GLM-5.2：長尺タスク向けに設計された次世代オープンソースAIモデル
GLM-5.2の主要機能と100万トークンコンテキストウィンドウの実現
Z.aiは、長尺タスク向けに特化した最新のフラッグシップモデル「GLM-5.2」を発表しました。このモデルの最大の特徴は、前身であるGLM-5.1の20万トークンから大幅に拡張された、安定した100万トークンのコンテキストウィンドウを搭載している点です。これにより、中規模のコードリポジトリ全体を作業メモリに保持することが可能となり、従来のモデルで必要とされた頻繁な要約作業が不要になります。GLM-5.2は、単に長いコンテキスト長を受け入れるだけでなく、実際のエンジニアリングのプレッシャー下でもその品質を安定して維持することを目指して設計されています。
また、GLM-5.2は、性能とレイテンシのバランスを取るための複数の思考努力レベル（HighおよびMax）を備えた高度なコーディング機能を導入しています。特に「Max」努力レベルでは、より高い性能が要求される困難なタスクにおいて追加の計算リソースを割り当てることができ、モデルのコーディング能力をさらに向上させることが可能です。出力トークン数も最大131,072トークンをサポートしており、長尺の応答生成に対応しています。GLM-5.2は、地域制限のないMITオープンソースライセンスの下で提供されており、技術的なアクセスに国境はありません。
アーキテクチャの革新と効率性向上
GLM-5.2の長大なコンテキスト長と高い性能は、その基盤となるアーキテクチャの革新によって支えられています。GLM-5.2は、GLM-5から継承された7,440億の総パラメーターを持つMixture-of-Experts（MoE）モデルを基盤としており、各トークンに対して400億のパラメーターがアクティブになります。これは、28.5兆トークンものデータでトレーニングされており、効率的な長文コンテキスト推論を可能にするDeepSeek Sparse Attention（DSA）の上に構築されています。
特に、GLM-5.2には以下の二つの主要なアーキテクチャ改善が施されています。
-
IndexShareの導入: これは、4つの疎なアテンションレイヤーごとに同じインデクサーを再利用する手法です。100万トークンのコンテキスト長において、この最適化によりトークンあたりの計算FLOPsを2.9倍削減します。
-
MTP（Multi-Token Prediction）層の改善: 推論時の投機的デコーディングにおいて、受け入れられるトークン長を最大20%増加させます。
これらの改善は、長大なコンテキスト長を効率的に処理し、高負荷なコーディングワークロードにおける推論のボトルネック（KVキャッシュ容量、長文コンテキストカーネルのオーバーヘッド、CPU側オーバーヘッドなど）を軽減するために不可欠です.
卓越したコーディング性能とベンチマーク結果
GLM-5.2は、様々なベンチマークでその卓越した性能を示しており、特に長尺のコーディングタスクにおいて、オープンソースモデルの中で最も強力であるとされています。
主要なコーディングベンチマークでは、GLM-5.1と比較して大幅な改善を達成しています。例えば、Terminal-Bench 2.1では81.0（GLM-5.1の63.5から改善）、SWE-bench Proでは62.1（GLM-5.1の58.4から改善）を記録しました。これらの結果は、クローズドソースの最先端モデルとの差を大きく縮めており、Terminal-Bench 2.1ではClaude Opus 4.8（85.0）に数ポイント差まで迫り、Gemini 3.1 Proを上回っています。
長尺コーディングベンチマークでも、GLM-5.2は優れたパフォーマンスを発揮しています。 FrontierSWE（数時間から数十時間かかるオープンエンドの技術プロジェクトを完了できるかを測定）では、GLM-5.2はClaude Opus 4.8にわずか1%差で迫り、GPT-5.5を1%、Claude Opus 4.7を11%上回りました。PostTrainBench（H100 GPUを与えられたエージェントが、後学習を通じて小規模モデルをどれだけ改善できるかを評価）では、Claude Opus 4.7とGPT-5.5の両方を上回り、Claude Opus 4.8に次ぐ2位にランクインしています。
さらに、ツール使用評価のMCP-AtlasではGPT-5.5（75.3）を上回る77.0を達成し、外部ツールを使用したHumanity’s Last ExamではGPT-5.5（52.2）より高い54.7を記録しました。ユーザーによるブラインドテストが行われるArenaのコーディング性能テストでは、Claude Fable 5を上回り世界第1位を獲得しました。ベンチマークプラットフォームBenchLM.aiでは、GLM-5.2は暫定リーダーボードで124モデル中3位、総合スコア94/100を達成し、トップティアのAIモデルとしての地位を確立しています。
開発者・エンジニア視点での考察
-
長尺タスクにおけるエージェントの自律性向上への貢献: 100万トークンのコンテキストウィンドウと高度なコーディング能力により、GLM-5.2は複数のファイルにまたがる大規模なリファクタリング、API移行、デバッグなどの複雑なプロジェクトレベルのタスクにおいて、エージェントの自律的な実行を大幅に強化します。これにより、開発者はより高レベルの目標設定に集中し、モデルに詳細な実装計画と実行を委ねることが可能になり、生産性の劇的な向上が期待されます。
-
オープンソースとしてのエコシステムへの影響とカスタマイズの可能性: MITライセンスでのオープンソース公開は、GLM-5.2が広範な開発者コミュニティに採用され、その能力が多様なアプリケーションで活用される大きな機会を提供します。企業は、モデルのコアウェイトをダウンロードし、Hugging FaceやModelScopeを通じて自由にカスタマイズやファインチューニングを行い、オンプレミスまたは仮想マシン上で運用できるため、特定のビジネスニーズに合わせた最適化とセキュリティ要件の遵守が容易になります。
-
計算資源と性能のバランスを考慮した柔軟な運用戦略: GLM-5.2が提供する「思考努力レベル」の制御機能は、開発者がタスクの要件に応じてモデルの計算コストと性能を柔軟に調整できるという点で非常に実用的です。日常的なコーディングアシストには「High」モードで効率性を重視し、複雑な問題解決やデバッグ時には「Max」モードで最高の知能を追求するといった使い分けにより、限られたGPUリソース下でも最適な開発ワークフローを構築できます。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
