开源权重曾经意味着你要接受能力上的实际下降，以换取摆脱按量计费的API。GLM-5.2让这个取舍不再那么明显。它在SWE-bench Pro上得分62.1，在Terminal-Bench 2.1上得分81.0，前者超过了GPT-5.5，后者比Claude Opus 4.8低4分，而成本却只有前沿模型API的六分之一左右。
它没有拿到第一。但这不是重点。
GLM-5.2在代码基准测试中表现如何？
对于智能体（agentic）工作而言，两个基准测试最重要。SWE-bench Pro衡量模型能否端到端解决真实的代码仓库问题。Terminal-Bench 2.1衡量模型能否在长时间的shell会话中不迷失方向。
| 模型 | SWE-bench Pro | Terminal-Bench 2.1 | 权重 |
|---|---|---|---|
| Claude Opus 4.8 | 69.2 | 85.0 | 闭源 |
| GLM-5.2 | 62.1 | 81.0 | 开源，MIT |
| GPT-5.5 | 58.6 | n/a | 闭源 |
要看差距，而不是排名。在SWE-bench Pro上，GLM-5.2比Opus 4.8低7.1分，在Terminal-Bench上低4分。而在SWE-bench Pro上，它又比GPT-5.5高3.5分。一个开源权重模型能赢过一个前沿实验室、又以个位数差距输给另一个，这和一年前的局面已经不同了。
官方API上两者各自的价格是多少？
| 模型 | 输入（每百万token） | 输出（每百万token） |
|---|---|---|
| Claude Opus 4.8 | 5美元 | 25美元 |
| GLM-5.2 | 1.40美元 | 4.40美元 |
数据来源：Anthropic（anthropic.com）与Z.ai（z.ai）的官方发布价格，查询于2026年9月15日。在输出端，也就是推理模型在编码任务中花费预算最多的地方，GLM-5.2便宜5.7倍。在输入端，差距缩小到3.6倍。本文开头所说的"约六分之一的成本"，正是输出端的近似值，而这一端在长时间的智能体会话中权重最大。
模型内部是什么样的？
| 总参数量 | 7530亿 |
| 每token激活参数 | 约400亿 |
| 上下文窗口 | 100万token |
| 最大输出 | 12.8万token |
| 许可证 | MIT |
| 发布日期 | 2026年6月13日 |
MoE的比例是值得关注的一点。一个总参数7530亿、每token只激活约400亿的模型，其服务成本大致相当于一个400亿参数的稠密模型，却承载着体量大十九倍的知识。正是这个比例，决定了它每一分基准分数的价格。
100万token的上下文是第二个关键点。在长时间的智能体任务中，上下文能让智能体不必重新读取同样的文件、重新推导同样的结论，也不必为已经做过的工作再跑一遍。
为什么MIT许可证比跑分更重要？
MIT意味着你可以运行、修改、并用于商业用途，不需要向任何人申请许可。没有下个季度就会变化的使用条款，没有按坐席审计，也没有关于竞品的限制条款。
大多数开源权重的发布都带有自定义许可证，外加某些隐藏的例外条款。一个如此接近前沿水平的模型采用真正宽松的许可证，动摇了"开源权重只适合业余项目"这一说法。
跑分告诉你模型今天能做什么。许可证告诉你未来五年能否在它之上构建一门生意。这两个数字里，只有一个是稳定的。
GLM-5.2在哪些方面仍然落后？
老实说，是在难度曲线的顶端。SWE-bench Pro上那7.1分的差距，并不是平均分布在简单和困难任务之间的。这类差距会集中在最难的场景：意图模糊的issue、牵动十几个文件的重构、连复现步骤本身都是一道谜题的bug。
如果这类任务占了你工作的大部分，Opus 4.8仍然是更好的工具，价格也是合理的。但如果你的工作只是任何代码库都会产生的常规工单分布，那你就是在为一个大多数日子都感觉不到的差距多付六倍的钱。
到底该怎么决定？
- 看上个月你遇到的最难的一个工单，而不是平均水平。基准测试的差距只会在那里显现。如果前沿模型也救不了那个工单，这个差距就只是理论上的。
- 比较每一分的价格，而不是每个token的价格。多花六倍成本换来百分之十一的能力提升，在大批量场景下是笔糟糕的交易，但对一次关键任务来说却是笔好交易。
- 不要把它当成单选题。真正的答案通常是路由：大部分工作交给开源模型，少数值得的任务交给前沿模型。
没有一张基准测试表格会告诉你的陷阱
以上所有数字都假设模型能够跑完全程。但在按量计费的情况下，它常常跑不完。100万token的上下文窗口，只有在你负担得起把它填满时才是优势，而长时间的智能体任务恰恰是那种在有人盯着token账单时会被中途叫停的任务。
那7.1分的差距，只会出现在你这个月最难的那个工单上。至于其余的一切，决定因素不是跑分，而是你能负担得起多少次尝试。在Verboo Code上，GLM-5.2运行在专用GPU上，token不设上限，所以第五次尝试和第一次花费相同，100万的上下文窗口也不再只是参数表上的一个数字。
