GLM-5.2
z-ai/glm-5.2
Chỉ là hướng dẫnTrọng số mở
- Phát hành
- 16 thg 6, 2026
- Cửa sổ ngữ cảnh
- 1.05M
- Đầu ra tối đa
- 944K
- Vào / ra trên mỗi 1M
- $0.0341 / $7
- Đầu vào
- Văn bản
z-ai/glm-5.2
Hướng dẫn mô hình · Tháng 6 năm 2026
GLM-5.2: ngữ cảnh 1 triệu token thực thụ
GLM-5.2 là mô hình GLM-5 giúp ngữ cảnh một triệu token trở nên thực sự đáng tin cậy. Mô hình này cũng giới thiệu tính năng tùy chọn reasoning effort, thiết kế attention hiệu quả hơn và phát hành open-weights theo giấy phép MIT.
GLM-5.2 hiện không có sẵn trong khung chat của chúng tôi. Các mô hình tương đương gần nhất mà bạn có thể dùng thử miễn phí tại đây là GLM-5.3 Flash và GLM-5.3.
§ 01Bảng thông số kỹ thuật
Thông số kỹ thuật của GLM-5.2
| OpenRouter ID | z-ai/glm-5.2 |
|---|---|
| Nhà phát triển | Z.ai |
| Phát hành | 16 thg 6, 2026 |
| Cửa sổ ngữ cảnh | 1,048,576 token |
| Đầu ra tối đa | 943,718 token |
| Giá đầu vào | $0.0341 trên 1M token |
| Giá đầu ra | $7 trên 1M token |
| Đầu vào | Văn bản |
| Trọng số mở | zai-org/GLM-5.2 |
| Tham số | Chưa công bố |
| Giấy phép | MIT |
| Chat miễn phí tại đây | Chỉ là hướng dẫn |
Nguồn: danh sách mô hình trên OpenRouter và model card chính thức trên Hugging Face.
§ 02Tổng quan
Có gì mới trong GLM-5.2
Cửa sổ ngữ cảnh đáng tin cậy
GLM-5.2 đã được niêm yết trên OpenRouter vào ngày 16 tháng 6 năm 2026 với cửa sổ ngữ cảnh 1,048,576 token và đầu ra tối đa 943,718 token. Z.ai gọi đây là bước nhảy vọt đáng kể về năng lực xử lý dài hạn so với GLM-5.1, đồng thời khẳng định rằng lần đầu tiên trong dòng mô hình này, năng lực được duy trì trên "ngữ cảnh 1M token thực thụ", đáp ứng ổn định các tác vụ kéo dài.
Một triệu token tương đương với một codebase lớn, nhiều báo cáo dài hoặc hàng giờ bản ghi âm trong một request duy nhất. Lợi ích thực tế là một agent có thể nắm trọn toàn bộ dự án thay vì phải tóm tắt rồi bỏ quên thông tin.
IndexShare và giải mã nhanh hơn
Phục vụ ngữ cảnh dài rất tốn kém tài nguyên, vì vậy GLM-5.2 đã thay đổi kiến trúc. Z.ai đề xuất IndexShare, tái sử dụng cùng một indexer qua mỗi bốn lớp sparse-attention; model card cho biết giải pháp này giúp giảm FLOPs trên mỗi token tới 2.9× ở độ dài ngữ cảnh một triệu token.
GLM-5.2 cũng cải tiến lớp multi-token prediction (MTP) để speculative decoding, tăng độ dài chấp nhận lên đến 20% theo Z.ai. Tỷ lệ chấp nhận cao hơn đồng nghĩa với việc nhiều token được xác nhận hơn sau mỗi bước, giúp tăng tốc độ sinh văn bản.
Tùy biến reasoning effort linh hoạt
GLM-5.2 bổ sung nhiều mức thinking effort để bạn cân bằng giữa chất lượng và độ trễ. Một truy vấn tra cứu nhanh không cần đến mức chi phí suy luận lớn như một lần refactor code phức tạp. Trên OpenRouter, mô hình hỗ trợ các tham số reasoning và reasoning_effort.
Mức giá trên OpenRouter khá đặc biệt: khoảng $0.034 mỗi triệu input token và $7 mỗi triệu output token. Đọc dữ liệu đầu vào khổng lồ rất rẻ, trong khi câu trả lời dài lại tốn kém hơn — điều đáng lưu ý cho các tác vụ agent tạo ra nhiều output.
- Ngữ cảnh: 1,048,576 token; đầu ra tối đa: 943,718 token.
- Mã nguồn mở: zai-org/GLM-5.2, giấy phép MIT.
- Thế hệ kế nhiệm: GLM-5.3 sử dụng cùng mô hình nền tảng với khâu post-training tốt hơn.
§ 03Điểm mạnh
Thế mạnh của GLM-5.2
Ngữ cảnh 1M đáng tin cậy
Được thiết kế để duy trì sự ổn định trên các đầu vào cực dài, điều vô cùng quan trọng đối với nghiên cứu và lập trình ở quy mô toàn bộ dự án.
Attention cho ngữ cảnh dài tiết kiệm chi phí hơn
Theo Z.ai, IndexShare giúp giảm 2.9× chi phí tính toán trên mỗi token ở mức 1M token.
Mức độ suy luận tùy chọn
Chọn mức ngân sách suy luận nhẹ hơn hoặc sâu hơn cho mỗi yêu cầu.
Trọng số mở theo giấy phép MIT
Tải về zai-org/GLM-5.2 và chạy hoặc fine-tune theo giấy phép thông thoáng.
§ 04Cách trải nghiệm
Ba cách sử dụng GLM-5.2
Dùng thử phiên bản tiếp theo miễn phí
GLM-5.3 dùng chung mô hình nền tảng với GLM-5.2 và chạy ngay trên khung chat của chúng tôi. Hãy bắt đầu từ đó để trải nghiệm khả năng xử lý ngữ cảnh dài của dòng mô hình này.
Gọi z-ai/glm-5.2
Sử dụng OpenRouter với tham số suy luận để chọn mức độ mong muốn.
Tự triển khai trên máy của bạn
Phục vụ zai-org/GLM-5.2 từ Hugging Face bằng một framework có hỗ trợ kiến trúc của mô hình.
§ 05Dòng mô hình
Các mô hình khác thuộc dòng GLM-5
Mỗi trang mô hình đều sử dụng cùng một bảng thông số, giúp bạn dễ dàng so sánh nhanh chóng.
| Mô hình | Phát hành | Cửa sổ ngữ cảnh | Vào / ra trên mỗi 1M | Chat miễn phí tại đây |
|---|---|---|---|---|
| GLM-5 | 11 thg 2, 2026 | 205K | $1 / $3.20 | — |
| GLM-5-Turbo | 15 thg 3, 2026 | 203K | $1.20 / $4 | — |
| GLM-5V-Turbo | 1 thg 4, 2026 | 203K | $1.20 / $4 | — |
| GLM-5.1 | 7 thg 4, 2026 | 205K | $1.40 / $4.40 | — |
| GLM-5.2 | 16 thg 6, 2026 | 1.05M | $0.0341 / $7 | — |
| GLM-5.3 | 18 thg 8, 2026 | 1.05M | $0.079 / $1.40 | Trong chat của chúng tôi |
| GLM-5.3 Flash | 26 thg 8, 2026 | 1.05M | $0.0052 / $0.1985 | Trong chat của chúng tôi |
| GLM-5.3 FlashX | 18 thg 9, 2026 | 1.05M | $0.37 / $1.25 | — |
| GLM-5.3 Prime | 23 thg 9, 2026 | 1M | $2.80 / $8.80 | — |
§ 06Câu hỏi thường gặp
Câu hỏi về GLM-5.2
Q01Ngữ cảnh của GLM-5.2 dài bao nhiêu?
OpenRouter niêm yết ngữ cảnh 1,048,576 token, với tối đa 943,718 token đầu ra cho mỗi yêu cầu.
Q02IndexShare là gì?
Đây là một kỹ thuật attention do Z.ai đề xuất, trong đó một indexer được tái sử dụng qua mỗi bốn lớp sparse-attention. Z.ai cho biết kỹ thuật này giúp giảm 2.9× lượng FLOPs trên mỗi token ở ngữ cảnh 1M.
Q03GLM-5.2 có phải là mã nguồn mở không?
Trọng số của mô hình được công khai trên Hugging Face dưới dạng zai-org/GLM-5.2 theo giấy phép MIT.
Q04Tôi nên dùng GLM-5.2 hay GLM-5.3?
GLM-5.3 được xây dựng trên cùng một mô hình nền tảng và Z.ai cho biết mô hình này vượt trội hơn nhiều về khả năng lập trình phức tạp, vì vậy đây thường là lựa chọn tốt hơn. GLM-5.2 giữ giấy phép MIT thông thoáng, trong khi GLM-5.3 sử dụng giấy phép tùy chỉnh.
§ 07Liên quan
Đọc tiếp
Thử ngay
Hỏi GLM-5.3 điều gì đó thực tế.
Không cần tài khoản, không cần thẻ, không cần cài đặt. Nhập câu hỏi và xem GLM-5.3 Flash trả lời trong vài giây — chuyển sang GLM-5.3 cho những bài toán khó nhất.
Mở chat miễn phíÁp dụng giới hạn miễn phí hàng ngày để tính năng chat luôn sẵn sàng cho tất cả mọi người.