中国のZ.aiが、長時間の自律作業やシステム開発を狙った大規模言語モデル群「GLM-5」「GLM-5.1」「GLM-5.2」を、いずれも総744B（実働40B）パラメータの重み付きで公開した。GitHub の zai-org/GLM-5 は1日あたり約480スターのペースで急上昇している。
中国のZ.aiが、長時間の自律作業やシステム開発を狙った大規模言語モデル群GLM-5／GLM-5.1／GLM-5.2を公開した。いずれも総744B・実働40Bパラメータ規模で、重みがHugging FaceとModelScopeでBF16およびFP8形式で配布されている。GitHub の zai-org/GLM-5 は1日あたり約480スターのペースで急上昇し、総スター数は4,574に達している。
前世代のGLM-4.5は総355B・実働32Bで、事前学習データは23兆トークンだった。GLM-5ではこれを総744B・実働40B、データ28.5兆トークンへ拡大した。最新のGLM-5.2は100万トークンの長文脈に対応し、4層ごとに索引を共有する仕組み（IndexShare）で計算量を約2.9倍削減したと説明している。SGLang・vLLM・Transformersでの自前運用にも対応する。
ただし公式はGLM-5.2公開時点でベンチマーク数値を出しておらず、第三者記事に出てくる比較値は裏取りができない。仕様の大きさは確認できるが、実性能は自社タスクでの実測が必要になる。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
GLM系列はZ.aiが開発するオープンウェイトの基盤モデルで、前世代のGLM-4.5は総パラメータ355B（うち実働32B）だった。GLM-5ではこれを744B（実働40B）へ拡大し、事前学習データも23兆から28.5兆トークンへ増やしている。長文脈を低コストで扱うため疎な注意機構（DeepSeek Sparse Attention）を取り入れ、さらに大規模強化学習を効率化する独自基盤「slime」を開発したとしている。GLM-5.2では4層ごとに索引を共有する仕組み「IndexShare」を導入し、100万トークン時の計算量を約2.9倍削減したと説明している。
744B級のモデルを重み付きで公開する動きは、クローズドな最前線モデルとの差を埋めるオープン勢の存在感を示す。コーディングやエージェント作業での性能を主張しており、自社環境で動かしたい開発者には検証材料となる。ただしGLM-5.2の公開時点では公式がベンチマーク数値を出しておらず、本文中の比較値は参考にとどめて自分で確かめる姿勢が要る。
中国のZ.aiが、複雑なシステム開発や長時間の自律作業（エージェント処理）を狙った大規模言語モデル群「GLM-5」「GLM-5.1」「GLM-5.2」を公開した。いずれも総744B・実働40B（推論時に実際に動く部分）パラメータ規模で、重みがHugging FaceとModelScopeでBF16およびFP8形式で配布されている。GitHub の zai-org/GLM-5 リポジトリは1日あたり約480スターのペースで急上昇し、総スター数は4,574に達している。
GLM-5: From Vibe Coding to Agentic Engineering
上の見出しは「思いつきでコードを書く段階から、AIが自律的にエンジニアリングを進める段階へ」という意味で、エージェント用途を前面に出した位置づけを示している。
最新版のGLM-5.2は100万トークンの長文脈（一度に読み込める入力量）に対応すると説明されている。前世代のGLM-4.5は総355B・実働32Bだったが、GLM-5では総744B・実働40Bへ拡大し、事前学習データも23兆から28.5兆トークンへ増やしている。
長文脈を低コストで扱うため、必要な部分だけに注意を向ける疎な注意機構（DeepSeek Sparse Attention）を取り入れている。さらにGLM-5.2では4層ごとに索引を共有する仕組み（IndexShare）を導入し、100万トークン時の計算量を約2.9倍削減したと説明している。
Z.AI releases GLM-5.2 with 1M context window on Hugging Face
これらの仕組みは、長い設計書やコードベース全体を一度に読ませたい開発者にとって、メモリと計算量の上限という現実的な壁を動かす設計差分になる。
GLM-5.2は公開時点で公式がベンチマークスコアを出していない。Z.ai はコーディングやエージェント作業での性能を主張しているが、第三者の解説記事に出てくる「フロンティアモデルとの比較値」は公式の裏付けがなく、参考にとどめて自分で確かめる姿勢が要る。
つまり「744B級・100万トークン・重み公開」という仕様は事実として確認できる一方、「どれだけ賢いか」は採用前に自社タスクで測るしかない。仕様の大きさと実性能を切り分けて評価する必要がある。
立場別、明日から動ける一手。
GLM-5.2のFP8重みとBF16重みで、自社GPUのメモリ消費と推論速度の差を比較する。
自社の定型コーディングタスクで、GLM-5.2の生成成功率と100万トークン入力時のレイテンシを測る。
GitHub上で zai-org/GLM-5 が1日あたり約480スターのペースで急上昇し、総4,574スターに達している。
744B級（実働40B）のモデルを重み付きで公開した点や、GLM-5.2の100万トークン長文脈への注目が集まる。一方で、公式が公開時点でベンチマーク数値を出していないため、性能主張をどう裏付けるかが論点となっている。自社GPUでSGLangやvLLMを使って閉じた環境で動かせる点を歓迎する開発者の関心が高い。
※トレンド検出時刻付近の人気投稿を表示
