Chiński model GLM-5.2 od laboratorium Z.ai kosztuje w API około pięć razy mniej niż Anthropic Opus 4.8 przy generowaniu tokenów wyjściowych — 4,40 USD wobec ok. 22 USD za milion tokenów. Analiza IEEE Spectrum pokazuje jednak, że w najtrudniejszych zadaniach programistycznych model wyraźnie ustępuje droższemu rywalowi.
Najważniejsze w skrócie
- Cena tokenów wyjściowych GLM-5.2: 4,40 USD za milion (ok. 16 zł), przy ok. 22 USD (ok. 80 zł) dla Opus 4.8.
- 753 mld parametrów łącznie, z 40 mld aktywnych naraz — architektura Mixture of Experts.
- Model open-weight na licencji MIT, do pobrania i samodzielnego hostowania.
- SWE-Marathon: 13% ukończonych zadań wobec ok. 26% dla Opus 4.8.
- Okno kontekstu 1 mln tokenów, premiera w połowie czerwca 2026 roku.
Pięć razy taniej, ale nie za darmo w wynikach
Najmocniejszym argumentem GLM-5.2 jest cena. Za milion tokenów wyjściowych Z.ai liczy 4,40 USD, podczas gdy Anthropic Opus 4.8 kosztuje około 22 USD, a droższy Anthropic Fable — około 44 USD. To różnica rzędu pięcio- i dziesięciokrotnej. Do tego model jest open-weight na licencji MIT, więc każda organizacja z odpowiednim sprzętem może pobrać go i hostować bez opłat licencyjnych.
| Model | Cena / mln tokenów wyj. | Względem GLM-5.2 |
|---|---|---|
| GLM-5.2 | 4,40 USD | — |
| Anthropic Opus 4.8 | ~22 USD | ~5× drożej |
| Anthropic Fable | ~44 USD | ~10× drożej |
Ta przewaga cenowa ma jednak swoją cenę w jakości. Jak podaje IEEE Spectrum, w benchmarku SWE-Marathon?SWE-Marathon: Benchmark mierzący zdolność modelu do długich, wieloetapowych zadań programistycznych. — mierzącym zdolność do długich, wieloetapowych zadań programistycznych — GLM-5.2 ukończył 13% zadań, mniej więcej połowę tego, co Opus 4.8 (ok. 26%). Podobny dystans, ponad 10 punktów, dzielił oba modele w testach NL2Repo, DeepSWE i Tool-Decathlon.
Gdzie GLM-5.2 dorównuje, a gdzie odstaje
Obraz nie jest jednak jednoznaczny. W części benchmarków — FrontierSWE i PostTrainBench — modele były niemal na remis. GLM-5.2 wypadł też mocno w testach cyberbezpieczeństwa, gdzie porównywano go z modelem Mythos od Anthropic. Karta modelu na Hugging Face podaje z kolei własne, wyższe wyniki na innych benchmarkach kodowania (m.in. SWE-bench Pro 62,1 i Terminal Bench 2.1 82,7), co pokazuje, jak bardzo obraz zależy od doboru testu.
Różnica w metodologii to nie przypadek. Wyniki producenta i niezależne testy mierzą różne rzeczy — te pierwsze często dobrze wyselekcjonowane zadania, te drugie trudniejsze scenariusze zbliżone do realnej pracy. Dla zespołów oceniających model liczy się, który benchmark odpowiada ich własnym zadaniom.
Jak to wygląda w codziennej pracy
Opinie praktyków są mieszane. Zain Hasan z Together AI zwraca uwagę, że model „radzi sobie z dłuższymi zadaniami" i utrzymuje spójność przez wiele godzin interakcji. David Nix z MetaRouter szacuje, że GLM-5.2 obsługuje u niego 10–20% codziennej pracy z modelami i wyróżnia się w tworzeniu front-endu — deweloperzy chwalą jego „dobry gust" w projektowaniu stron i formularzy.
Są też problemy. Sai Kiran Myadaram z Indhic AI zgłasza, że mimo płatnej subskrypcji wyczerpał limit tokenów „w niecałe dwa–trzy dni". Pojawiają się też okresowe ograniczenia przepustowości i halucynacje wpływające na jakość kodu.
Szerszy kontekst chińskiego AI
GLM-5.2 wpisuje się w trend zauważalny w danych Stanford AI Index. W 2025 roku chińskie firmy wypuściły nieco ponad połowę tylu „znaczących" modeli AI co amerykańskie — wobec około jednej trzeciej w 2023 roku i jednej piątej w 2020. Rosnąca konkurencyjność chińskich laboratoriów najmocniej widać właśnie w modelach open-weight, gdzie niska cena i otwarta licencja obniżają barierę wejścia.
Dlaczego to ważne?
GLM-5.2 pokazuje, że w kodowaniu wspomaganym AI cena i jakość to dziś dwie osobne osie, a nie jedna skala. Dla zespołów, które generują duże ilości kodu w prostych i średnio trudnych zadaniach, pięciokrotnie tańszy model open-weight może być racjonalnym wyborem — nawet jeśli w najtrudniejszych, wieloetapowych zadaniach ustępuje liderowi. Otwarta licencja MIT dodatkowo zmienia rachunek: brak opłat licencyjnych i możliwość samodzielnego hostowania to argument dla firm wrażliwych na koszty i na prywatność danych. Jednocześnie luka na najtrudniejszych benchmarkach przypomina, że dla zadań krytycznych, gdzie liczy się niezawodność w długim horyzoncie, droższe modele wciąż mają przewagę. Dla rynku oznacza to postępującą segmentację: nie „najlepszy model", lecz „najlepszy model do konkretnego zadania i budżetu".
Co dalej?
- Model jest już dostępny jako open-weight na licencji MIT — organizacje mogą go pobrać i hostować samodzielnie bez opłat.
- Realnym ograniczeniem pozostają limity tokenów w płatnych planach — zgłaszane wyczerpanie kwoty w 2–3 dni wpłynie na opłacalność w intensywnym użyciu.
- Kolejne niezależne benchmarki kodowania zdecydują, czy przewaga cenowa przełoży się na realną adopcję wobec Opus 4.8.
Źródła
- IEEE Spectrum — Chinese AI Model Uses Less Muscle for Coding Tasks
- Hugging Face — GLM-5.2 (zai-org)
