Заин Хасан, инженер по ИИ в Together AI, научился пользоваться ИИ-ассистентами для кодинга, не забывая о расходах. Сложные задачи он направляет к передовым моделям, таким как Fable от Anthropic, а для более простых запросов выбирает менее мощные и дешёвые языковые модели.
Сейчас его основная бюджетная альтернатива — GLM 5.2, выпущенная 16 июня пекинской лабораторией Z.ai. Это модель с открытыми весами: любая организация с достаточными аппаратными ресурсами может скачать её и использовать бесплатно. Те, кто платит Z.ai за доступ через API, тратят 4,40 доллара за миллион выходных токенов — это менее пятой части от цены Opus 4.8 и в десять раз дешевле Fable, модели для программирования от Anthropic. (Выходной токен — это базовая единица текста, генерируемая моделью в ответ на промт.)
Однако, по словам Хасана, многие разработчики по всему миру ещё не полностью осознают итоговую стоимость ИИ для конкретного проекта. «Во многих компаниях до сих пор разбираются с этой технологией, поэтому лимитов по токенам нет, — объясняет Хасан. — А когда платит кто-то другой, проще всего выбрать самую мощную модель». Эта привычка не считать затраты, подкреплённая отсутствием бюджетов на токены в софтверных компаниях, сегодня может служить главным защитным рвом для передовых ИИ-лабораторий США.
Z.ai сокращает разрыв с американскими конкурентами
GLM 5.2 — это большая языковая модель (LLM) с 753 миллиардами параметров, хотя одновременно активны лишь 40 миллиардов, что оптимизирует скорость ответа. Z.ai выпустила её под лицензией MIT, разрешающей свободно распространять, копировать, модифицировать и использовать модель.
Релиз GLM 5.2 усилил опасения, что американские ИИ-компании могут потерять конкурентное преимущество. Модель почти сравнивается с Opus 4.8 в некоторых бенчмарках агентного кодинга, таких как FrontierSWE и PostTrainBench. Исследователи кибербезопасности также обнаружили высокие результаты GLM 5.2 в тестах на защищённость, что вызвало сравнения с Mythos от Anthropic.
Появление Z.ai вписывается в общий тренд. Согласно индексу ИИ Стэнфордского университета (ежегодному обзору из более 300 страниц), китайские компании в 2025 году создали чуть более половины от числа «заметных» ИИ-моделей, произведённых американскими компаниями. Для сравнения: в 2023 году этот показатель составлял примерно треть, а в 2020 — пятую часть.
GLM 5.2 вызвала обеспокоенность у некоторых обозревателей в США из-за выдающихся бенчмарков, установивших новые рекорды как для моделей с открытыми весами, так и для китайских разработок в целом. Китайское происхождение также усложняет использование модели для американских и других компаний, опасающихся передачи чувствительных данных через инфраструктуру, связанную с КНР. Однако открытые веса дают выход: любую организацию, беспокоящуюся о том, куда направляются их данные, может разместить модель на собственном оборудовании. Это выгодно отличает GLM 5.2 от большинства передовых моделей, доступных только через API без возможности самостоятельного хостинга.
В день запуска Z.ai опубликовала собственный исследовательский отчёт, подтверждающий характеристики GLM 5.2.
Отчёт не упоминает Mythos или Fable от Anthropic, поскольку на момент релиза они были анонсированы, но ещё не были общедоступны. Вместо этого авторы сосредоточились на Opus 4.8 и GPT-5.5 от OpenAI. И хотя GLM 5.2 часто показывает результаты почти на уровне Opus 4.8, отчёт фиксирует победу лишь в двух менее сложных тестах на рассуждение — и ни в одном на программирование.
Во многих бенчмарках из отчёта GLM 5.2 уступила Opus 4.8 (а иногда и GPT-5.5) в агентном кодинге. К примеру, GLM 5.2 выполнила лишь 13% задач в SWE-Marathon, сложном долговременном бенчмарке агентного кодинга. Claude Opus 4.8 удвоил этот результат. Opus 4.8 также одержал победу с отрывом в 10% и более в бенчмарках NL2Repo, DeepSWE и Tool-Decathlon.
Как разработчики используют GLM 5.2?
Разработчики, испытавшие GLM 5.2 в своих рабочих процессах, делятся разными впечатлениями.
«Главное, что я заметил с GLM 5.2 — она способна выполнять более длительные задачи, — говорит Хасан, чья компания размещает модель на североамериканской инфраструктуре. — Более ранние модели с открытыми весами часто теряли нить после пяти-пятнадцати обменов репликами. С этой же можно работать часами, и она сохраняет связную мысль».
Дэвид Никс, ведущий инженер-программист в денверской компании MetaRouter, применяет LLM как в основной работе, так и в сторонних проектах (Никс также управляет доской вакансий для ИИ-инженеров). По его оценке, GLM 5.2 подбирается «очень близко» к передовым моделям вроде Opus и GPT-5.5 — достаточно близко, чтобы занять постоянное место в его арсенале. «Она отлично справляется с фронтенд-разработкой, где мне не всегда нужны Opus или Fable», — отмечает Никс. По его оценкам, на GLM 5.2 приходится 10–20% задач, которые он отправляет LLM в течение дня, и сейчас это его первый выбор для некоторых специфических задач, таких как дизайн интерфейсов.
Другие разработчики подтверждают это преимущество. Хасан отмечает, что у GLM 5.2 «действительно хороший вкус» в веб-дизайне. Каспер Михалик, инженер-программист в краковской компании Screen Studio, получил хорошие результаты при создании форм для веб-сайта с помощью GLM 5.2.
С другой стороны, Сай Киран Мьядарам, разработчик из бенгалурской компании Indhic AI, сообщает о менее позитивном опыте. Он оформил подписку Z.ai на неделе запуска GLM 5.2 и обнаружил, что модель быстро исчерпывает лимит токенов. «Недельная квота Z.ai заканчивалась у меня меньше чем за два-три дня», — жалуется он. Михалик, также пользовавшийся прямым доступом к Z.ai, не столкнулся с серьёзными проблемами качества, но иногда упирался в ограничения по частоте запросов, хотя и оставался на бесплатном тарифе.
Помимо лимитов, Мьядарам столкнулся с галлюцинациями модели и излишним планированием при попытке внести небольшие исправления в фронтенд. «Она портила мою кодовую базу», — говорит он. С тех пор он вернулся к использованию Codex от OpenAI.