한 분석 블로그가 실제 코딩 과제 45개를 같은 조건으로 돌려 보니 GLM-5.2와 클로드 오푸스가 똑같이 25개를 풀었고, 캐싱을 쓰면 GLM 비용이 오푸스의 절반 아래(약 46%)였다고 밝혔어요. 다만 이건 만든 쪽 자체 시험이고, 독립 시험에서는 짧은 과제는 비등해도 컴파일러 제작이나 여러 파일을 오가는 긴 작업에서는 오푸스가 확실히 앞섰어요(예: SWE-Marathon 13 대 26). 같은 주장을 올린 해커뉴스 글은 4점·댓글 0개라 커뮤니티 검증은 사실상 없었어요.
용어 풀이
- GLM-5.2
- 중국 Zhipu AI(Z.ai)가 만든 코딩·도구 사용에 특화된 오픈웨이트 대형 언어 모델
- 오픈웨이트(open weights)
- 모델의 학습된 값(가중치)을 공개해 누구나 내려받아 직접 돌릴 수 있는 방식
- SWE-bench
- 실제 소프트웨어 버그 수정 과제로 코딩 AI 실력을 재는 시험. Pro·Marathon 등 더 어려운 변형이 있어요
- Terminal-Bench
- 명령줄 환경에서 실제 작업을 끝까지 해내는지 재는 코딩 에이전트 시험
- MoE(전문가 혼합)
- 거대한 모델을 부분(전문가)으로 나눠 매번 일부만 켜서 비용을 줄이는 구조. GLM-5.2는 총 753B 중 약 40B만 활성화
- 캐싱(prompt caching)
- 같은 입력을 다시 보낼 때 비용을 크게 깎아 주는 기능. 비용 차이의 핵심 변수예요
운영자 인사이트
단순·짧은 코딩 잡무라면 GLM-5.2로 비용을 크게 아낄 여지가 있지만, '능력 완전 동등'은 자체 시험 45개짜리 결론이라 그대로 믿지 말고 긴 작업·여러 파일 리팩터링에는 직접 작은 비교를 돌려 보고 채택하시는 게 안전해요.
여러 관점으로 보기
- 원 주장(자체 벤치마크) 실제 과제 45개를 같은 에이전트·프롬프트·40턴 예산으로 돌려 양쪽 다 25개 해결, 캐싱 시 GLM 비용이 오푸스의 약 46%였다고 주장해요(블로그 작성자=발행 계정 Entelligence25). Entelligence AI 블로그
- 커뮤니티 검증(부재 확인) 같은 글의 해커뉴스 게시물은 4점·댓글 0개라 신뢰성 반론이나 실사용 경험 토론이 형성되지 않았어요. Hacker News
- 독립 벤치마크(반증·맥락) 제3자 정리에서는 짧은 과제(FrontierSWE 74.4 대 75.1)는 비등하지만 긴 작업에서 오푸스가 크게 앞서요(SWE-Marathon 13 대 26, NL2Repo 48.9 대 69.7). Digital Applied
- 모델 실체(제공사·라이선스) GLM-5.2는 중국 Zhipu AI(Z.ai)가 2026년 6월 13일 공개한 MIT 라이선스 오픈웨이트 모델로, 허깅페이스와 20여 개 코딩 도구에서 바로 쓸 수 있어요. VentureBeat