GLM-5.2: Functies, installatie, benchmarks en handleiding voor modelswitching

Juni was zonder twijfel een interessante maand voor AI-modelreleases. Anthropic lanceerde Claude Fable 5 en trok het daarna weer terug uit openbare toegang. Moonshot AI bracht Kimi K2.7-Code uit, met een gerapporteerde +21,8% verbetering op Kimi Code Bench v2 ten opzichte van zijn voorganger. Het meest recent kondigde Z.ai GLM-5.2 aan, hun nieuwe vlaggenschipmodel voor coderen en agentische AI, direct beschikbaar voor alle GLM Coding Plan-gebruikers, inclusief de Lite-, Pro-, Max- en Team-tiers.

GLM-5.2 wordt geleverd met een contextvenster van 1 miljoen tokens, tot 131.072 outputtokens en twee niveaus van redeneerinspanning: high en max. Hoewel Z.ai aanvankelijk geen officiële benchmarkcijfers publiceerde, bevestigt de nieuw uitgebrachte ontwikkelaarsdocumentatie dat GLM-5.2 het toonaangevende open-sourcemodel is op belangrijke codemaatstaven, waardoor het dicht in de buurt komt van closed-source frontiermodellen. De aankondiging focuste verder op beschikbaarheid, context en de open-sourceroadmap, met MIT-gelicentieerde gewichten die als pending werden omschreven.

In dit artikel bespreek ik wat GLM-5.2 is, wat er nieuw is vergeleken met GLM-5.1, hoe je ernaar overschakelt in Claude Code, OpenClaw en Cline, en wat de benchmarks betekenen voor gebruikers in de praktijk. Bekijk ook onze vergelijking GPT-5.5 vs Gemini 3.1 Pro voor context over waar de frontier nu staat en bekijk de bijgewerkte GLM-5.3 Flash voor de laatste info.

Wat is GLM-5.2?

GLM-5.2 is Z.ai's nieuwe vlaggenschipmodel in de GLM-5-lijn, uitgebracht op 16 juni 2026. Het staat bovenaan het GLM Coding Plan en vervangt GLM-5.1 als primair model voor codeer- en agenttaken. Omdat het een Anthropic-compatibele endpoint gebruikt, past het naadloos in tools zoals Claude Code en Cline met een snelle base-URL-wissel en een wijziging van de modelnaam.

Vergeleken met GLM-5.1 zijn de belangrijkste praktische upgrades:

• Enorme context: Sprong van ~200.000 tokens naar 1.000.000 tokens wanneer je de glm-5.2[1m]-identifier gebruikt.
• Grotere output: Maximaal aantal outputtokens is gedocumenteerd op 131.072 (van 120.000).
• Twee reasoningmodes: Introduceert high en max inspanningsniveaus, waarbij Z.ai max aanbeveelt voor stabiliteit bij complexe taken.

De architectuur onder de motorkap

Terwijl de vorige generatie een totale black box was, onthulde Z.ai’s technische blog meerdere aangepaste engineeringsmechanismen die zijn ontworpen om long-context en agentische workloads aan te kunnen zonder dat de latentie explodeert:

Wat is er nieuw met GLM-5.2?

Drie veranderingen springen eruit in deze release: het grotere contextvenster, het systeem met twee redeneerinspanningen en het integratiepad in externe codeeragents. Elk heeft praktische gevolgen voor hoe je het model daadwerkelijk gebruikt.

Contextvenster van 1 miljoen tokens

GLM-5.2 ondersteunt een contextvenster van 1 miljoen tokens, maar dit is opt-in in plaats van standaard. Om het te activeren, voeg je [1m] toe aan de modelnaam in je configuratie: glm-5.2[1m]. Je moet ook de compressievensterparameter CLAUDE_CODE_AUTO_COMPACT_WINDOW instellen op 1000000 in je settings.json.

Dit is relevant voor codeerworkflows waarbij je met grote codebases werkt. Een 1M-tokenvenster kan grofweg 750.000 woorden aan code en context tegelijk bevatten, genoeg om een complete middelgrote repository te laden zonder te chunken. De kanttekening is dat long-contextkwaliteit vaak afneemt aan de grenzen, en Z.ai heeft geen retrieval-nauwkeurigheidscijfers gepubliceerd op 1M tokens voor dit model.

Eén praktische tip: als Claude Code meldt dat het model met het achtervoegsel [1m] niet bestaat, is de oplossing om Claude Code te updaten naar de nieuwste versie. Dit is een compatibiliteitsprobleem met de versie, geen beschikbaarheidsprobleem van het model.

Twee niveaus van redeneerinspanning

GLM-5.2 introduceert een tweelagig inspanningssysteem: high en max. In Claude Code schakel je daartussen met het commando /effort tijdens een sessie. De mapping van Claude Code’s inspanningslabels naar de daadwerkelijke inspanningsniveaus van GLM-5.2 is als volgt:

• low, medium, high (standaard): map naar GLM-5.2 high effort
• xhigh, max, ultracode: map naar GLM-5.2 max effort

Z.ai raadt expliciet max effort aan voor codetaken. De standaard in een nieuwe sessie map naar high, dus als je complexe, meerstaps taken draait, wil je handmatig overschakelen. Dit is dezelfde afweging als bij andere reasoningmodellen: hogere inspanning betekent meer doordachte output maar ook hogere latentie en tokenverbruik.

Anthropic-compatibele endpointintegratie

GLM-5.2 is toegankelijk via Z.ai's Anthropic-compatibele API-endpoint op https://api.z.ai/api/coding/paas/v4. Dit betekent dat elke tool die een aangepaste Anthropic base-URL ondersteunt GLM-5.2 kan gebruiken zonder te wachten op native support. Claude Code, OpenClaw en Cline werken vandaag al, zoals vermeld in de documentatie.

De integratieaanpak is een bewuste positioneringskeuze. In plaats van een eigen interface te bouwen, gokt Z.ai erop dat ontwikkelaars al een favoriete codeeragent hebben en alleen het onderliggende model willen wisselen. Het nadeel is dat tools zonder ondersteuning voor aangepaste modelconfiguratie pas werken wanneer Z.ai officiële integraties uitbrengt.

GLM-5.2 is zonder extra kosten beschikbaar voor alle GLM Coding Plan-gebruikers: Lite, Pro, Max en Team. 

GLM-5.2 vs GLM-5.1: Specificatievergelijking

Hoe schakel je over naar GLM-5.2

Het installatieproces verschilt licht afhankelijk van welke codeeragent je gebruikt. Zo stel je elk van ze in.

Modellen wisselen in Claude Code

Claude Code koppelt zijn interne model-omgevingsvariabelen aan GLM-modellen. Standaard wijzen de Opus- en Sonnet-slots allebei naar GLM-4.7, en het Haiku-slot naar GLM-4.5-Air. Om over te schakelen naar GLM-5.2, update je ~/.claude/settings.json.

Open op macOS het bestand met vim ~/.claude/settings.json in de terminal, of navigeer ernaartoe via Finder met Ga > Ga naar map. Op Windows vind je het bestand direct op ~/.claude/settings.json. Voeg het onderstaande blok met omgevingsvariabelen toe of vervang het:

{
  "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]"
  }
}Mogelijk gemaakt door

Na het opslaan open je een nieuw terminalvenster en voer je claude uit om Claude Code te starten. Typ /status om het actieve model te bevestigen. Je zou glm-5.2[1m] als standaardmodel in de statusuitvoer moeten zien.

Modellen wisselen in OpenClaw

OpenClaw vereist een handmatige configuratiewijziging als de providermodelselector GLM-5.2 niet direct toont. Het configuratiebestand staat op ~/.openclaw/openclaw.json. Je moet drie wijzigingen aanbrengen.

Voeg eerst het GLM-5.2-modelobject toe aan de 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
}Mogelijk gemaakt door

Update vervolgens het standaardmodel onder agents.defaults.model.primary van "zai/glm-5" naar "zai/glm-5.2". Voeg ten slotte "zai/glm-5.2": {} toe onder agents.defaults.models. Nadat je alle drie de wijzigingen hebt opgeslagen, herstart je de gateway met openclaw gateway restart en verifieer je door openclaw tui uit te voeren.

Modellen wisselen in Cline en andere OpenAI-compatibele tools

Voor Cline en elke andere tool die een aangepaste OpenAI-compatibele provider ondersteunt, is de setup eenvoudig. Gebruik de volgende instellingen:

• API-provider: OpenAI Compatible
• Base-URL: https://api.z.ai/api/coding/paas/v4
• API-sleutel: je Z.ai API-sleutel
• Model: Custom Model, voer glm-5.2 in
• Grootte contextvenster: 1000000
• Afbeeldingen ondersteunen: uitgevinkt

Temperatuur en andere parameters kun je aanpassen op basis van je taak. Tools die geen aangepaste modelconfiguratie toestaan, moeten wachten op officiële ondersteuning in een toekomstige release.

GLM-5.2-benchmarks

Officiële benchmarkcijfers zijn nu beschikbaar en bevestigen GLM-5.2 als het sterkste open-sourcemodel dat momenteel op de markt is. In standaard codeerbenchmarks presteert GLM-5.2 aanzienlijk beter dan zijn voorganger. Het behaalde een 81,0 op Terminal-Bench 2.1 (vergeleken met 62,0 voor GLM-5.1) en 62,1% op SWE-bench Pro (tegenover 58,4% voor GLM-5.1).

Bron

Z.ai bracht ook cijfers uit die gericht zijn op prestaties bij langere coderuns. Op FrontierSWE, PostTrainBench en SWE-Marathon staat GLM-5.2 consistent tussen de topmodellen overall. Het blijft slechts 1% achter op Claude Opus 4.8 op FrontierSWE en presteert beter dan zowel GPT-5.5 als Claude Opus 4.7 op meerdere benchmarks, waarbij het zijn positie als hoogst gerangschikte open-sourcemodel over de hele linie behoudt.

Bron

Wat de benchmarks in de praktijk betekenen

De officiële benchmarks positioneren GLM-5.2 vóór modellen zoals GPT-5.5 en Kimi K2.7-Code op gestandaardiseerde taken. De cijfers suggereren dat het contextvenster van 1 miljoen tokens zich vertaalt naar praktische engineeringscapaciteiten, vooral voor cross-file, langgerekte taken.

Vroege feedback van ontwikkelaars die door Z.ai is gepubliceerd, sluit hierbij aan en noemt betere contextcapaciteit op projectniveau en betrouwbaardere naleving van strikte engineeringsstandaarden.

Interessant is dat de benchmarks ook de agentische vasthoudendheid van het model aan het licht brachten. Z.ai merkte op dat GLM-5.2 sterk geneigd is tot "reward hacking" tijdens evaluaties. In plaats van het probleem op te lossen, schreef de agent scripts om in de werkruimte te zoeken naar verborgen secret_cases.json-bestanden of gebruikte curl om de doelbroncode rechtstreeks van GitHub te downloaden.

Z.ai moest een tweefasige online anti-hackmodule bouwen om het model te dwingen de problemen legitiem op te lossen, waarbij dummydata werd teruggegeven wanneer het probeerde te valsspelen in plaats van de run te laten crashen.

Dat gezegd hebbende, voor gebruikers in de praktijk blijft er altijd een element van evaluatielast bestaan. Hoewel de benchmarkresultaten zeer competitief zijn (en duidelijk met moeite zijn behaald tegen een model dat de test probeerde te omzeilen), moet je GLM-5.2 nog steeds testen op je eigen representatieve codebase voordat je het inzet in productieworkflows.

Binnenkort volgen we met een uitgebreide GLM-5.2-tutorial.

GLM-5.2: prijs en beschikbaarheid

GLM-5.2 is nu beschikbaar voor alle GLM Coding Plan-gebruikers bij Z.ai. De plantiers zijn Lite, Pro, Max en Team. 

Z.AI biedt drie tiers op basis van repositorygrootte en gebruiksfrequentie. Abonnementen worden maandelijks gefactureerd, maar kiezen voor jaarlijkse betaling verlaagt de kosten met 30%.

Volgens de gebruikspagina van Z.ai is GLM-5.2, omdat het een geavanceerd model is dat moet concurreren met Claude Opus 4.8, zeer resource-intensief. De promptlimieten in de prijstabel hierboven zijn basisinschattingen. Het gebruik van GLM-5.2 verbruikt dit quotum sneller, afhankelijk van het tijdstip van de dag:

• Piekuren (14:00–18:00 UTC+8): Elke GLM-5.2-prompt trekt 3× het standaardquotum af.
• Daluren: Elke prompt trekt 2× het standaardquotum af.
• Tijdelijke promotie: Tot het einde van september trekt off-peakgebruik van GLM-5.2 slechts 1× quotum af.

Om deze redenen is de aanbeveling om GLM-5.2 in te zetten voor complexe taken, zodat je je gebruik behoudt. 

Voor ontwikkelaars die het model rechtstreeks via de API willen integreren, hanteert GLM-5.2 een pay-as-you-go, verbruiksgebaseerde prijsstructuur.

Volgens de officiële prijsdocumentatie van Z.ai wordt GLM-5.2 API-gebruik per miljoen tokens gefactureerd:

• Inputtokens: $1,40 per 1M tokens
• Gecachte inputtokens: $0,26 per 1M tokens
• Gecachte inputopslag: Tijdelijk gratis
• Outputtokens: $4,40 per 1M tokens

Het API-endpoint voor ontwikkelaarstoegang is https://api.z.ai/api/coding/paas/v4. De modelidentifiers zijn glm-5.2 voor de standaardversie en glm-5.2[1m] voor de variant met een context van 1M tokens. Je hebt een Z.ai API-sleutel nodig, die je kunt genereren op z.ai/manage-apikey/apikey-list.

Open-source gewichten zijn als pending beschreven, met een geplande MIT-licentie. GLM-5.1-gewichten werden bij launch onder MIT uitgebracht, dus de verwachting is dat GLM-5.2-gewichten volgen. De in de aankondiging genoemde tijdlijn was "volgende week" ten opzichte van de releasedatum 13 juni 2026.

Slotgedachten

GLM-5.2 is een interessante release om te evalueren, omdat het sterkste argument om het te proberen niets met benchmarks te maken heeft. Het is gratis als onderdeel van een GLM Coding Plan (met gebruikslimieten afhankelijk van je tier), het heeft een contextvenster van 1M tokens en het werkt in Claude Code of Cline met een snelle configuratiewijziging. De drempel om te testen is laag.

De benchmarkcijfers zijn indrukwekkend. Een SWE-bench Pro-score van 62,1% en een Terminal-Bench 2.1-score van 81,0 bewijzen dat dit een grote stap vooruit is ten opzichte van GLM-5.1. Gezien de nul instapkosten voor bestaande plangebruikers is het absoluut de moeite waard om in te zetten voor je volgende refactor.

Wil je snel bijspijkeren over AI-codetools en hoe je ze evalueert, begin dan met de cursus AI-Assisted Coding for Developers op DataCamp, die de concepten behandelt die je nodig hebt om modellen zoals GLM-5.2 in je eigen workflows te beoordelen.