GLM-5.2 มาแล้ว: โมเดลเปิดน้ำหนัก 753B context 1M ภายใต้ MIT ไล่บี้ Opus 4.8 บนงาน coding ยาว ๆ

โมเดลเปิดน้ำหนักยังเดินหน้ากดดันฝั่ง closed frontier ไม่หยุด กลางเดือนมิถุนายน 2026 Z.ai (ผู้พัฒนาสาย GLM จากจีน) ปล่อย GLM-5.2 โมเดล Mixture-of-Experts ขนาด 753B พารามิเตอร์ ที่เปิดน้ำหนักเต็มภายใต้ MIT License ไม่มีข้อจำกัดเชิงภูมิภาค พร้อมจุดขายที่ตรงใจนักพัฒนา agent โดยตรง: context 1M token ที่ใช้งานได้จริงแบบเสถียร และประสิทธิภาพ coding/agentic ที่ขยับเข้าใกล้ระดับ frontier

นี่ไม่ใช่ checkpoint bump ธรรมดา — GLM-5.2 เป็นหนึ่งในโมเดลเปิดน้ำหนักไม่กี่ตัวที่กล้าวางตัวเองเทียบตรง ๆ กับ Claude Opus 4.8 และ GPT-5.5 บนงานที่ยากที่สุดอย่าง long-horizon coding และ agentic tool use

สเปกและสถาปัตยกรรม IndexShare

GLM-5.2 เป็น MoE ขนาดรวม 753B พารามิเตอร์ (มีรายงานว่า active ราว 40B ต่อ token) จุดเปลี่ยนหลักเหนือ GLM-5.1 คือ:

• Context 1M token แบบเสถียร — ขยายขึ้นราว 5 เท่าจาก ~200K เดิม กว้างพอสำหรับ refactor ระดับทั้ง repo และ trace แบบ plan-then-execute ยาว ๆ
• Output cap 128K token — เพดาน output ที่ใช้ในการประเมิน กว้างพอสำหรับงานที่ต้องเขียนโค้ดออกมาเป็นชุดใหญ่
• IndexShare — สถาปัตยกรรมใหม่ที่ให้ทุก ๆ 4 transformer layer แชร์ indexer แบบเบาตัวเดียวกัน ผลคือ ลด FLOP ต่อ token ลง 2.9 เท่าที่ context 1M ซึ่งเป็นกุญแจที่ทำให้ context ยาวระดับนี้ “ใช้งานได้จริง” ไม่ใช่แค่ตัวเลขบนสเปก
• เลือกระดับ effort ของการ coding ได้ — ปรับสมดุลระหว่าง performance กับ latency ตามงาน

น้ำหนักโมเดลเผยแพร่บน Hugging Face และ ModelScope รองรับ inference framework หลากหลายตั้งแต่ transformers, vLLM, SGLang, xLLM และ ktransformers — ครบเครื่องมือที่ทีม self-host คุ้นเคย

คะแนน benchmark: ไล่บี้ frontier บนงานยาว

Z.ai เน้นจุดแข็งด้าน long-horizon และ agentic เป็นพิเศษ ตัวเลขที่รายงาน:

• SWE-bench Pro: 62.1 (ขึ้นจาก GLM-5.1 ที่ 58.4)
• Terminal-Bench 2.1: 81.0 (เทียบ Claude Opus 4.8 ที่ 85.0 — ตามหลังแต่ไม่ห่าง)
• FrontierSWE — ตามหลัง Opus 4.8 ราว 1% แต่แซง GPT-5.5 ราว 1%
• MCP-Atlas (Public Set): 76.8 และ Tool-Decathlon: 48.2 สำหรับงาน agentic/tool use

นอกจากนี้ ผู้ติดตามวงการอย่าง Artificial Analysis ยังจัดให้ GLM-5.2 เป็นโมเดลเปิดน้ำหนักที่ทำคะแนนสูงสุดบน Intelligence Index ของพวกเขา ณ เวลานี้ — ตอกย้ำว่าช่องว่างระหว่าง open-weight กับ closed frontier แคบลงเรื่อย ๆ (ตัวเลข benchmark ของผู้ผลิตควรอ่านควบคู่กับการทดสอบอิสระเสมอ)

“รันเองได้ไหม?” — ความจริงเรื่องฮาร์ดแวร์

ต้องพูดให้ตรง: 753B พารามิเตอร์ไม่ใช่โมเดลที่รันบน GPU ตัวเดียวที่บ้านได้ การ self-host ตัวเต็มยังต้องใช้ multi-GPU ระดับ data center หรือ GPU cloud อยู่ดี แต่ประเด็นสำคัญของ “open weights + MIT” ไม่ใช่ทุกคนต้องรันที่บ้าน — มันคือ ทางเลือกและการควบคุม: องค์กรเอาน้ำหนักไป deploy บน infra ตัวเองได้ ปรับแต่ง/fine-tune ได้ ไม่ต้องผูกกับ API เจ้าเดียว และไม่ต้องกังวลว่าโมเดลจะถูกถอดหรือขึ้นราค่าวันไหน สำหรับงานที่ต้องการ data residency หรือ compliance เข้มงวด นี่คือข้อได้เปรียบที่ closed API ให้ไม่ได้

มุมมอง AI Curator

GLM-5.2 เป็นหมุดหมายที่ชัดของเทรนด์ปี 2026: โมเดลเปิดน้ำหนักจากจีนกลายเป็นคู่แข่งจริงของ frontier ตะวันตก ไม่ใช่แค่ “ทางเลือกราคาถูก” อีกต่อไป การเลือก MIT License แบบไม่มีข้อจำกัดภูมิภาค เป็นการเล่นเกมตรงข้ามกับ license แบบมีเงื่อนไขของหลายเจ้า — มันคือการเดิมพันว่า adoption และ ecosystem ที่กว้างจะมีค่ามากกว่าการหวงน้ำหนัก และที่น่าสนใจกว่าตัวเลข benchmark คือ IndexShare: การที่พวกเขาแก้ปัญหา “context ยาวแล้ว FLOP ระเบิด” ด้วยสถาปัตยกรรม ไม่ใช่แค่ขยายตัวเลข เป็นวิศวกรรมที่จริงจัง

สำหรับ developer ไทยและ SEA นี่คือข่าวดีเชิงโครงสร้าง: ยิ่งมีโมเดลเปิดน้ำหนักระดับ frontier ภายใต้ MIT มากเท่าไร ต้นทุนการสร้างผลิตภัณฑ์ AI ที่ควบคุมเองได้ก็ยิ่งลดลง ทีมที่มีงาน sensitive — การเงิน สาธารณสุข ราชการ — ที่ส่งข้อมูลออก API ต่างประเทศไม่ได้ สามารถพิจารณา self-host GLM-5.2 บน GPU cloud ในภูมิภาคได้จริง ข้อจำกัดเดียวคือฮาร์ดแวร์ ซึ่งโมเดล open-weight ขนาดเล็กลง (เช่นรุ่น distilled/quantized ที่มักตามมา) จะค่อย ๆ ปลดล็อกให้ทีมเล็กเข้าถึงได้มากขึ้น คุ้มค่าที่จะจับตารุ่นย่อยของ GLM-5.2 ในสัปดาห์ถัด ๆ ไป

แหล่งข่าว

• GLM-5.2: Built for Long-Horizon Tasks — Z.ai (Hugging Face Blog)
• GLM-5.2 — Z.ai Blog
• zai-org/GLM-5.2 — Hugging Face