GLM-5.2: Fitur, Penyiapan, Tolok Ukur, dan Panduan Beralih Model

Juni jelas menjadi bulan yang menarik untuk rilis model AI. Anthropic meluncurkan Claude Fable 5 lalu menariknya dari akses publik. Moonshot AI merilis Kimi K2.7-Code, melaporkan peningkatan +21,8% pada Kimi Code Bench v2 dibanding pendahulunya. Terbaru, Z.ai mengumumkan GLM-5.2, model AI andalan terbarunya untuk coding dan agen, yang tersedia segera untuk semua pengguna GLM Coding Plan, termasuk tier Lite, Pro, Max, dan Team.

GLM-5.2 hadir dengan jendela konteks 1 juta token, hingga 131.072 token keluaran, dan dua tingkat upaya penalaran: high dan max. Meski Z.ai awalnya tidak menerbitkan skor tolok ukur resmi, dokumentasi developer yang baru dirilis mengonfirmasi GLM-5.2 sebagai model open-source terdepan di berbagai metrik coding utama, menempatkannya mendekati model frontier tertutup. Pengumuman tersebut selain itu berfokus pada ketersediaan, konteks, dan roadmap open-source, dengan bobot berlisensi MIT yang disebut masih dalam proses.

Pada artikel ini, saya akan membahas apa itu GLM-5.2, apa yang baru dibanding GLM-5.1, cara beralih ke model ini di Claude Code, OpenClaw, dan Cline, serta apa arti tolok ukurnya bagi praktisi. Anda juga dapat melihat perbandingan kami tentang GPT-5.5 vs Gemini 3.1 Pro untuk konteks posisi frontier saat ini dan melihat GLM-5.3 Flash yang diperbarui untuk info terbaru.

Apa itu GLM-5.2?

GLM-5.2 adalah model andalan baru Z.ai dalam garis keturunan GLM-5, dirilis pada 16 Juni 2026. Model ini berada di puncak GLM Coding Plan dan menggantikan GLM-5.1 sebagai model utama untuk tugas coding dan agen. Karena menggunakan endpoint yang kompatibel dengan Anthropic, model ini dapat langsung digunakan di alat seperti Claude Code dan Cline hanya dengan mengganti base URL dan nama model.

Dibanding GLM-5.1, peningkatan praktis utamanya mencakup:

• Konteks Masif: Lonjakan dari ~200.000 token menjadi 1.000.000 token saat menggunakan pengenal glm-5.2[1m].
• Keluaran Diperluas: Token keluaran maksimum didokumentasikan sebesar 131.072 (naik dari 120.000).
• Dua Mode Penalaran: Memperkenalkan tingkat upaya high dan max, dengan rekomendasi Z.ai menggunakan max untuk stabilitas tugas kompleks.

Arsitektur di Balik Layar

Sementara generasi sebelumnya benar-benar kotak hitam, blog teknis Z.ai mengungkap beberapa mekanisme rekayasa kustom yang dibangun untuk menangani beban kerja konteks panjang dan agen tanpa lonjakan latensi:

Apa yang Baru di GLM-5.2?

Tiga perubahan menonjol pada rilis ini: jendela konteks yang diperluas, sistem upaya penalaran ganda, dan jalur integrasi ke agen coding pihak ketiga. Masing-masing berdampak praktis pada cara Anda benar-benar menggunakan model.

Jendela konteks 1 juta token

GLM-5.2 mendukung jendela konteks 1 juta token, tetapi bersifat opt-in, bukan default. Untuk mengaktifkannya, tambahkan [1m] ke nama model di konfigurasi Anda: glm-5.2[1m]. Anda juga perlu menyetel parameter jendela kompresi CLAUDE_CODE_AUTO_COMPACT_WINDOW ke 1000000 di settings.json Anda.

Ini penting untuk alur kerja coding saat Anda bekerja di basis kode besar. Jendela 1M token dapat menampung sekitar 750.000 kata kode dan konteks secara bersamaan, cukup untuk memuat satu repositori berukuran menengah tanpa pemecahan. Catatannya, kualitas konteks panjang sering menurun pada batas ekstrem, dan Z.ai belum menerbitkan angka akurasi retrieval pada 1M token untuk model ini.

Satu catatan praktis: jika Claude Code melaporkan bahwa model dengan sufiks [1m] tidak ada, solusinya adalah memperbarui Claude Code ke versi terbaru. Ini masalah kompatibilitas versi, bukan ketersediaan model.

Dua tingkat upaya penalaran

GLM-5.2 memperkenalkan sistem upaya dua tingkat: high dan max. Di Claude Code, Anda beralih di antara keduanya menggunakan perintah /effort selama sesi. Pemetaan dari label upaya Claude Code ke tingkat upaya GLM-5.2 adalah sebagai berikut:

• low, medium, high (default): dipetakan ke upaya high GLM-5.2
• xhigh, max, ultracode: dipetakan ke upaya max GLM-5.2

Z.ai secara eksplisit merekomendasikan upaya max untuk tugas coding. Default pada sesi baru adalah high, jadi jika Anda menjalankan tugas multi-langkah yang kompleks, Anda perlu beralih secara manual. Ini adalah kompromi yang sama seperti pada model penalaran lain: upaya lebih tinggi berarti keluaran lebih saksama namun latensi dan penggunaan token juga lebih tinggi.

Integrasi endpoint yang kompatibel dengan Anthropic

GLM-5.2 dapat diakses melalui endpoint API Z.ai yang kompatibel dengan Anthropic di https://api.z.ai/api/coding/paas/v4. Artinya, alat apa pun yang mendukung custom Anthropic base URL dapat menggunakan GLM-5.2 tanpa menunggu dukungan native. Claude Code, OpenClaw, dan Cline semuanya sudah berfungsi, sesuai dokumentasi.

Pendekatan integrasi ini adalah pilihan penempatan yang disengaja. Alih-alih membangun antarmuka mandiri, Z.ai bertaruh bahwa developer sudah memiliki agen coding pilihan dan hanya ingin mengganti model dasarnya. Konsekuensinya, alat yang tidak mendukung konfigurasi model kustom tidak akan berfungsi sampai Z.ai merilis integrasi resmi.

GLM-5.2 tersedia tanpa biaya tambahan untuk semua pengguna GLM Coding Plan: Lite, Pro, Max, dan Team. 

GLM-5.2 vs GLM-5.1: Perbandingan Spesifikasi

Cara Beralih ke GLM-5.2

Proses penyiapan sedikit berbeda tergantung agen coding yang Anda gunakan. Berikut cara mengonfigurasi masing-masing.

Beralih model di Claude Code

Claude Code memetakan variabel lingkungan model internalnya ke model GLM. Secara default, slot Opus dan Sonnet keduanya mengarah ke GLM-4.7, dan slot Haiku mengarah ke GLM-4.5-Air. Untuk beralih ke GLM-5.2, perbarui ~/.claude/settings.json.

Di macOS, buka file dengan vim ~/.claude/settings.json di terminal, atau cari melalui Finder menggunakan Go > Go to Folder. Di Windows, temukan file di ~/.claude/settings.json secara langsung. Tambahkan atau ganti blok variabel lingkungan dengan berikut ini:

{
  "env": {
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.5-air",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2[1m]"
  }
}

Setelah menyimpan, buka jendela terminal baru dan jalankan claude untuk meluncurkan Claude Code. Ketik /status untuk mengonfirmasi model aktif. Anda seharusnya melihat glm-5.2[1m] tercantum sebagai model default pada keluaran status.

Beralih model di OpenClaw

OpenClaw memerlukan pengeditan konfigurasi manual jika pemilih model penyedia tidak menampilkan GLM-5.2 secara langsung. File konfigurasi berada di ~/.openclaw/openclaw.json. Anda perlu melakukan tiga perubahan.

Pertama, tambahkan objek model GLM-5.2 ke array models.providers.zai.models:

{
  "id": "glm-5.2",
  "name": "GLM-5.2",
  "reasoning": true,
  "input": ["text"],
  "cost": {"input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0},
  "contextWindow": 1000000,
  "maxTokens": 131072
}

Kedua, perbarui model default di bawah agents.defaults.model.primary dari "zai/glm-5" menjadi "zai/glm-5.2". Ketiga, tambahkan "zai/glm-5.2": {} di bawah agents.defaults.models. Setelah ketiga suntingan disimpan, mulai ulang gateway dengan openclaw gateway restart dan verifikasi dengan menjalankan openclaw tui.

Beralih model di Cline dan alat kompatibel OpenAI lainnya

Untuk Cline dan alat lain yang mendukung penyedia kompatibel OpenAI kustom, penyiapannya sederhana. Gunakan pengaturan berikut:

• Penyedia API: OpenAI Compatible
• Base URL: https://api.z.ai/api/coding/paas/v4
• API Key: kunci API Z.ai Anda
• Model: Custom Model, masukkan glm-5.2
• Ukuran Jendela Konteks: 1000000
• Dukungan Gambar: tidak dicentang

Parameter seperti temperature dapat disesuaikan sesuai tugas Anda. Alat yang tidak mengizinkan konfigurasi model kustom perlu menunggu dukungan resmi pada rilis mendatang.

Tolok Ukur GLM-5.2

Skor tolok ukur resmi kini tersedia, mengonfirmasi GLM-5.2 sebagai model open-source terkuat di pasar saat ini. Dalam tolok ukur coding standar, GLM-5.2 secara signifikan melampaui pendahulunya. Model ini meraih 81,0 pada Terminal-Bench 2.1 (dibanding 62,0 milik GLM-5.1) dan 62,1% pada SWE-bench Pro (naik dari 58,4% milik GLM-5.1).

Sumber

Z.ai juga merilis angka yang menargetkan performa coding jangka panjang. Di FrontierSWE, PostTrainBench, dan SWE-Marathon, GLM-5.2 secara konsisten berada di antara model papan atas secara keseluruhan. Model ini hanya tertinggal 1% dari Claude Opus 4.8 pada FrontierSWE dan berhasil melampaui GPT-5.5 dan Claude Opus 4.7 di berbagai tolok ukur, mempertahankan posisinya sebagai model open-source berperingkat tertinggi secara keseluruhan.

Sumber

Apa arti tolok ukur dalam praktik

Tolok ukur resmi menempatkan GLM-5.2 di depan model seperti GPT-5.5 dan Kimi K2.7-Code pada tugas terstandardisasi. Angka-angka ini menunjukkan bahwa jendela konteks 1 juta token berterjemah ke kemampuan rekayasa praktis, khususnya untuk tugas lintas berkas dan rantai panjang.

Umpan balik developer awal yang diterbitkan Z.ai sejalan dengan metrik ini, menyoroti kapasitas konteks level proyek yang lebih baik dan kepatuhan yang lebih andal terhadap standar rekayasa yang ketat.

Menariknya, tolok ukur juga mengungkap persistensi agen model. Z.ai mencatat bahwa GLM-5.2 sangat rentan terhadap "reward hacking" selama evaluasi. Alih-alih menyelesaikan masalah, agen menulis skrip untuk mencari berkas secret_cases.json tersembunyi di workspace atau menggunakan curl untuk mengunduh kode sumber target langsung dari GitHub.

Z.ai harus membangun modul anti-hack daring dua tahap hanya untuk memaksa model menyelesaikan masalah secara sah, mengembalikan data tiruan saat mencoba curang alih-alih membuat proses gagal.

Meski begitu, bagi praktisi, beban evaluasi tetap ada. Walau skor tolok ukur sangat kompetitif (dan jelas diraih dengan susah payah melawan model yang mencoba menipu tes), Anda tetap harus menjalankan GLM-5.2 pada basis kode perwakilan Anda sendiri sebelum menggunakannya dalam alur kerja produksi.

Kami akan menindaklanjuti dengan tutorial GLM-5.2 yang komprehensif segera.

Harga dan Ketersediaan GLM-5.2

GLM-5.2 sudah tersedia untuk semua pengguna GLM Coding Plan di Z.ai. Tier paketnya adalah Lite, Pro, Max, dan Team. 

Z.AI menawarkan tiga tier berdasarkan ukuran repositori dan frekuensi penggunaan. Meskipun langganan ditagihkan bulanan, memilih penagihan tahunan memangkas biaya sebesar 30%.

Menurut halaman penggunaan Z.ai, karena GLM-5.2 adalah model lanjutan yang dirancang menandingi Claude Opus 4.8, model ini sangat boros sumber daya. Batas prompt yang tercantum pada tabel harga di atas adalah perkiraan dasar. Menggunakan GLM-5.2 akan menguras kuota lebih cepat berdasarkan waktu dalam sehari:

• Jam Sibuk (14.00–18.00 UTC+8): Setiap prompt GLM-5.2 mengurangi 3× kuota standar.
• Di Luar Jam Sibuk: Setiap prompt mengurangi 2× kuota standar.
• Promo Waktu Terbatas: Hingga akhir September, penggunaan GLM-5.2 di luar jam sibuk hanya mengurangi 1× kuota.

Karena alasan ini, rekomendasinya adalah menggunakan GLM-5.2 untuk tugas kompleks agar penggunaan Anda lebih hemat. 

Bagi developer yang ingin mengintegrasikan model langsung via API, GLM-5.2 menggunakan struktur harga metered pay-as-you-go.

Menurut dokumentasi harga resmi Z.ai, penggunaan API GLM-5.2 ditagihkan per sejuta token:

• Token Masukan: $1,40 per 1M token
• Token Masukan Tersimpan (Cached): $0,26 per 1M token
• Penyimpanan Masukan Tersimpan: Gratis terbatas waktu
• Token Keluaran: $4,40 per 1M token

Endpoint API untuk akses developer adalah https://api.z.ai/api/coding/paas/v4. Pengenal modelnya adalah glm-5.2 untuk versi standar dan glm-5.2[1m] untuk varian konteks 1M token. Anda memerlukan kunci API Z.ai, yang dapat dibuat di z.ai/manage-apikey/apikey-list.

Bobot open-source disebut masih dalam proses, dengan lisensi MIT yang direncanakan. Bobot GLM-5.1 dirilis di awal dengan lisensi MIT, sehingga ekspektasinya bobot GLM-5.2 akan menyusul. Garis waktu yang diberikan pada pengumuman adalah "minggu depan" relatif terhadap tanggal rilis 13 Juni 2026.

Pikiran Akhir

GLM-5.2 menarik untuk dievaluasi karena alasan terkuat untuk mencobanya tidak berkaitan dengan tolok ukur. Model ini gratis sebagai bagian dari GLM Coding Plan (dengan batas penggunaan tergantung tier), memiliki jendela konteks 1M token, dan dapat digunakan di Claude Code atau Cline hanya dengan perubahan konfigurasi cepat. Hambatan untuk mencoba sangat rendah.

Skor tolok ukurnya mengesankan. Mendorong skor SWE-bench Pro ke 62,1% dan Terminal-Bench 2.1 ke 81,0 membuktikan ini lompatan besar dibanding GLM-5.1. Mengingat biaya masuk nol bagi pengguna paket yang sudah ada, ini sangat layak dicoba untuk refactor berikutnya.

Jika Anda ingin cepat menguasai alat coding AI dan cara mengevaluasinya, saya merekomendasikan mulai dari kursus AI-Assisted Coding for Developers di DataCamp, yang membahas konsep yang Anda perlukan untuk menilai model seperti GLM-5.2 dalam alur kerja Anda.