La startup china Zhipu AI presentó GLM-5.2: contexto de 1 millón de tokens y licencia abierta MIT
La empresa china Zhipu AI ha lanzado el modelo lingüístico insignia GLM-5.2, orientado a escenarios de agentes largos y tareas de programación. La solución de código abierto cuenta con una ventana de contexto de 1 millón de tokens, licencia MIT y soporte para implementación local.
Características técnicas y arquitectura
Según las especificaciones en Hugging Face, GLM-5.2 está diseñada para generar texto en inglés y chino. El volumen de parámetros del modelo es de 753 mil millones. Los desarrolladores han implementado varios niveles de "intensidad de razonamiento", lo que permite equilibrar de manera flexible entre la calidad de la respuesta y la latencia. En la arquitectura también se integran los mecanismos IndexShare y una capa MTP actualizada para decodificación especulativa.
IndexShare reutiliza un indexador por cada cuatro capas de atención dispersa, reduciendo las operaciones por token en 2,9 veces. La actualización de MTP aumenta la longitud de confirmación hasta un 20%, lo que acelera significativamente la inferencia en escenarios complejos.
Rendimiento y benchmarks
En tres pruebas clave —FrontierSWE, PostTrainBench y SWE-Marathon— GLM-5.2 superó a todos los modelos de código abierto existentes. En los benchmarks estándar de rendimiento de programación, el desarrollo chino también ocupó la posición líder entre sus análogos de código abierto.
Disponibilidad e implementación
GLM-5.2 se distribuye bajo la licencia abierta MIT. Para la implementación local, se ha anunciado soporte para SGLang, vLLM, Transformers, KTransformers y Docker Model Runner. Además, están disponibles cuantizaciones para llama.cpp, Ollama y LM Studio, lo que hace que el modelo sea adecuado para su uso en equipos de consumo.
Opinión del experto: El lanzamiento de GLM-5.2 marca una etapa importante en la carrera de los modelos de IA de código abierto. Un contexto de 1 millón de tokens y la licencia MIT son un desafío directo a las soluciones propietarias de OpenAI y Google. Sin embargo, la cuestión clave sigue siendo la aplicabilidad práctica de dicho modelo en hardware convencional: 753 mil millones de parámetros requieren importantes recursos computacionales, incluso teniendo en cuenta la cuantización. El mercado espera pruebas de rendimiento independientes en tareas reales de programación de agentes.