Les poids de GLM-5.2 sont-ils ouverts et puis-je l’exécuter localement ?

Oui — GLM-5.2 est publié sous licence MIT sans restrictions régionales, et les poids sont disponibles sur Hugging Face. Z.ai supporte le déploiement local via les frameworks SGLang, vLLM, Transformers, KTransformers, Unsloth et Ascend NPU.

Quel est le coût de GLM-5.2 et quelle est la taille de sa fenêtre de contexte ?

Via l’API Z.ai, le prix est de 0,06 $ par million de tokens d’entrée et 7,00 $ par million de tokens de sortie, avec une fenêtre de contexte de 1 048 576 tokens (environ 1 million).

En quoi GLM-5.2 diffère-t-il de GLM-5.1 ?

GLM-5.2 ajoute une fenêtre stable d’1 million de tokens (contre une fenêtre plus courte en 5.1), de meilleurs scores en codage sur SWE-bench Pro et Terminal Bench, des niveaux d’effort de raisonnement flexibles, et des changements architecturaux — IndexShare et une couche MTP améliorée — qui réduisent le calcul par token sur les longs contextes et augmentent la longueur d’acceptation du décodage spéculatif.

▲

21.7%

cette semaine

GLM 5.2

9057°

#llm #z-ai #raisonnement #programmation #agents #contexte long

Fonctionne sur Graydient

Lancer ce modèle

Offres / Pub

Easy Creator (Prism) Web

Illimité · forfait fixe

Idéal pour les débutants. Flux de travail puissants, courbe d'apprentissage faible.

PirateDiffusion Telegram

Illimité · forfait fixe

Créez des vidéos, images, personnages de chat personnalisés, et plus encore.

Pro studio (SpyGlass) Web

Illimité · forfait fixe

Parcourez les modèles, générez et affinez depuis n'importe quel navigateur ou téléphone.

Discord bot (Vector)

Illimité · forfait fixe

Ajoutez Vector à votre serveur ou rejoignez le Discord de Vector. Créez tout ce que vous voulez !

Unified Editor Web

Illimité · forfait fixe

Éditeur pour images et vidéos : générez, modifiez, améliorez et plus encore sur une seule page.

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Applications locales

Nécessite une configuration

Installe des programmes locaux si ton ordinateur est assez puissant.

ModelDuel Web

Paiement à l'usage

Génère la même invite sur jusqu'à 50 modèles checkpoint/base en même temps.

Louer un GPU dans le cloud

Graydient Cloud GPU

Illimité · forfait fixe

Forfait fixe, usage illimité. Ce modèle s’installe en un clic.

RunPod Cloud GPU

Facturé à la minute

Louez un GPU à la minute et installez le modèle vous-même.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Z.ai | 1,048,576 token context | $0.04/M input, $9.00/M output. GLM 5.2 is a large-scale reasoning model from Z.ai. It supports text input and output with a 1M-token context window, and is suited for long-horizon agent workflows, project-level software engineering, and complex multi-step automation. Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning. It is particularly strong at coding and tool use across long-running tasks, able to maintain engineering context and follow standards consistently through a full development workflow, from requirements to multi-platform deployment, in a single task.

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

GLM-5.2 est le modèle de raisonnement phare de Z.ai conçu pour les travaux à long terme : ingénierie logicielle à l’échelle de projets, automatisation en plusieurs étapes et pipelines agentiques nécessitant de conserver le contexte sur une fenêtre complète d’1 million de tokens. Des poids ouverts sous licence MIT sans restrictions régionales le distinguent de la plupart des concurrents de pointe. Si votre travail implique des tâches de codage soutenues ou des chaînes complexes d’utilisation d’outils plutôt que des requêtes rapides en une seule fois, cela mérite une attention sérieuse.

Connu pour

Contexte d’1 million de tokens qui tient sur de longues tâches d’ingénierie multi-fichiers
Niveaux d’effort de raisonnement ajustables, incluant un réglage maximum xhigh
Excellents benchmarks réels en codage : SWE-bench Pro, Terminal Bench, FrontierSWE
Licence MIT, poids ouverts, aucune restriction d’accès régionale
Gains d’efficacité architecturale (IndexShare, décodage spéculatif amélioré) pour les longs contextes

Attention à

Le coût de sortie à 7,00 $/M tokens monte vite sur de longues chaînes de raisonnement ; prévoyez un budget en conséquence.
Le modèle est volumineux ; un déploiement local nécessite un matériel sérieux et un framework d’inférence supporté.
Les poids sont ouverts mais héberger soi-même une exécution avec contexte d’1 million de tokens demande une infrastructure que la plupart des particuliers n’ont pas.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Développement d’une fonctionnalité full-stack

Vous travaillez dans un monorepo avec une API REST Node.js et un frontend React. Ajoutez un système de notification utilisateur : concevez le schéma de la base de données, écrivez les endpoints API avec validation des entrées, implémentez le composant frontend qui interroge les nouvelles notifications, et rédigez des tests d’intégration. Suivez les conventions de code existantes et expliquez chaque décision au fur et à mesure.

Plan de déploiement en plusieurs étapes

J’ai un service Python FastAPI qui tourne actuellement sur une VM unique. Planifiez et implémentez une migration vers un déploiement conteneurisé multi-plateforme : écrivez le Dockerfile, un fichier docker-compose pour le développement local, un manifeste Kubernetes pour la production, et un workflow GitHub Actions qui construit, teste et déploie à chaque push sur main. Signalez toutes les hypothèses que vous faites.

Casse-tête de raisonnement difficile

Cinq ingénieurs possèdent chacun un langage de programmation différent, boivent une boisson différente, et sont assis en rangée à cinq bureaux. L’ingénieur Rust est assis à côté de celui qui boit un espresso. L’ingénieur Python est à une extrémité. L’ingénieur Go boit du thé. L’ingénieur TypeScript est assis immédiatement à gauche de l’ingénieur Java. Le buveur de café n’est pas à une extrémité. Qui boit de l’eau, et à quel bureau est-il assis ? Montrez votre raisonnement étape par étape.

Comparer avec

GLM 5.3 FlashX
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.37/M, sortie $1.25/M
GLM 5V Turbo
Modèle uniquement API
Contexte de 202,752 tokens · entrée $1.20/M, sortie $4.00/M
GLM 5 Turbo
Modèle uniquement API
Contexte de 202,752 tokens · entrée $1.20/M, sortie $4.00/M
GLM 5.3 Prime
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.80/M, sortie $8.80/M

Plus de modèles de texte de z-ai

Questions fréquentes

Les poids de GLM-5.2 sont-ils ouverts et puis-je l’exécuter localement ?: Oui — GLM-5.2 est publié sous licence MIT sans restrictions régionales, et les poids sont disponibles sur Hugging Face. Z.ai supporte le déploiement local via les frameworks SGLang, vLLM, Transformers, KTransformers, Unsloth et Ascend NPU.
Quel est le coût de GLM-5.2 et quelle est la taille de sa fenêtre de contexte ?: Via l’API Z.ai, le prix est de 0,06 $ par million de tokens d’entrée et 7,00 $ par million de tokens de sortie, avec une fenêtre de contexte de 1 048 576 tokens (environ 1 million).
En quoi GLM-5.2 diffère-t-il de GLM-5.1 ?: GLM-5.2 ajoute une fenêtre stable d’1 million de tokens (contre une fenêtre plus courte en 5.1), de meilleurs scores en codage sur SWE-bench Pro et Terminal Bench, des niveaux d’effort de raisonnement flexibles, et des changements architecturaux — IndexShare et une couche MTP améliorée — qui réduisent le calcul par token sur les longs contextes et augmentent la longueur d’acceptation du décodage spéculatif.

Verdict du capitaine
Une combinaison rare : codage et capacités agentiques de pointe sur long terme, sous licence MIT, avec des poids que vous pouvez réellement exécuter vous-même.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #18 Hottest Text / LLM model · #18 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendance de popularité de GLM 5.2

Score de chaleur depuis 16 Jun 2026

Score de popularité

9,057°

Cette semaine

▲

21.7%

9,030° alors, 9,057° maintenant

Ce mois-ci

▲

155%

8,931° alors, 9,057° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,739°

Tokens OpenRouter

6,248,561,667,512 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 624,856 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+318°

Taux d’adoption

Environ 17,563 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 9,057°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
624,856 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,739°
8,739°
total en cours
3
Ajoute le taux d’adoption.
Environ 17,563 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+318°
9,057°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
9,057°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

DeepSeek V3.1 Terminus

TEXT / LLM

Schematron V2 Turbo

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

GLM 5.2 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM, consultez son score de chaleur pour suivre sa tendance et ouvrez-le sur PirateDiffusion ou BitVector pour l'essayer.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm z-ai raisonnement programmation agents contexte long local

Parcourir par famille de modèles