I pesi di GLM-5.2 sono open e posso eseguirlo localmente?

Sì — GLM-5.2 è rilasciato sotto licenza MIT senza restrizioni regionali, e i pesi sono su Hugging Face. Z.ai supporta il deployment locale tramite i framework SGLang, vLLM, Transformers, KTransformers, Unsloth e Ascend NPU.

Quanto costa GLM-5.2 e qual è la sua finestra di contesto?

Attraverso l’API Z.ai il prezzo è $0.06 per milione di token in input e $7.00 per milione di token in output, con una finestra di contesto da 1.048.576 token (circa 1 milione).

In cosa differisce GLM-5.2 da GLM-5.1?

GLM-5.2 aggiunge una finestra di contesto stabile da 1 milione di token (contro una finestra più corta in 5.1), punteggi di codifica più forti su SWE-bench Pro e Terminal Bench, livelli di sforzo di ragionamento flessibili e cambiamenti architetturali — IndexShare e un layer MTP migliorato — che riducono il calcolo per token a contesti lunghi e aumentano la lunghezza di accettazione del decoding speculativo.

▲

21.7%

questa settimana

GLM 5.2

9057°

#llm #z-ai #ragionamento #programmazione #agenti #contesto lungo

Funziona su Graydient

Esegui questo modello

Offerte / Annunci

Easy Creator (Prism) Web

Illimitato · tariffa fissa

Ideale per principianti. Flussi di lavoro potenti, curva di apprendimento bassa.

PirateDiffusion Telegram

Illimitato · tariffa fissa

Crea video, immagini, personaggi chat personalizzati e altro.

Pro studio (SpyGlass) Web

Illimitato · tariffa fissa

Sfoglia modelli, rendi e affina da qualsiasi browser o telefono.

Discord bot (Vector)

Illimitato · tariffa fissa

Aggiungi Vector al tuo server o unisciti al Discord di Vector. Crea qualsiasi cosa!

Unified Editor Web

Illimitato · tariffa fissa

Editor per immagini e video: rendi, modifica, migliora e altro tutto in una pagina.

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

App locali Locale

Richiede configurazione

Installa programmi locali se il tuo computer ha l’hardware adatto.

ModelDuel Web

Paga per uso

Genera lo stesso prompt su fino a 50 modelli checkpoint/base contemporaneamente.

Noleggia una GPU nel cloud

Graydient Cloud GPU

Illimitato · tariffa fissa

Tariffa fissa, uso illimitato. Questo modello si installa con un clic.

RunPod Cloud GPU

Addebitato al minuto

Noleggia una GPU al minuto e configura il modello da solo.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Z.ai | 1,048,576 token context | $0.04/M input, $9.00/M output. GLM 5.2 is a large-scale reasoning model from Z.ai. It supports text input and output with a 1M-token context window, and is suited for long-horizon agent workflows, project-level software engineering, and complex multi-step automation. Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning. It is particularly strong at coding and tool use across long-running tasks, able to maintain engineering context and follow standards consistently through a full development workflow, from requirements to multi-platform deployment, in a single task.

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

GLM-5.2 è il modello di punta di Z.ai per il ragionamento, progettato per lavori a lungo termine: ingegneria software su scala di progetto, automazioni multi-step e pipeline agentiche che devono mantenere il contesto su un’intera finestra da 1 milione di token. I pesi open sotto licenza MIT senza restrizioni regionali lo distinguono dalla maggior parte dei concorrenti di fascia alta. Se il tuo lavoro coinvolge compiti di codifica prolungati o catene complesse di utilizzo di strumenti piuttosto che query rapide one-shot, vale la pena considerarlo seriamente.

Conosciuto per

Contesto da 1 milione di token che regge su compiti di ingegneria lunghi e multi-file
Livelli di sforzo di ragionamento regolabili, incluso un massimo impostabile su xhigh
Forti benchmark di codifica reale: SWE-bench Pro, Terminal Bench, FrontierSWE
Licenza MIT, pesi open, nessuna restrizione di accesso regionale
Miglioramenti architetturali di efficienza (IndexShare, decoding speculativo migliorato) per contesti lunghi

Attenzione a

Il costo di output a $7.00 per milione di token può crescere rapidamente su catene di ragionamento lunghe; pianifica il budget di conseguenza.
Il modello è grande; il deployment locale richiede hardware serio e un framework di inferenza supportato.
I pesi sono open ma ospitare autonomamente un run con contesto da 1 milione di token richiede infrastrutture che la maggior parte degli individui non possiede.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Costruzione di una funzionalità full-stack

Stai lavorando in un monorepo con un’API REST Node.js e un frontend React. Aggiungi un sistema di notifiche utente: progetta lo schema del database, scrivi gli endpoint API con validazione degli input, implementa il componente frontend che interroga periodicamente per nuove notifiche e scrivi test di integrazione. Segui le convenzioni di codice esistenti e spiega ogni decisione mentre procedi.

Piano di deployment multi-step

Ho un servizio Python FastAPI che attualmente gira su una singola VM. Pianifica e implementa una migrazione verso un deployment containerizzato multi-piattaforma: scrivi il Dockerfile, un file docker-compose per lo sviluppo locale, un manifesto Kubernetes per la produzione e un workflow GitHub Actions che costruisce, testa e deploya al push su main. Segnala qualsiasi assunzione che fai.

Enigma di ragionamento difficile

Cinque ingegneri possiedono ciascuno un linguaggio di programmazione diverso, bevono una bevanda diversa e siedono in fila su cinque scrivanie. L’ingegnere Rust siede accanto a chi beve espresso. L’ingegnere Python è a un’estremità. L’ingegnere Go beve tè. L’ingegnere TypeScript siede immediatamente a sinistra di quello Java. Chi beve caffè non è a nessuna delle due estremità. Chi beve acqua e a quale scrivania siede? Mostra il ragionamento passo dopo passo.

Confronta con

GLM 5.3 FlashX
Modello solo API
Contesto di 1,048,576 token · Input $0.37/M, output $1.25/M
GLM 5V Turbo
Modello solo API
Contesto di 202,752 token · Input $1.20/M, output $4.00/M
GLM 5 Turbo
Modello solo API
Contesto di 202,752 token · Input $1.20/M, output $4.00/M
GLM 5.3 Prime
Modello solo API
Contesto di 1,000,000 token · Input $2.80/M, output $8.80/M

Altri modelli di testo da z-ai

Domande frequenti

I pesi di GLM-5.2 sono open e posso eseguirlo localmente?: Sì — GLM-5.2 è rilasciato sotto licenza MIT senza restrizioni regionali, e i pesi sono su Hugging Face. Z.ai supporta il deployment locale tramite i framework SGLang, vLLM, Transformers, KTransformers, Unsloth e Ascend NPU.
Quanto costa GLM-5.2 e qual è la sua finestra di contesto?: Attraverso l’API Z.ai il prezzo è $0.06 per milione di token in input e $7.00 per milione di token in output, con una finestra di contesto da 1.048.576 token (circa 1 milione).
In cosa differisce GLM-5.2 da GLM-5.1?: GLM-5.2 aggiunge una finestra di contesto stabile da 1 milione di token (contro una finestra più corta in 5.1), punteggi di codifica più forti su SWE-bench Pro e Terminal Bench, livelli di sforzo di ragionamento flessibili e cambiamenti architetturali — IndexShare e un layer MTP migliorato — che riducono il calcolo per token a contesti lunghi e aumentano la lunghezza di accettazione del decoding speculativo.

Verdetto del capitano
Una combinazione rara: capacità di codifica e agentica di fascia alta a lungo termine, licenza MIT, con pesi che puoi davvero eseguire da solo.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #18 Hottest Text / LLM model · #18 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendenza di popolarità di GLM 5.2

Punteggio di calore da 16 Jun 2026

Punteggio di popolarità

9,057°

Questa settimana

▲

21.7%

9,030° allora, 9,057° ora

Questo mese

▲

155%

8,932° allora, 9,057° ora

Ultimo anno

n/a

Non ancora rilasciato/tracciato

7,000°

Floor

La scala va da 0° a 9.999°. Tutto ciò che sta sotto 7,000° è riservato ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete. 7,000° è dove iniziano i dati misurati: un modello con dati reali ma quasi nessun download sta al floor, e le misurazioni riempiono i gradi sopra di esso. Il floor non dice nulla sul modello; solo i gradi sopra lo fanno, e sono quelli che distinguono un modello dall'altro.

+1,739°

Token OpenRouter

6,248,561,667,512 token processati da questo modello tramite OpenRouter negli ultimi 30 giorni, prompt e risposte insieme. Ogni 10,000,000 token conta come un download nel termine di download, 624,856 in totale; i token dell'ultimo giorno contribuiscono al tasso di adozione. Fonte: OpenRouter (openrouter.ai/rankings).

+318°

Tasso di adozione

Circa 17,563 download al giorno, misurati tra due rilevazioni delle fonti, mai stimati da una media a vita. La velocità pesa un quarto del termine download, così una nuova impennata si vede senza che un picco di un giorno superi anni di uso.

Mostra dettagli

Ogni numero su questo sito può essere verificato. Il punteggio heat di questo modello è 9,057°, ed è costruito un ingrediente alla volta, con il totale progressivo dopo ogni passaggio: il floor, i gradi che ogni fonte aggiunge, il bonus per il tipo di modello e cosa toglie l'età dei suoi pesi. I colori corrispondono alle bande del grafico sopra. Il glossario alla fine definisce ogni termine.

1
Inizia dal floor.
Perché 7,000° e non zero: la scala va da 0° a 9.999°, e la parte sotto 7,000° è riservata ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete e non superare mai un modello con dati. 7,000° è dove iniziano i dati misurati. Un modello con dati reali ma quasi nessun download sta qui; tutto ciò che segue è misurazione, e lo spazio sopra il floor contiene dieci passi decuplici nei download a 300° ciascuno. Il floor è uguale per ogni modello, quindi non decide nulla; lo fanno i gradi sopra di esso.
7,000°
totale in corso
2
Aggiungi i download.
624,856 equivalenti di download in totale, da Token OpenRouter. Dieci volte i download aggiungono lo stesso 300°, quindi la dimensione conta ma non domina mai il punteggio.
+1,739°
8,739°
totale in corso
3
Aggiungi il tasso di adozione.
Circa 17,563 download al giorno in questo momento, misurati tra due rilevazioni, con un peso di un quarto.
+318°
9,057°
totale in corso
=
Il punteggio heat.
Dove si posiziona questo modello in ogni lista di questo sito. Niente altro lo modifica.
9,057°

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Come si è mosso questo modello rispetto al resto del catalogo: la sua crescita in download, like e utilizzo in ogni periodo, misurata rispetto alla crescita tipica dei modelli nello stesso periodo, con il suo punteggio di popolarità al momento. Sopra la crescita tipica indica un aumento, sotto una diminuzione. Il passato è ricostruito dai totali di oggi, dal primo giorno del modello e dalla sua velocità di download misurata quando ci sono due letture; un modello che non esisteva all'inizio del periodo mostra n/a.

Modelli simili

Command A+

TEXT / LLM

Hermes 3 70B Instruct

TEXT / LLM

Seed 2.0 Mini

TEXT / LLM

Command R7B (12 2024)

TEXT / LLM

Modelli di IA per generare immagini, video e testo

GLM 5.2 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM, controlla il punteggio di calore per vedere la tendenza e aprilo su PirateDiffusion o BitVector per provarlo.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm z-ai ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli