GLM-5.2 的權重是開放的嗎？我可以本地運行嗎？

是的 — GLM-5.2 採用 MIT 授權且無區域限制，權重可在 Hugging Face 取得。Z.ai 支援透過 SGLang、vLLM、Transformers、KTransformers、Unsloth 和 Ascend NPU 框架本地部署。

GLM-5.2 的費用和上下文視窗大小是多少？

透過 Z.ai API，輸入價格為每百萬標記 0.06 美元，輸出價格為每百萬標記 7.00 美元，上下文視窗為 1,048,576 標記（約 100 萬標記）。

GLM-5.2 與 GLM-5.1 有何不同？

GLM-5.2 增加了穩定的 100 萬標記上下文（5.1 版本上下文較短）、在 SWE-bench Pro 和 Terminal Bench 編碼分數更強、靈活的推理努力等級，以及架構變更——IndexShare 和改良的 MTP 層——降低長上下文的每標記計算量並提升推測解碼接受長度。

▲

21.7%

本週

GLM 5.2

9057°

#llm #z-ai #推理 #程式編碼 #代理 #長上下文

可在 Graydient 上執行

執行此模型

優惠／廣告

Easy Creator (Prism) 網頁

無限 · 固定費用

最適合初學者。強大的工作流程，學習曲線低。

PirateDiffusion Telegram

無限 · 固定費用

創建影片、圖片、自訂聊天角色等更多內容。

Pro studio (SpyGlass) 網頁

無限 · 固定費用

從任何瀏覽器或手機瀏覽模型、渲染並精修。

Discord bot (Vector)

無限 · 固定費用

將 Vector 加入你的伺服器或加入 Vector Discord。創造任何東西！

Unified Editor 網頁

無限 · 固定費用

影像與影片編輯器：在同一頁面渲染、編輯、放大等功能。

OpenRouter 終端機 / API

每個代幣付費

在瀏覽器中與此模型聊天，或用一組 API 金鑰從你的程式碼呼叫它。

如果你的電腦硬體夠強，可以安裝本地程式。

一次在最多 50 個檢查點/基礎模型上產生相同的提示。

雲端租用 GPU

固定月費，無限使用。這個模型一鍵安裝。

按分鐘租用 GPU，自行設定模型。

本模型的指南

2026年10月最佳本地大型語言模型（LLM）按使用情境分類：每個工作都適合的開放模型

我到底需要多少 VRAM 才能在本地跑 AI？

開放權重、開源與僅API：你到底能做什麼

什麼是 GGUF 檔案？量化模型解說（Q4、Q8、fp8、NF4）

全部指南

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.

船長筆記

由 Captain 撰寫，內部編輯

2026-10-13 的筆記

GLM-5.2 是 Z.ai 的旗艦推理模型，專為長期工作設計：專案規模的軟體工程、多步驟自動化，以及需要跨越完整 100 萬標記視窗保持上下文的代理流程。開放權重並採用 MIT 授權，且無區域限制，這使它在大多數前沿級競爭對手中脫穎而出。如果您的工作涉及持續的編碼任務或複雜的工具鏈使用，而非快速的一次性查詢，這款模型值得認真考慮。

以...聞名

100 萬標記上下文，能在長期多檔案工程任務中保持穩定
可調整的推理努力等級，包括最高的 xhigh 設定
強大的實際編碼基準：SWE-bench Pro、Terminal Bench、FrontierSWE
MIT 授權，開放權重，無區域訪問限制
架構效率提升（IndexShare、改良的推測解碼）以支援長上下文

注意

輸出價格為每百萬標記 7.00 美元，長推理鏈條成本累積快速；請合理預算。
模型體積龐大，本地部署需要強大硬體與支援的推理框架。
權重雖開放，但自行架設 100 萬標記上下文運行需要大多數個人無法負擔的基礎設施。

最適合

可嘗試的提示詞

全端功能開發

你正在一個 monorepo 中工作，包含 Node.js REST API 與 React 前端。新增一個用戶通知系統：設計資料庫結構，撰寫帶有輸入驗證的 API 端點，實作輪詢新通知的前端元件，並撰寫整合測試。遵循現有程式碼慣例，並在過程中解釋每個決策。

多步驟部署計畫

我有一個 Python FastAPI 服務，目前運行於單一虛擬機。請規劃並實作遷移至容器化、多平台部署：撰寫 Dockerfile、本地開發用的 docker-compose 文件、生產環境用的 Kubernetes 清單，以及一個 GitHub Actions 工作流程，在推送到 main 分支時建置、測試並部署。標註你所做的任何假設。

困難推理謎題

五位工程師各自擁有不同程式語言，喝不同飲料，坐在一排五張桌子。Rust 工程師坐在喝濃縮咖啡的人旁邊。Python 工程師坐在一端。Go 工程師喝茶。TypeScript 工程師坐在 Java 工程師的左邊。喝咖啡的人不坐在兩端。誰喝水？他坐在哪張桌子？請逐步展示推理過程。

比較

GLM 5.3 FlashX
僅限 API 模型
1,048,576 代幣上下文 · $0.37/M 輸入，$1.25/M 輸出
GLM 5V Turbo
僅限 API 模型
202,752 代幣上下文 · $1.20/M 輸入，$4.00/M 輸出
GLM 5 Turbo
僅限 API 模型
202,752 代幣上下文 · $1.20/M 輸入，$4.00/M 輸出
GLM 5.3 Prime
僅限 API 模型
1,000,000 代幣上下文 · $2.80/M 輸入，$8.80/M 輸出

更多來自 z-ai 的文字模型

常見問題

GLM-5.2 的權重是開放的嗎？我可以本地運行嗎？: 是的 — GLM-5.2 採用 MIT 授權且無區域限制，權重可在 Hugging Face 取得。Z.ai 支援透過 SGLang、vLLM、Transformers、KTransformers、Unsloth 和 Ascend NPU 框架本地部署。
GLM-5.2 的費用和上下文視窗大小是多少？: 透過 Z.ai API，輸入價格為每百萬標記 0.06 美元，輸出價格為每百萬標記 7.00 美元，上下文視窗為 1,048,576 標記（約 100 萬標記）。
GLM-5.2 與 GLM-5.1 有何不同？: GLM-5.2 增加了穩定的 100 萬標記上下文（5.1 版本上下文較短）、在 SWE-bench Pro 和 Terminal Bench 編碼分數更強、靈活的推理努力等級，以及架構變更——IndexShare 和改良的 MTP 層——降低長上下文的每標記計算量並提升推測解碼接受長度。

船長評語
罕見的組合：前沿級長期編碼與代理能力，MIT 授權，且權重可自行運行。

Hugging Face 上的模型卡

船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。

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

GLM 5.2 熱度趨勢

熱度分數，自 16 Jun 2026 起

熱度分數

9,057°

本週

▲

21.7%

9,030° 當時，9,057° 現在

本月

▲

155%

8,932° 當時，9,057° 現在

過去一年

n/a

尚未發布/追蹤

7,000°

基準值

分數範圍是從 0° 到 9,999°。低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們會有一個替代數字，讓列表保持完整。7,000° 是有測量數據開始的地方：有真實數據但幾乎沒下載的模型會在基準值，之後的度數才是測量結果。基準值本身不代表模型好壞，只有基準值以上的度數才會區分模型。

+1,739°

OpenRouter 代幣

此模型在過去30天內透過 OpenRouter 處理了 6,248,561,667,512 代幣，包含提示和回答。每 10,000,000 代幣算作一次下載，共 624,856 次；最後一天的代幣會加入採用率。來源：OpenRouter (openrouter.ai/rankings)。

+318°

採用率

大約每天 17,563 次下載，根據兩次來源讀取間的變化計算，不是用整個生命週期平均。速度佔下載項目的四分之一，能反映新熱潮，但不會讓一天的爆量超過多年累積。

顯示詳細分析

這個網站上的每個數字都可以查證。這個模型的熱度分數是 9,057°，這裡會一步步拆解它的組成，每加一項就會顯示目前的總分：基準值、每個來源增加的度數、模型類型的加分，以及權重年齡帶來的扣分。顏色對應上方圖表的區間。最後的詞彙表會解釋每個術語。

1
從基準值開始。
為什麼是 7,000° 而不是零：分數範圍是 0° 到 9,999°，低於 7,000° 的部分是留給還沒被任何來源報告的模型，它們有替代數字，讓列表完整且不會超過有數據的模型。7,000° 是有測量數據開始的地方。有真實數據但幾乎沒下載的模型會在這裡；之後的度數是測量結果，基準值以上有十個十倍下載的階段，每階段增加 300°。基準值對所有模型都一樣，不會決定排名；真正區分模型的是基準值以上的度數。
7,000°
累計總和
2
加入下載量。
總共 624,856 個下載等值，來自 OpenRouter 代幣。下載量增加十倍會增加相同的 300°，所以大小很重要，但不會主導分數。
+1,739°
8,739°
累計總和
3
加入採用率。
目前大約每天 17,563 次下載，根據兩次讀取間的差異計算，權重是下載量的四分之一。
+318°
9,057°
累計總和
=
熱度分數。
這個模型在本網站所有排行榜上的位置。沒有其他因素會調整它。
9,057°

詞彙表：這裡使用的術語

熱度分數: 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
底線: 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
下載等值: 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
對數刻度: 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
喜歡數: 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
採用率: 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
實測與估算: 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
種子節點: 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
AI Horde: 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
生成網站: 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
OpenRouter 代幣: 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（檢查點）: 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
LoRA和嵌入: 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
家族與權重: 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
年齡: 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
家族加成: 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
替代分數: 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
全新！(寬限期): 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
趨勢: 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
典型模型: 目錄中的中間值：一半模型在該期間成長較快，一半較慢。