Дешёвая китайская AI-модель заставляет разработчиков пересмотреть свои расходы

Ключевые моменты

• Z.ai выпустила GLM 5.2 16 июня 2025 года — большую языковую модель с 753 миллиардами параметров всего, но только 40 миллиардами активными одновременно, что обеспечивает более быстрый ответ.
• Z.ai берёт $4,40 за миллион выходных токенов (фрагменты текста, которые генерирует модель) — менее одной пятой сопоставимой цены на Opus 4.8 от Anthropic.
• GLM 5.2 — это открытая архитектура, что означает: любая организация с собственным оборудованием может загрузить и запустить модель без платежей Z.ai.
• По данным индекса AI Index от Стэнфорда, китайские лаборатории создали чуть более половины заметных AI-моделей в 2025 году по сравнению с лабораториями США, что выше показателя примерно трети в 2023 году.
• По собственным тестам Z.ai, GLM 5.2 выполнила всего 13 процентов задач в SWE-Marathon, сложном долгоиграющем тесте кодирования, тогда как Claude Opus 4.8 от Anthropic получила в два раза больший результат.

Заин Хасан — инженер по AI в Together AI и человек, который тщательно отслеживает свои расходы на AI-инструменты. Сложные задачи отправляют топовым моделям, простые — более дешёвым вариантам. Его нынешний выбор для экономных задач — GLM 5.2.

GLM 5.2 создана Z.ai, пекинской AI-лабораторией. Модель стоит $4,40 за миллион выходных токенов через API Z.ai (интерфейс программирования, позволяющий вашему приложению взаимодействовать с моделью). Это менее одной пятой цены Claude Opus 4.8 от Anthropic и примерно одна десятая цены кодовой модели Fable от Anthropic. О релизе впервые сообщила IEEE Spectrum AI, он состоялся 16 июня 2025 года.

Кроме того, это открытая архитектура: Z.ai опубликовала базовые данные модели, так что любой, кто располагает достаточной вычислительной мощностью, может загрузить и запустить её самостоятельно, бесплатно.

Действительно ли GLM 5.2 достаточно надёжна?

Для многих задач — да, но с явными ограничениями. Дэвид Никс, главный инженер-программист компании MetaRouter из Денвера, говорит, что GLM 5.2 достаточно близка к топовым американским моделям, чтобы справиться с 10–20 процентами его ежедневной работы с AI. Работу над фронтенд-дизайном он доверяет ей в первую очередь.

Хасан отмечает, что модель способна поддерживать логическую нить мысли на протяжении часов диалога. Более ранние дешёвые модели часто теряли нить после пяти-пятнадцати обменов.

Не все получили гладкие результаты. Саи Киран Мядарам, инженер-программист компании Indhic AI в Бангалоре, исчерпал свою недельную квоту токенов Z.ai менее чем за три дня. Он столкнулся с галлюцинациями (когда AI уверенно даёт неправильные или выдуманные ответы) и чрезмерным переплаиванием простых исправлений, после чего вернулся к Codex от OpenAI.

Вопрос конфиденциальности — вполне реальный. GLM 5.2 приходит из Китая, и некоторые американские компании беспокоятся о том, что чувствительный код может пройти через серверы, связанные с Китаем. Открытая архитектура — практический ответ: разместите модель на собственном оборудовании, и ваши данные никогда не покинут стены здания. Большинство топовых американских моделей этого предложить не могут; они находятся за API без возможности самостоятельного размещения. Наша статья от 14 июля о Grok Build, который тихо загружал кодовые базы, показала, насколько мало контроля инженеры обычно имеют над тем, куда попадает их код.

Тесты рисуют неоднозначную картину. Собственный отчёт исследований Z.ai показывает, что GLM 5.2 отстаёт от Opus 4.8 от Anthropic в большинстве тестов кодирования, хотя практически сравнивается с Opus 4.8 в некоторых более коротких тестах агентного кодирования (тесты, в которых AI-программное обеспечение самостоятельно выполняет многоэтапные задачи программирования).

Должны ли вы беспокоиться о стоимости игнорирования этого?

Более серьёзная проблема, как утверждает Хасан, заключается в том, что большинство команд разработчиков не знают, что стоят им AI-инструменты за проект. Когда платит компания, инженеры по умолчанию выбирают самую мощную модель. GLM 5.2 не заменит лучшие американские модели для самых сложных задач. Но для рутинной работы разница в цене реальна и достаточно велика, чтобы её игнорирование начинало выглядеть как выбор, а не упущение.