AI
IT之家模型更新

智譜：GLM-5.2 將面向 GLM Coding Plan 全量用戶開放，模型下週正式開源

2026年6月13日 14:34
智譜：GLM-5.2 將面向 GLM Coding Plan 全量用戶開放，模型下週正式開源

重點摘要

智譜宣布 GLM-5.2 將面向 GLM Coding Plan 全量用戶開放，該模型預計下週正式開源。GLM-5.2 被稱為智譜迄今能力最強的開源模型，支援真正可用的 1M 上下文，並在長程任務中持續保持領先。

站內 AI 整理稿

### 智譜 GLM-5.2 即將全面開放：最強開源模型支援百萬級上下文，下週正式釋出

中國 AI 新創公司智譜（Zhipu AI）近日宣布，其最新開源模型 GLM-5.2 將於下週正式向「GLM Coding Plan」的全量用戶開放，並同步進行原始碼與模型權重的開源釋出。根據官方說法，GLM-5.2 是智譜迄今為止能力最強的開源版本，不僅支援真正可用的 1M（約一百萬 tokens）超長上下文，也在各類長程任務（Long-context Tasks）中持續保持領先水準。此消息一出，立即引起開源社群與 AI 開發者的高度關注。

### 重點整理：1M 上下文、長程任務領先

GLM-5.2 最引人矚目的特點在於其突破性的上下文長度。1M 的上下文窗口意味著模型能夠一次性處理相當於數百頁文件或大量程式碼的資訊量，這對於需要理解長篇文件、大型程式庫或複雜對話歷史的應用場景來說是一大躍進。智譜強調，GLM-5.2 不再是「僅能支援長上下文」的理論規格，而是在實際使用中能夠穩定運作、維持連貫性的「真正可用」方案。此外，該模型在長程檢索、摘要、問答與程式碼生成等任務中，表現均優於智譜先前推出的所有開源模型。

### 背景脈絡：智譜開源策略與 GLM Coding Plan

智譜自 GLM 系列推出以來，持續以「開源開放」為核心策略之一。GLM-5.2 的釋出並非孤立事件，而是智譜「GLM Coding Plan」的一環——該計畫專注於提升模型在程式碼理解與生成方面的能力，並吸引開發者參與測試與反饋。過去幾個月，智譜陸續推出 GLM-4 系列的多個變體，逐步拉近與國際頂尖開源模型（如 Llama、Mistral）的差距。GLM-5.2 的推出，不僅象徵智譜在長上下文技術上的突破，也顯示其希望透過開源生態來擴大影響力，特別是在程式碼開發與自動化領域。

### 可能影響：開發者與長上下文應用的新契機

對開源社群而言，GLM-5.2 的全面開放將提供一個可直接部署的百萬級上下文模型。目前市面上支援類似上下文長度的開源模型並不多，且大多存在效能瓶頸或記憶體消耗過高的問題。GLM-5.2 若能如官方所言實現「真正可用」，將大幅降低開發者打造長文件分析、全庫程式碼搜尋、超大規模知識庫問答等應用時的門檻。此外，對於企業內部部署自建 LLM 的團隊來說，一台消費級 GPU 能否順利運行 1M 上下文的模型仍是未知數，但智譜強調其已在推理效率上進行優化，值得後續測試驗證。

### 讀者可關注的後續：開源時間、評測與實測

讀者不妨留意以下幾個面向：首先，下週的開源釋出將包括模型權重、推理程式碼與使用文件，屆時可從智譜官方 GitHub 或 Hugging Face 頁面取得。其次，建議關注第三方評測機構或社群對 GLM-5.2 在長上下文基準測試（如 LongBench、L-Eval）上的實際表現，以及與其他開源模型（如 Llama 3.1 的 128K 版本）的比較。此外，智譜是否會同步推出 API 服務或針對 Coding Plan 用戶提供獨家功能，也是開發者期待的焦點。最後，由於 GLM-5.2 標榜「迄今最強」，未來是否會進一步推出更大參數量的閉源版本，也值得追蹤。

### 結語：開源長上下文模型的新里程碑

綜合來看，GLM-5.2 的推出不僅是智譜技術實力的展現，也為開源 LLM 生態注入了一劑強心針。在許多頂尖模型逐步轉向封閉授權的趨勢下，智譜持續堅持開源路線，讓更多研究人員與中小型開發團隊有機會接觸到百萬級上下文的能力。隨著下週原始碼的正式公開，我們預計將看到一系列圍繞長上下文應用的創新實驗與產品誕生，而這也正是開源精神最迷人的地方。

原始來源：IT之家 ↗
查看原始來源

Related

相關文章

MarkTechPost AI模型更新

Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages

This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather

13 分鐘前
MarkTechPost AI模型更新

Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight

Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp

14 小時前
36氪模型更新

智譜新高，MiniMax承壓，“大模型雙雄”命運殊途

這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

16 小時前