GLM-5.2：智譜 AI 的 100 萬 Token 開放權重程式碼與 Agent 模型

智譜 AI 剛推出一個看起來是為 Agent 而非聊天而設計的開放權重模型。GLM-5.2 是智譜最新旗艦——專為程式開發、推理與工具驅動的「Agentic」工作負載打造——並以 MIT 開源授權、100 萬 token 上下文視窗登場。此模型於 2026 年 6 月 13 日發布，接續 GLM-5 家族中的 GLM-5.1，且已在 Z.ai 的 GLM Coding Plan 與多個第三方平台上線。(apidog)

如果你正在打造 AI Agent、自主程式開發工具，或長週期工作流程，GLM-5.2 是第一批讀起來就像是為你的使用情境量身打造的開放權重模型之一——而不是從通用助理硬改而來。這篇指南會拆解 GLM-5.2 的實際內容、架構與上下文視窗、推理模式、定價、早期評測概況，以及開發者在 Eigent 這類 Agent 平台中如何善用它的模式。

GLM-5.2 是什麼？

GLM-5.2 是智譜 AI（全球以 Z.ai 名義營運）推出的開放權重大型語言模型，重度調校於軟體工程、多步驟推理，以及工具增強的 Agent 工作。它建立在 GLM-5 與 GLM-5.1 引入的 Mixture-of-Experts（MoE，專家混合）基礎上，將上下文視窗擴展到可實用的 100 萬 tokens，同時保留強大的程式碼表現。(Modular)

在底層架構上，GLM-5.2 採用約 7530 億參數的稀疏 MoE 設計，每個 token 約有 400 億活躍參數，並搭配新的「IndexShare」稀疏注意力技術，目的是將 100 萬上下文推理成本控制在合理範圍內。智譜將這個模型定位為以程式開發為優先、以 Agent 為導向的系統，而不是通用聊天模型——對話被視為強大、以開發者為中心引擎的副產品。(LLM Reference)

這種以 Agent 為優先的定位，讓 GLM-5.2 與 Anthropic 的 Claude Fable 5 放在同一個討論脈絡中：前沿模型越來越優先為長週期 Agentic 使用而設計，聊天只是次要介面。

主要規格與架構

GLM-5.2 的核心賣點集中在上下文、推理與開放性。(DataCamp)

• 100 萬 token 上下文視窗，透過 glm-5.2[1m] 模型 ID 提供——足以容納完整 monorepo、大型文件，或長時間運行的 Agent 狀態。(note)
• 每次回應最多 131,072 個輸出 token——足以一次生成或重構超大型檔案。(Lush Binary)
• MoE 設計，總參數約 7530 億，每個 token 約 400 億活躍參數，沿用 GLM-5.1 的基礎。(dev.to)
• IndexShare——一種稀疏注意力方案，在多個稀疏層之間重用相同的 attention indexer，降低長上下文長度下的每 token FLOPs。(Latent Space)
• 改良的多 token 預測（MTP） 層用於推測式解碼，據稱可將接受率提升最多約 20%，並改善吞吐量。(Latent Space)

Z.ai 強調，GLM-5.2 延續了 GLM-5 系列的「開放權重、以程式開發為優先的 DNA」，並透過升級上下文視窗與推理控制，而非追求全新架構。(Modular)

100 萬 Token 上下文：為什麼重要

100 萬 token 的上下文視窗是 GLM-5.2 最明顯的差異化優勢。這大約是前一代 GLM-5.x 視窗的五倍，也讓 GLM-5.2 成為開放權重生態中可公開使用的最大上下文視窗之一。(LLM Reference)

在實務上，這解鎖了幾種過去很脆弱的工作流程：

• 以 repo 為尺度的程式理解——可一次載入整個服務、monorepo 或微服務叢集，而不必激進截斷。(Lush Binary)
• 長時間運行的 Agent——Agent 可以把多天或多輪會話的工作記憶保留在上下文中，而不是把所有內容壓縮成工具專用摘要。(CometAPI)
• 複雜文件分析——法律資料庫、技術標準或數千頁 PDF 可以一次處理，而不必依賴切塊與拼接流程。(CometAPI)

Cloudflare Workers AI 的整合在這裡是一個有用訊號：它提供 GLM-5.2 的 function calling、推理支援與大上下文（目前部署為 262k tokens，並計畫擴充），明確鎖定長程式碼庫與多步驟規劃。這顯示這個模型是為持續性的高上下文工作負載而調校，而不只是行銷層面的「100 萬」數字。(Cloudflare)

雙重推理模式：High 與 Max

GLM-5.2 導入兩層級的「thinking-effort（思考力度）」系統：High 與 Max。(AI Weekly)

• High 是大多數程式任務的預設模式，會在回應前使用結構化 chain-of-thought（思維鏈）推理，但推理預算有限。Z.ai 建議將其用於日常程式生成、重構與除錯，當你需要可靠性與速度時特別適合。(DataCamp)
• Max 會提高推理預算，適合更複雜的問題與更長的 Agentic 序列，但代價是延遲與 token 成本增加。它適用於非平凡 bug、跨服務重構、架構變更，以及多步驟規劃。(AI Weekly)

從 Agent 設計角度來看，這讓你可以依任務難度調整推理深度，而不必切換模型。你可以把例行操作導到 High，而把棘手工單、規劃步驟或失敗嘗試升級到 Max——這其實就是嚴肅 Agentic 系統早已依賴的分類與路由模式的單模型版本。

Agentic 能力與工具使用

智譜將 GLM-5.2 定位為「agent-oriented」模型，旨在支援自主工作流程、工具增強的 Agent 與長週期程式任務。(Atlas Cloud)

Cloudflare 的部署說明將 @cf/zai-org/glm-5.2 描述為一個「built for agentic coding workflows」的文字生成模型，並原生支援 function calling 與多輪工具使用。它特別提到：(Cloudflare)

• Function calling，可在多輪對話中呼叫工具與 API，支援經典的 Agent 工具使用迴圈。
• 長週期規劃，可透過 100 萬上下文與推理模式在大型程式碼庫中運作。(note)
• 複雜問題解決，包含多步驟推理與結構化 chain-of-thought。(dev.to)

第三方評論強調，GLM-5.2 是為 repo 級軟體工程與長時間運行的 Agent 工作流程調校，而不是一次性程式補全——這與 Z.ai 的訊息一致：GLM 是「刻意為軟體開發而建，而非純聊天」，其設計中心就是程式開發、工具使用與長時間 Agent 工作流程。(AI for Anything)

開放權重與授權

GLM-5.2 最重要的策略動作之一，就是其授權與分發方式。Z.ai 承諾將 GLM-5.2 以 MIT 授權的開放權重模型 釋出，延續 GLM-5 與 GLM-5.1 的模式。(Gigazine)

• LLM Reference 與開發者指南將 GLM-5.2 描述為 MIT 授權下的開源、開放權重模型，權重可在 Hugging Face 取得（例如 zai-org/GLM-5.2 與 FP8 版本）。(apidog)
• 日本與中國的媒體報導也指出，GLM-5.2 將於 2026 年 6 月第三週以開放模型形式發布，在最初優先提供給 GLM Coding Plan 訂閱者之後。(AI for Anything)

這對生態系很重要：一個具備 100 萬 token 上下文、採 MIT 授權的前沿級程式模型，能讓獨立開發者與開源平台在 Agentic 系統上擁有對封閉模型的強力替代選項。

評測與早期表現訊號

在發布時，Z.ai 明顯沒有為 GLM-5.2 公布完整的官方 benchmark 套件——這也是許多觀察者指出的地方。面向開發者的部落格強調，公司在初期技術溝通中更著重「100 萬 context 與 agentic RL 的基礎設施創新」，而不是 benchmark 圖表。(DataCamp)

不過，LLM Reference 與 model card 彙整的自報成績顯示，GLM-5.2 在程式與推理評測上具有競爭力——包括 SWE-bench Pro、Terminal-Bench 與 tool-use eval 等任務的亮眼數據，但獨立驗證仍在追趕中。在第三方評測到位前，應將早期數字視為方向性訊號，而非定論。(LLM Reference)

如果你正在比較 GLM-5.2 vs GPT-5 vs Claude，誠實的答案是：我們目前對 GLM-5.2 擁有更透明的定價與上下文規格，但還沒有足夠多一對一的第三方 benchmark。

定價與存取方式

Z.ai 正將 GLM-5.2 大規模部署到自家產品與合作平台上，且多半維持與先前 GLM-5.x 模型相同或更低的價格。(AI for Anything)

主要存取方式包括：

• GLM Coding Plan（Lite / Pro / Max / Team）——GLM-5.2 作為所有方案的新預設旗艦，能直接透過 Z.ai 的程式工具與聊天介面使用。(Gigazine)
• 獨立 API 與聊天——Z.ai 宣布 GLM-5.2 的 API 與聊天存取將在程式工具上線後不久跟進。(note)
• 第三方供應商——OpenRouter 與多模型 gateway 等平台將 GLM-5.2 列為每 100 萬輸入 token 約 $1.4（輸出更高），在某些地區定位為比 GPT-5 或同級前沿模型便宜約一個數量級。(Atlas Cloud)
• Workers AI（Cloudflare）——提供 @cf/zai-org/glm-5.2，支援 function calling 與大上下文，並可直接整合進 edge function 與無伺服器工作流程。(Cloudflare)

若要自架，開放權重與 MIT 授權讓你可以把 GLM-5.2 放進自有基礎架構或專用推理堆疊中，包括針對 MoE 最佳化的執行環境。(Modular)

使用案例：GLM-5.2 最擅長什麼

對 Agent 與工具開發者來說，當你充分利用其長上下文與程式碼導向時，GLM-5.2 最具吸引力。

以 repository 為尺度的程式 Agent

100 萬上下文、High/Max 推理模式與 function calling 的組合，使 GLM-5.2 成為以下工作的強力候選：

• 自主式程式碼庫重構與遷移。
• 跨服務相依分析與 API 介面探索。
• 在多個 repository 間進行多步驟除錯流程。

開發者指南指出，GLM-5.2 是在「warehouse-scale」工程任務上測試，而不是玩具 repo，且長上下文明確用來「撐住真實 repository，而不是在幾十萬 token 之後就崩掉」。(dev.to)

長週期 Agent 工作流程

由於 GLM-5.2 能維持超大上下文並提供推理控制，因此適合以下類型的 Agent：

• 保留豐富、token 層級的過往執行記憶，而不是不斷摘要。
• 透過 function call 在多輪之間協調多工具工作流程（API、資料庫、搜尋、內部工具）。(CometAPI)
• 在同一個上下文中混合規劃與執行——把計畫、中間結果與 logs 和原始碼、文件放在一起。(Lush Binary)

多篇評論將 GLM-5.2 定位為對開發者對「長跑型」Agent 的需求回應：能在問題上持續數小時而不會碰到硬性上下文限制。(note)

多語言開發與文件

GLM-5.2 保有強大的多語言支援，英文與中文皆為第一級語言，並沿襲自 GLM-5 系列的更廣泛多語言能力。這使它對於跨英文與中文程式碼庫及文件的團隊特別有吸引力，尤其是在開源場景中。(apidog)

限制與未解問題

GLM-5.2 充滿野心，但仍有幾點需要留意：

• 評測仍不完整。 在沒有完整 benchmark 套件的情況下上線，代表早期採用者必須依賴自報成績與零散測試。(AI Weekly)
• 100 萬上下文未必總是完整開放。 某些平台，例如 Cloudflare Workers AI，目前部署的上下文仍遠低於 100 萬（例如 262k tokens），即使底層模型支援更高。(note)
• MoE 與長上下文推理很吃硬體。 即便有 IndexShare 與 MTP 最佳化可降低每 token FLOPs，自架一個 100 萬 token 的 MoE 執行仍比小型 dense model 昂貴得多——GLM-5.2 並不是可直接替代單張消費級 GPU 輕量推理的模型。(apidog)

GLM-5.2 如何融入 AI Agent 生態系

從策略上看，GLM-5.2 推動了 Agent 領域中的三個趨勢：

1. 開放權重的前沿模型。 GLM-5.2 證明了前沿級程式與 Agent 能力，加上 100 萬上下文，確實可以在寬鬆授權下釋出——讓開源生態擁有更大的槓桿。(Gigazine)
2. 以 Agent 為先的定位。 Z.ai 明確把 GLM-5.2 品牌化為一個針對長期工作流程優化的「agent-oriented」模型，而不只是聊天——這正符合認真做自動化的開發者所期待的方向。(Atlas Cloud)
3. 把上下文視為一級產品特性。 GLM-5.2 不只是小幅度行銷升級，而是跳升到可實用的 100 萬 token——再加上 IndexShare 與 MTP 等基礎設施變化——這代表長上下文可靠性正逐漸成為 Agent 平台的基本門檻。(Latent Space)

對創辦人、平台開發者與 Agent framework 作者來說，開放權重、Agentic 調校與極大上下文的組合，使 GLM-5.2 成為值得嘗試的模型——不論是作為主引擎，或是多模型路由策略的一部分。

這正是 模型無關、多人協作的多 Agent 基礎架構 的典型場景。模型版圖變化很快，而真正能勝出的平台，是那些能在不重構整個堆疊的情況下，把像 GLM-5.2 這樣的模型接進來，處理難題的平台。就像我們曾經 在 Eigent 的 CAMEL Workforce 上測試 MiniMax M2.1 一樣，像 GLM-5.2 這樣的開放權重模型也能順暢地接入同一層 orchestration。若這正是你正在打造的基礎，歡迎探索開源、多 Agent 平台 Eigent 如何讓你在真實世界工作流程中編排專門模型。

常見問題

GLM-5.2 是什麼？

GLM-5.2 是智譜 AI（Z.ai）的最新旗艦開放權重模型，針對程式開發、推理與 Agent 工具使用進行調校。它採用 Mixture-of-Experts 架構（總參數約 7530 億、每個 token 約 400 億活躍參數），具備 100 萬 token 上下文視窗，並以 MIT 開源授權發布。

GLM-5.2 的上下文視窗有多大？

GLM-5.2 透過 glm-5.2[1m] 模型 ID 支援 100 萬 token 上下文視窗——大約是前一代 GLM-5.x 視窗的五倍。請注意，有些平台目前提供的上下文少於完整 100 萬（例如 Cloudflare Workers AI 目前部署為 262k tokens）。

GLM-5.2 是開源的嗎？

是。Z.ai 正以 MIT 授權的開放權重模型形式釋出 GLM-5.2，權重可在 Hugging Face 取得（例如 zai-org/GLM-5.2 與 FP8 版本），延續 GLM-5 與 GLM-5.1 的開放權重做法。

GLM-5.2 的價格是多少？

Z.ai 將 GLM-5.2 作為其 GLM Coding Plan 各方案的預設旗艦。在 OpenRouter 等第三方 gateway 上，它的價格約為每 100 萬輸入 token $1.4（輸出更高）——在某些地區大約比 GPT-5 或同級前沿模型便宜一個數量級。

GLM-5.2 的 High 與 Max 推理模式是什麼？

它們是兩個「thinking-effort」層級。High 是日常程式任務的預設模式，使用 chain-of-thought 推理與有限預算，以兼顧速度與可靠性。Max 則會提高推理預算，適合較困難的問題——如非平凡 bug、跨服務重構與多步驟規劃——但代價是延遲與 token 成本增加。

我可以在 Eigent 中使用 GLM-5.2 嗎？

可以。Eigent 的模型無關、多人協作架構可讓你透過其 MCP 工具與 Skills 框架把任務路由到 GLM-5.2——利用它的長上下文與程式碼導向處理 repository 級工作，同時保留其他模型處理例行任務。