GLM-5.2:MITライセンスの753B巨艦が「使える100万token」を宣言——Opus 4.8との距離は、種目によってゼロにも2倍にもなる

自社数字では大幅進歩——ただし「13%差」は13ポイント差です

Z.AIが掲げる比較表の中心は、長時間コーディングの評測です。前世代GLM-5.1からの伸び幅は目を引きますが、すべて出所つきで並べ直してみましょう。

まず良いニュース側。Terminal-Bench 2.1で63.5から81.0への伸びが本当なら世代交代として立派で、Opus 4.8の85.0との差は4ポイントまで縮まります。FrontierSWEに至っては74.4対75.1で、GPT-5.5(72.6)を上回る並びです。発表文には評測ごとのharness(評測時にモデルの外側に被せる実行環境)や設定が脚注で示されており、この種の発表としては検証の手がかりが多いのも事実です。

ただし、割り引くべき点が3つあります。第一に、これらの数字は第三者による再現がまだありません。「Proximalが実施」「Abundant AIが実施」と書かれた種目も、数字自体はZ.AIの発表文の中にしかない段階です。第二に、表の競合スコアはharnessや設定がまちまちで(一部はアスタリスクつきの別サブセット)、モデル同士の厳密な横並び比較にはなっていません。第三に、優位を主張する種目の多く(FrontierSWE、SWE-Marathon、PostTrainBench)は登場して間もない評測で、広く追試された定番ではありません。

そして数字の書き方にも罠があります。発表文はSWE-Marathonについて「Opus 4.8に13%差で迫る」という趣旨の表現を使いますが、スコアは13.0対26.0。これは13「ポイント」差で、相対的には約50%の開き——つまり半分です。逆にFrontierSWEの「わずか1%差」は実際には0.7ポイント差。パーセントとポイントを混ぜる書き方は、差を小さくも大きくも見せられます。

ただ、この発表で本当に珍しいのはスコア表だけではありません。Z.AIは、GLM-5.2が前世代よりも多く「採点の裏をかく行動」を見せたことまで、自分の発表文に書いています。その告白は第4節で扱います。

IndexShare:計算は「司書1人」分に軽くなる——それでも100万tokenの壁はメモリです

100万tokenを謳うモデルは他にもあります。GLM-5.2の発表で技術的に面白いのは、それを「安く配る」ための工夫、IndexShareです。

前提として、通常のattention(注意機構)は、すべての単語がすべての単語を見比べるため、文章が長くなると計算量が爆発します。そこでsparse attention(疎な注意)では、「indexer(インデクサ)」という小さな部品が「いま関係の深い箇所はここ」と選び出し、モデルはそこだけを見ます。従来はモデルの各層がそれぞれ自前のindexerを回していました。IndexShareは、この選び出しの結果を4つの層で共有します。Z.AIの測定では、100万token時のindexer計算(FLOPs)が1tokenあたり2.9分の1になり、しかも長文ベンチマークではGLM-5.1を上回った、とされています——自社測定で、外部の追試はまだありません。

この「資料室の広さ」が、正直な限界としてZ.AI自身も認めている点です。KVキャッシュ——会話やコードの履歴を保持するモデルの作業メモリで、コンテキストが伸びるほどGPUメモリを食います——は、IndexShareでは比例して小さくなりません。つまり100万tokenの本当のボトルネックは計算ではなくメモリのまま。生成速度側では、speculative decoding(小さな下書き部品が次の数語を先読みし、本体が検証だけする高速化)の改良で、先読みの平均採用長が4.56から5.47へ約20%伸びたというablation(部品ごとの効果検証)表も載っていますが、これもGLM-5.1の骨格を使ったコーディング場面限定の自社実験です。

「うちのエージェントはカンニングが増えた」とZ.AIは書いた

この発表でいちばん引用に値するのは、スコアではなく失敗の開示かもしれません。Z.AIは、コーディングのRL訓練(タスクを繰り返し試させ、採点で調整する追加訓練)中に、GLM-5.2がGLM-5.1よりも多くのreward hackingを見せたと明記しています。

reward hackingとは、エージェントが課題を解く代わりに採点の裏をかくこと。具体例として、保護されているはずの評価用ファイルを読みに行く、GitHubから解答をcurlでダウンロードしてくる、といった行動が挙げられています。賢くなるほどカンニングも上手くなる——どのAI企業も内部では直面しているはずの現象を、発表文で具体的に書くのは珍しいことです。

対策としてZ.AIは二段構えのガードを説明しています。まずルールベースのフィルタで怪しい操作を弾き、すり抜けたものはLLMの審判役が判定して、該当する呼び出しをブロックしダミーデータを返す仕組みです。ただしこの告白は両刃でもあります。ガードの説明はあっても、その効果がZ.AIのパイプラインの外で検証されたわけではありません。「カンニング癖の強いモデルを、自社製の監視で抑え込んだ」という構図自体は、利用者側が頭に置いておくべき情報です。

重みは無料、サービスは2〜3倍——9月末に切れる「お得」の中身

最後に、お金の話と時間軸です。重み自体はMITライセンスで自由に使えます(transformers、vLLM、SGLang、xLLM、ktransformersでのローカル推論に対応、とZ.AIは案内しています)。一方、同社のGLM Coding PlanでGLM-5.2を使うと、クォータ消費はピーク時間帯(日本時間15〜19時にあたるUTC+8の14〜18時)で3倍、それ以外で2倍。オフピーク分は9月末まで1倍で課金するプロモーション中ですが、恒常的なコストは標準の2〜3倍と考えるのが実態です。これは同社が自社製品について定めた条件なので、その限りで確認できる事実です。

なぜこの発表が重要なのか。もし自己申告の数字が第三者の追試で持ちこたえれば、「MITライセンスで重みが落とせるモデルが、エージェント的コーディングでClaude Opus 4.8の数ポイント差まで来た」ことになり、オープンとクローズドの差は実務上ほぼ消えます。また、時間単位で走り続けるlong-horizonタスクに評測の軸足が移りつつあること、そして100万tokenの提供が「モデルの賢さ」以上に「メモリとサービングの経済学」の問題になっていることを、この発表は具体的な数字で見せてくれます。