GLM-5.2 (MIT, contexte 1M)
Exécutez GLM-5.2, le modèle phare de codage à contexte 1M sous licence MIT de Z.ai, sur une grande configuration multi-GPU du marketplace Clore.ai
GLM-5.1 était déjà le modèle ouvert à battre en génie logiciel. GLM-5.2 fait passer Terminal-Bench 2.1 de 63,5 à 81.0 et SWE-bench Pro de 58,4 à 62.1, et il le fait avec une licence MIT pendant que le reste de la frontière se tournait vers des conditions personnalisées avec des seuils de revenus.
Le hic, c’est la taille. Le checkpoint FP8 fait 756 Go. Ce n’est pas un modèle sur une seule carte, et il ne le sera jamais. Ce qui le rend intéressant sur Clore.ai, c’est que les builds quantifiés entrent dans le plafond des plus gros rigs du marketplace.
Spécifications clés
Paramètres
~750B au total, ~40B actifs (MoE)
Architecture
78 couches, 256 experts routés, 8 actifs par token, attention clairsemée IndexShare, MTP
Contexte
1 000 000 de tokens
Licence
MIT
Date de sortie
13 juin 2026
Poids
FP8 756 Go · Q2_K_XL GGUF 254 Go · IQ1_S GGUF 217 Go
Outils principaux
SGLang ≥ 0.5.13.post1, vLLM ≥ 0.23.0, llama.cpp
Nouveautés par rapport à GLM-5.1
Contexte solide d’1M — pas un chiffre accrocheur, mais une fenêtre qui tient la route sur les travaux à long horizon
IndexShare — un seul indexeur réutilisé sur chaque groupe de quatre couches d’attention clairsemée, réduisant les FLOPs par token de 2,9× à 1M de contexte
MTP amélioré — longueur d’acceptation du décodage spéculatif augmentée jusqu’à 20 %
Effort de réflexion flexible — arbitrer la latence contre la profondeur par requête
Toujours sous licence MIT — les poids n’imposent aucune restriction d’utilisation
Exigences
Ce modèle a besoin d’un rig, pas d’une carte. Le FP8 à 756 Go dépasse toutes les machines du marketplace Clore.ai. Les plus grosses configurations listées sont des 4× RTX PRO 6000 Blackwell (380 Go) et des 10–11× RTX 5090 (310–341 Go). Le GGUF quantifié est la seule voie ici ; l’inférence en pleine précision doit tourner sur bare metal.
UD-IQ1_S
217 Go
8× RTX 5090 (248 Go) — 47 serveurs listés à ≥242 Go
UD-IQ2_M
239 Go
8× RTX 5090, serré
UD-Q2_K_XL
254 Go
10× RTX 5090 (310 Go) ou 4× RTX PRO 6000 (380 Go)
UD-Q3_K_M
343 Go
4× RTX PRO 6000 (380 Go) uniquement — 2 serveurs de ce type listés
UD-IQ4_XS
365 Go
4× RTX PRO 6000, sans marge
Ajoutez 10–15 % à la taille des poids pour le cache KV et les activations aux longueurs de contexte d’exploitation, et vérifiez la RAM système : ces rigs ont besoin de suffisamment de mémoire pour préparer les poids au chargement.
Déployer avec llama.cpp sur un rig multi-GPU
La voie réaliste sur le matériel du marketplace. Louez un rig 10× RTX 5090 (environ $5.00/h au dernier relevé) et répartissez le modèle sur toutes les cartes :
Déployer avec vLLM ou SGLang (FP8, matériel dédié)
Si vous avez la capacité — bare metal ou votre propre cluster — Z.ai prend en charge directement les deux moteurs :
Checkpoints quantifiés prêts à l’emploi pour d’autres stacks : nvidia/GLM-5.2-NVFP4 pour Blackwell, cyankiwi/GLM-5.2-AWQ-INT4 pour les stacks AWQ, amd/GLM-5.2-MXFP4 pour Instinct.
Recommandations GPU Clore.ai
8× RTX 5090
248 Go
IQ1_S / IQ2_M
~2,00–3,50 $/h
10× RTX 5090
310 Go
Q2_K_XL
~5,00 $/h
4× RTX PRO 6000 Blackwell
380 Go
Q2_K_XL ou Q3_K_M
~5,00 $/h
Il n’existe à tout moment qu’une poignée de rigs de cette taille — 47 serveurs à ≥242 Go, dont 9 libres au dernier relevé. Vérifiez le marketplace avant de planifier autour d’un tel rig.
Benchmarks
D’après la fiche modèle de Z.ai elle-même (13 juin 2026). Des reproductions indépendantes existent pour les suites de codage ; considérez les chiffres de raisonnement comme fournis par l’éditeur.
Terminal-Bench 2.1 (Terminus-2)
81.0
63.5
64
65
Terminal-Bench 2.1 (meilleur banc d’essai)
82.7
69
—
—
SWE-bench Pro
62.1
58.4
55.4
59
NL2Repo
48.9
42.7
35.5
42.1
DeepSWE
46.2
18
8
20
HLE
40.5
31
37.7
37
AIME 2026
99.2
95.3
94.6
—
GPQA-Diamond
91.2
86.2
90.1
93
Cas d’usage
Agents de codage autonomes — les gains sur Terminal-Bench et DeepSWE correspondent exactement au comportement à long horizon dont les agents ont besoin
Raisonnement sur dépôt entier — contexte d’1M avec attention clairsemée qui reste abordable sur la durée
Travaux de migration et de refactorisation — NL2Repo mesure la construction d’un dépôt à partir d’une spécification, et GLM-5.2 mène dans le champ ouvert
Alternative auto-hébergée aux API fermées de pointe — MIT signifie que vous pouvez l’intégrer dans un produit
Cadres d’évaluation par lots — louez un gros rig à la minute, lancez le balayage, clôturez la commande
Dépannage
Le téléchargement prend une éternité
254 Go en Q2 — filtrez le marketplace pour des serveurs à haut débit et utilisez --include pour récupérer une seule quantification
OOM réparti sur plusieurs GPU
--split-mode layer dans llama.cpp ; dans vLLM, augmentez --tensor-parallel-size au nombre total de GPU
Le premier token prend des minutes
Supprimez --mmap, gardez le modèle sur NVMe local, et préchauffez avec une courte invite
vLLM rejette la configuration
Nécessite ≥ 0.23.0 ; SGLang nécessite ≥ 0.5.13.post1
La qualité semble dégradée en IQ1
C’est une version 1 bit d’un modèle de 750B. Passez à Q2_K_XL ou plus si le rig le permet
Le rig disparaît en plein téléchargement
Quelqu’un d’autre l’a loué. Utilisez la location à la demande plutôt que le spot pour les longs travaux de configuration
Étapes suivantes
Prédécesseur : GLM-5.1 — la sortie d’avril 744B
Tient plutôt sur une seule carte : Qwen3.8-27B — Apache 2.0, 15 Go en Q4
Même catégorie de taille : MiniMax M3 · Nemotron 3 Ultra · DeepSeek V4
Dimensionnement du rig : Tarifs et disponibilité des GPU · Configuration multi-GPU
Liens
Louez un GPU : RTX 5090 · Place de marché · Bare metal
Mis à jour
Ce contenu vous a-t-il été utile ?