11 февраля 2026 года компания Zhipu AI (Z.ai) выпустила флагманскую модель GLM-5 — и сразу открыла её веса под лицензией MIT. Незадолго до релиза модель неделю работала в анонимном режиме под псевдонимом Pony Alpha и успела возглавить рейтинг популярности на площадке OpenRouter, обойдя коммерческих конкурентов. Разработчики вычислили её по стектрейсам и совпадениям токенизатора — так индустрия узнала, что открытая модель уже вышла на уровень фронтира. Разбираем, что представляет собой GLM 5, чем она отличается от GLM-4.5, как выглядит на фоне GPT-5.2, Claude Opus 4.5 и Gemini 3 Pro и кому эта нейросеть подойдёт в первую очередь.
Что такое GLM-5 и кто её создал
GLM-5 — языковая модель пятого поколения линейки General Language Model, которую развивает Zhipu AI, компания, выросшая из Университета Цинхуа в 2019 году. Серия развивается с 2022 года, а предшественница GLM-4.5 насчитывала 355 млрд параметров. Сфера специализации семейства — программирование, агентные задачи и длинный контекст.
Архитектура Mixture of Experts
В основе GLM-5 лежит архитектура «смеси экспертов» (MoE): 744 млрд общих параметров, из которых одновременно активны только 40 млрд. В общей сложности задействованы 256 экспертов, но на каждый токен срабатывают лишь 8 (разреженность 5,9%). Такая конфигурация даёт ёмкость тяжеловеса при экономичном инференсе: модель хранит огромный объём знаний, но за один проход обрабатывает лишь малую долю весов. По масштабу это примерно вдвое больше предшественницы GLM-4.5.
Обучение прошло на корпусе объёмом 28,5 трлн токенов — против 23 трлн у GLM-4.5. Для дообучения методом обучения с подкреплением Zhipu разработала собственный асинхронный фреймворк slime, ускоривший пост-тренинг и позволивший делать более тонкие итерации при файнтюнинге.
Разреженное внимание и длинный контекст
Ещё одна инженерная особенность — механизм DeepSeek Sparse Attention (DSA), заимствованный у DeepSeek и снижающий стоимость развёртывания при сохранении работы с длинными последовательностями. Контекстное окно GLM-5 достигает 202 тыс. токенов (около 150 страниц), а лимит генерации за один ответ — до 128 тыс. токенов, то есть порядка 96 страниц формата А4. Для сравнения: у большинства популярных моделей максимальный вывод ограничен 4–8 тыс. токенов.
Ключевые возможности GLM-5
Разработчики заявляют о прогрессе по пяти направлениям:
- Программирование: генерация кода, отладка, рефакторинг логики в нескольких файлах с учётом общей архитектуры, мультиязычная поддержка проектов на всём жизненном цикле.
- Агентные сценарии: встроенная агентная архитектура с автономным планированием, вызовом инструментов, веб-навигацией и многошаговыми workflow с минимальным участием человека.
- Продвинутое рассуждение: многошаговая логика уровня фронтира — математические доказательства, научный анализ, сложные аналитические задачи.
- Творческий контент: длинные тексты, техническая документация, маркетинговые материалы и академическая проза со стилистической гибкостью.
- Длинный контекст: обработка массивных документов, кодовых баз и расшифровок в одной сессии без потери связности.
Из практичных функций — режим Extended Thinking (пошаговое рассуждение «вслух»), встроенный веб-поиск для ответов на основе актуальных данных, структурированный вывод в JSON и XML, чтение PDF и таблиц, потоковая генерация. Нативно модель формирует файлы .docx, .xlsx и .pdf без промежуточного Markdown — это удобно для документооборота.
Бенчмарки: как GLM-5 соотносится с конкурентами
По официальным результатам Zhipu AI GLM-5 занимает первое место среди открытых моделей на ключевых тестах кодинга и агентных задач, вплотную приблизившись к закрытым флагманам:
| Бенчмарк | GLM-5 | Claude Opus 4.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|---|
| SWE-bench Verified | 77,8% | 80,9% | 76,2%–80,0% | 80,0% |
| SWE-bench Multilingual | 73,3% | 77,5% | 65,0% | 72,0% |
| Terminal-Bench 2.0 | 56,2 | 59,3 | 54,0–54,2 | — |
| BrowseComp | 62,0 | 37,0 | — | 37,8 |
| τ²-Bench | 89,7 | 91,6 | 90,7 | 85,5 |
| Humanity’s Last Exam (w/ Tools) | 50,4 | 43,4 | 45,8 | 45,5 |
Особенно показательны агентные тесты. На BrowseComp, где оценивается навигация по вебу, GLM-5 обходит Claude Opus 4.5: 62,0 против 37,0, а с управлением контекстом — 75,9 против 67,8, лучший результат среди всех моделей. В симуляции Vending Bench 2, где агент ведёт виртуальный бизнес, GLM-5 заработала 4432 доллара — первое место среди открытых моделей и почти уровень Claude Opus 4.5 (4967 долларов), притом что GPT-5.2 остановился на 3591. На тесте Humanity’s Last Exam с инструментами модель также впереди закрытых конкурентов.
Важно учитывать, что это вендорские цифры: независимые испытания обычно дают чуть более скромные результаты. Тем не менее сама констатация знаменательна — разрыв между открытыми весами и проприетарным фронтиром сократился до нескольких процентных пунктов.
Эволюция линейки: GLM-5.1, 5.2 и 5.3
Семейство развивается стремительно. GLM-5.1, вышедшая 27 марта 2026 года, улучшила кодинг-метрику с 35,4 до 45,3 балла (+28%) и достигла 94,6% производительности Claude Opus 4.6 в программировании — при том, что модель обучена целиком на чипах Huawei Ascend без оборудования NVIDIA. GLM-5.2 в июне 2026 года стала лидером открытых моделей на long-horizon бенчмарках кодинга. В августе вышла GLM-5.3, показавшая прирост 50% по внутреннему тесту Z.ai Code Bench и возглавившая бенчмарк поиска уязвимостей CyberGym — среди открытых моделей.
Отдельного внимания заслуживает GLM-5.3 Flash: 320 млрд параметров (18 млрд активных), первая нативно мультимодальная модель серии с гибридной схемой sparse + linear attention. Она работает на миллионном контексте и стоит всего 0,075 доллара за миллион входных токенов — примерно в 40 раз дешевле Claude Sonnet 5 при сопоставимом качестве на кодинге. Интересная деталь: модель неделю тоже проработала инкогнито под именем Ox Alpha и, по данным сообщества, целиком тренировалась на китайских AI-чипах.
Сильные и слабые стороны
Плюсы
- Лучшее соотношение цены и качества в открытой категории: флагман GLM-5 стоит около 0,80–1,00 доллара за миллион входных и 2,40–3,20 доллара за миллион выходных токенов — на порядок дешевле Claude Opus и GPT-5.2.
- Полная открытость: лицензия MIT позволяет скачать веса с Hugging Face и ModelScope, разворачивать локально, дообучать и использовать в коммерческих проектах без ограничений.
- Технологическая независимость: обучение на Huawei Ascend с фреймворком MindSpore делает стек санкционно-устойчивым — модель можно развернуть на доступном оборудовании без оглядки на геополитику.
- Сильные агентные навыки: веб-навигация, вызовы инструментов, работа с MCP, длинные многошаговые сценарии.
- Качественная поддержка русского языка на уровне базовых и профессиональных задач — технические тексты и терминология обрабатываются уверенно.
Минусы
- Отсутствие мультимодальности у базовой GLM-5: модель чисто текстовая, не видит изображения и не анализирует аудио — эту нишу закрывают только более свежие версии серии.
- «Агрессивная» тактика в агентных задачах: ранние пользователи отмечают, что модель слишком прямолинейно добивается цели и хуже оценивает контекст, чем Claude. Нужен человеческий контроль (human-in-the-loop).
- Высокий порог входа для локального развёртывания: полноценный запуск 744-миллиардной модели требует кластера, доступного не каждому малому бизнесу.
- Контекст 202K — топовый показатель, но уже не рекорд: у DeepSeek миллион токенов, у Claude — до 500K–1M.
- Тонкие нюансы русского языка, идиоматика и авторский стиль даются хуже, чем у Claude.
Цены и способы доступа
GLM-5 доступна по трём каналам. Первый — открытые веса на Hugging Face и ModelScope бесплатно под лицензией MIT. Второй — облачная платформа Z.ai и приложение Zhipu Qingyan с бесплатным доступом, ограниченным по частоте запросов. Третий — API через Z.ai или сторонних провайдеров инференса: например, DeepInfra FP8 предлагает blended-цену около 1,24 доллара за миллион токенов при 57 токенах в секунду. Веса поддерживаются популярными инструментами — модель подключается даже к Claude Code простой правкой конфига.
Сравнение с рынком: кому подходит GLM-5
Семейство GLM-5 занимает нишу «исполнительного инженера». GLM-5 и её версии — лучший выбор, когда нужен автономный агент для многошаговых инженерных задач, портирования легаси-кода, системной архитектуры и работы с терминалом по минимальной цене. Claude Opus остаётся сильнее в тонкой стилистике, безопасном поведении и строгой валидации схем. GPT-5.2 держит лидерство в математике (AIME 2025) и экосистемных интеграциях. DeepSeek дешевле по чистому прайсу, а Qwen 3.5 хорош в GPQA Diamond среди открытых моделей. Выбор между ними сводится к балансу цены, открытости и специализации под конкретный пайплайн.
Сценарии применения
- Full-stack разработка: от постановки требований до развёртывания, включая рефакторинг и реверс-инжиниринг низкоуровневых протоколов.
- ИИ-агенты и автоматизация: ассистенты с планированием, поиском информации, публикацией контента и ответами в мессенджерах через фреймворки вроде OpenClaw.
- Обработка документов: генерация отчётов, технической документации, структурированное извлечение данных из PDF и таблиц.
- Аналитика: многошаговый разбор рыночных исследований, финансовых сравнений и юридических документов.
- Импортонезависимый офис: локальное развёртывание на отечественном или китайском железе для компаний с жёсткими требованиями к данным.
Вывод: стоит ли пробовать GLM-5
GLM-5 — первый случай, когда открытая модель фактически сравнялась с коммерческим фронтиром в инженерных задачах, а линейка GLM-5.x продолжает наращивать отрыв от конкурентов в открытой категории. Для разработчиков это больше вариантов при меньших затратах; для бизнеса — возможность построить независимую ИИ-инфраструктуру с нулевыми переменными издержками при локальном развёртывании. Ограничения — мультимодальность базовой версии, требования к оборудованию и необходимость контроля агентной тактики — реальны, но не критичны для целевых сценариев. Перед выбором модели полезно свериться с независимыми тестами и практическими разборами: на информационном портале подробные обзоры ИИ-инструментов помогут сопоставить GLM-5 с альтернативами под вашу задачу.
