1M上下文+28%低幻觉率，智谱GLM-5.2凭什么杀入编程三强？

六月的AI圈，两件事撞在了一起。

Anthropic突然收到美国商务部信函，援引“国家安全”条款，要求立即切断Fable 5和Mythos 5面向外国公民的访问通道。Anthropic索性让这两款模型对全球用户集体下线。上线72小时、被寄予厚望的“全世界最强模型”，说没就没了。X上阅读量迅速破千万，一些依赖Fable 5构建产品的开发者睡醒后发现，工具链直接断裂。

几乎同一时间，智谱发布公告，将旗下最强模型GLM-5.2全量开放，宣言很直接：前沿智能属于所有人。更巧的是时间——Anthropic在5点21分收到信，智谱也选在5点21分开放了GLM-5.2。前沿智能刚被关上围墙，隔一秒就被智谱砸穿。

市场回应很快。智谱在港股市值盘中突破1万亿港元，年内涨幅超过1900%，成了中国首个万亿AI公司。真金白银的价格信号，正在给中国开源大模型重新定价。

如果你长期关注AI编程，对“最强Coding模型”的御三家不会陌生，过去圈内习惯把牌发给Claude、OpenAI和谷歌。现在GLM-5.2上桌了。

在汇集全球百万用户盲测的Code Arena上，GLM-5.2以1595分排总榜第二，仅次于暂不可用的Fable 5。也就是说，在当前所有可用的模型里，GLM-5.2是“现役最强”。Artificial Analysis的智能指数v4.1给了它51分，直接落在GPT-5.5和Opus 4.8之间。这是开源模型第一次杀到这个区间。以前是“开源追赶闭源”，现在变成了“平起平坐”。

再看更考验工程能力的长程编程基准FrontierSWE，GLM-5.2得分74.4，跟Opus 4.8的75.1差距不到1个百分点，顺带把GPT-5.5的72.6甩在了身后。专门测试Agent训练能力的PostTrainBench上同样排名第二，依然跟在Opus 4.8后面。谷歌的Gemini这次被确确实实地淘汰出了“御三家”。现在的三足鼎立是Claude、OpenAI和智谱。

国外开发者社区的反应更有意思。X上的博主AICodeKing内测完给了句评价：“模型品位出色，代码始终非常干净。”还有人表示，体感比Codex好很多，像花20万买国产电车，开起来比50万的BBA还好。前微软总裁Mat Velloso直接盖章，说这是他“第一个达到日常使用标准的开源模型”。

那些关于“国产大模型跟海外差距两三年”的说法，至少在Coding这件事上，可以收一收了。

不过光看跑分其实没什么意思。这两年AI圈一个趋势越来越明显：单次输出能力的差距正在被抹平，真正拉开模型档次的，是长时间干活靠不靠得住。就像面试时人人都说“我能行”，真上了班才知道谁在摸鱼。

想象这个场景：让AI智能体去处理一个真实项目，需要数千次调用工具、读写数万行代码，维持大量中间状态。如果上下文窗口不足，就得频繁压缩或丢弃早期信息。很多长任务失败，不是因为模型不够聪明，而是它忘了前面的内容。这就相当于让一个人边干活边扔笔记，干到最后铁定出岔子。“金鱼系AI”，说的就是这个。

GLM-5.2这次最大的升级，是把上下文窗口拉到了真正能用的1M token。这个数字什么意思？你基本可以把整个项目代码库、所有技术文档、需求说明、历史记录一次性全喂进去，它不仅吃得下，还记得住。相当于给AI装了个“1TB的大脑内存”，再也不怕它断片了。

实际效果呢？据智谱官方披露，有评测团队让GLM-5.2一次性承接完整全栈应用开发任务，从开发、联调、测试到打包上线全程自主完成，最终交付了覆盖网页端、移动端与小程序的完整应用。整个任务累计处理超过88万tokens，几乎用满了1M窗口。

过去这个体量的工程通常需要团队协作数周，而GLM-5.2在一个回合内完整保留了所有项目状态和约束，没有因上下文不足而在执行中途失忆。短上下文模型跑到后半段时，最初的需求细节和模块依赖关系早已被压缩丢弃，它能输出零散的代码片段，但整合不出可交付的完整产品。就像拼图拼到一半把图纸扔了，最后拼出个四不像。

这就是长上下文真正的意义，不是参数表上多一个更大的数字，而是让AI Coding从“会写一段代码”进化到“能做一段工程”。当然也得说实话，1M上下文不是万能的。如果只是改个小函数、补个简单脚本，把整个代码库塞进去反而是浪费，模型更容易过度设计。杀鸡用牛刀，牛刀也委屈。真正适合的场景是整库理解、跨文件追Bug、长期重构、复杂功能新增这类活儿。智谱这次也实在，在模型文档里专门讲了什么时候别用1M：大活用大窗，小活别硬塞。

看到这里，有一个疑问绕不开：GLM-5.2参数规模744B，采用MoE架构，活跃参数约40B。而Opus 4.8和GPT-5.5都是保守估计在1到2万亿参数区间的闭源模型。一个只有对手几分之一规模的模型，凭什么追得这么近？

因为更大的模型不必然更聪明。就像健身房里的肌肉男，不一定跑得过精瘦的马拉松选手。

Artificial Analysis的AA-Omniscience基准测试了一个很有价值的指标：幻觉率。也就是模型在面对自己不确定的问题时，是诚实地说“不知道”，还是自信地瞎编一个答案。结果颇令人震惊：GPT-5.5的幻觉率是86%，Claude Opus 4.8是36%，Fable 5是48%，而GLM-5.2只有28%。那些万亿参数巨兽，在面对知识边界之外的问题时，有超过八成的时间在自信地胡说八道。参数大，胆子更大，啥都敢编。

有人测试过，让DeepSeek V4 Pro和GLM-5.2分别设计一个Python自定义异步事件循环策略，其中包含一个技术上不可能完成的任务：在单线程中执行多路复用I/O而从不暂停或利用系统轮询。DeepSeek V4 Pro花了3分52秒、7700个推理token，生成了一份结构精美但完全错误的代码。而GLM-5.2只用了12秒、799个推理token，就直接指出这个需求在技术上不可行。

这好比装修时问师傅“能不能在不改动承重墙的前提下把客厅扩大一倍”。小模型说“这做不到”；大模型却说“没问题”，然后画出一份看似完美却根本没法施工的设计图。小模型是真良心师傅，大模型是纯忽悠大师。

更大的参数量、更长的推理时间，并不必然带来更好的判断力。在某些场景下，它们反而让模型更不愿意承认自己不知道。