，仅可通过 Z.ai API 和 Coding Plan 使用。另一方面，Moonshot AI 的 Kimi K3（2026 年 7 月 27 日）从 GLM-5.2 手中夺得了整体最强开源权重模型的位置。GLM-5.2 仍是一款完全可自托管、经独立验证的开源权重第二名选项。

GLM-5.2 真的免费吗？它的许可证是什么？

GLM-5.2 以 MIT 许可证发布，无地区使用限制，因此你可以免费下载、自托管和修改它。运行完整模型仍需真实的基础设施成本（多 GPU 或租用 GPU），而托管的 Z.ai API 是付费服务。

使用 GLM-5.2 我的数据安全吗？

这取决于部署路径。自托管的 MIT 权重将所有数据保留在你自有的边界之内。第一方 Z.ai API 涉及独立报道所指出的中国数据驻留考量，因此应将其视为受其管辖法域约束的任何第三方云端点来对待。

GLM-5.2 的基准测试数字可信吗？

独立的 Artificial Analysis Index 印证了 GLM-5.2 截至 2026 年 8 月的"开源权重第二"排名（GLM-5.3 所报告的提升也适用同样的谨慎态度）。Z.ai 自家的编程数字属于公司自报，且可复现性存在争议。应以独立数字为准，并将第一方数据视为厂商声明。

通过 API 运行 GLM-5.2 的成本是多少？

约为闭源前沿模型成本的六分之一。据报道，定价约为每 1M 输入 token $1.4、每 1M 输出 token $4.4（2026 年 6 月，截至本次更新未变）。由于 GLM-5.2 平均每项任务约 43,000 输出 token，请基于你自己的工作负载估算真实成本，而不要仅看每 token 单价。

正确自托管 GLM-5.2 需要什么硬件？

运行完整模型需要多 GPU 服务器或租用的云 GPU。消费级硬件只能运行大幅量化的 1-bit GGUF 版本。请参阅《本地 LLM 硬件指南 2026》《本地 LLM 二手 GPU》以及《在消费级硬件上运行 70B 模型》来确定你的配置规格。

来源

Artificial Analysis. (2026). "GLM-5.2 is the new leading open-weights model on the Artificial Analysis Intelligence Index." artificialanalysis.ai/articles/glm-5-2-is-the-new-leading-open-weights-model-on-the-artificial-analysis-intelligence-index —— 发布时的独立 Intelligence Index 排名（51，开源第一 / 整体第四，2026 年 6 月）。
TechTimes. (2026, June 17). "GLM-5.2 open weights live, tops coding benchmark; API use carries China data risk." www.techtimes.com/articles/318543/20260617/glm-52-open-weights-live-top-coding-benchmark-api-use-carries-china-data-risk.htm —— Z.ai API 路径上的数据驻留考量。
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." 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 —— 独立编程对比与成本测算。
LetsDataScience. (2026). "GLM-5.2 open weights beats GPT-5.5 coding." letsdatascience.com/blog/glm-5-2-open-weights-beats-gpt-5-5-coding —— 编程结果的独立报道。
TechTimes. (2026, July 24). "Kimi K3 Open Weights Drop July 27: Near-Frontier Coding, Undisclosed Hallucination Risk." www.techtimes.com/articles/321499/20260724/kimi-k3-open-weights-drop-july-27-near-frontier-coding-undisclosed-hallucination-risk.htm —— Kimi K3 发布，从 GLM-5.2 手中夺得开源权重第一的位置。
VentureBeat. (2026, August 14). "GLM-5.3 is here with advanced cyber capabilities — and reportedly already found a 'serious vulnerability' in Cursor." venturebeat.com/technology/glm-5-3-is-here-with-advanced-cyber-capabilities-and-reportedly-already-found-a-serious-vulnerability-in-cursor —— GLM-5.3 发布，与 GLM-5.2 基础模型相同，发布时仅限 API。
MarkTechPost. (2026, August 26). "Z.ai Releases GLM-5.3-Flash: A 320B-A18B Natively Multimodal MoE With a 1M-Token Context." www.marktechpost.com/2026/08/26/z-ai-releases-glm-5-3-flash-a-320b-a18b-natively-multimodal-moe-with-a-1m-token-context/ —— GLM-5.3-Flash 的规格及其以 MIT 许可证即时发布。

关于第三方事实的说明

本文引用了第三方AI模型、基准测试、价格和许可证。AI领域变化迅速。基准分数、许可条款、模型名称和API价格可能在写作时间和您阅读时之间发生变化。在根据本文做出部署或合规决策之前，请在每个提供商的官方来源核实当前数据：Hugging Face模型卡用于许可证和基准测试，提供商网站用于API定价，EUR-Lex用于当前GDPR和EU AI法案文本。

使用本地LLM、您自己的API密钥或两者运行PromptQuorum — 您来决定使用哪个后端。

下载 PromptQuorum 测试版 →

← 返回本地LLM