Z.ai: GLM 5.2 (batch)
z-ai/glm-5.2:batch
GLM 5.2 is a large-scale reasoning model from Z.ai. It supports text input and output with a 1M-token context window, and is suited for long-horizon agent workflows, project-level software engineering, and complex multi-step automation.
Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning. It is particularly strong at coding and tool use across long-running tasks, able to maintain engineering context and follow standards consistently through a full development workflow, from requirements to multi-platform deployment, in a single task.
Anbieter
Verschiedene Unternehmen hosten dasselbe Modell. OpenRouter leitet Ihre Anfrage je nach gewähltem Routing-Modus an eines davon weiter: Ausgewogen (Preis + Geschwindigkeit), Nitro (am schnellsten) oder Floor (am günstigsten).
| 0,322 $ | 0,989 $ | 0,109 $ | -- | -- |
- Eingabe 0,322 $ / Ausgabe 0,989 $-- tok/s-- Verfügbarkeit
Preise
Der durchschnittliche Preis, den Kunden tatsächlich für dieses Modell zahlen, neben den von Anbietern veröffentlichten Preisen. Durch Caching und Rabatte liegt der tatsächlich gezahlte Preis oft deutlich unter dem Listenpreis.
Gewichteter Durchschnitt
GLM 5.2 (batch) — Preisverlauf
| 0,00 $ | 0,00 $ | 6,6 % | 100,0 % |
- Wirksam in 0,00 $ / Effektive Ausgabekosten 0,00 $Token-Anteil100,0 %
Leistung
Der Durchsatz gibt an, wie schnell das Modell schreibt (Token pro Sekunde – höher ist besser). Die Latenz ist die gesamte Umlaufzeit (niedriger ist besser). TTFT ist die Zeit bis zum ersten Token – also die Wartezeit, bis etwas angezeigt wird (niedriger ist besser).
Verfügbarkeit
Verfügbarkeit ist der prozentuale Anteil der letzten 3 Tage, in dem mindestens ein Anbieter auf Anfragen reagiert hat. Die Verfügbarkeit der Inferenz ist der prozentuale Anteil der Zeit, in der Inferenz erfolgreich bereitgestellt wurde. OpenRouter überwacht dies kontinuierlich und verwendet den nächstbesten Anbieter, wenn ein Anbieter einen Fehler zurückgibt.
Noch nicht genügend Daten zur Verfügbarkeit für eine Anzeige vorhanden.
Wenn bei einem vorgelagerten Anbieter ein Fehler auftritt, können wir diesen durch die Weiterleitung an einen anderen funktionsfähigen Anbieter beheben, sofern Ihre Anfragefilter dies zulassen. Sie können programmgesteuert auf die Verfügbarkeitsdaten pro Anbieter zugreifen, und zwar über die Endpunkt-API. Erfahren Sie mehr über unsere Optionen für Lastverteilung und Anbieter-Routing.
Leistungsvergleiche
Ergebnisse standardisierter Bewertungen und eigene Ausgaben dieses Modells zu gemeinsamen Vergleichstest-Prompts. Höhere Prozentwerte sind besser – und jeder Rang zeigt, wo dieses Modell unter den anhand dieser Quelle bewerteten Modellen liegt.
| Quelle | Benchmark | Ergebnis |
|---|---|---|
| Artificial Analysis | GLM-5.2 (Max) Coding Index | 68,8 |
| Artificial Analysis | GLM-5.2 (Max) Agentic Index | 38,4 |
| Artificial Analysis | GLM-5.2 (Max) GPQA Diamond | 89.5% |
| Artificial Analysis | GLM-5.2 (Max) HLE | 41.1% |
| Artificial Analysis | GLM-5.2 (Max) IFBench | 73.3% |
| Artificial Analysis | GLM-5.2 (Max) τ²-Bench Telecom | 99.1% |
| Artificial Analysis | GLM-5.2 (Max) AA-LCR | 78.3% |
| Artificial Analysis | GLM-5.2 (Max) τ-Bench Banking | 34.6% |
| Artificial Analysis | GLM-5.2 (Max) GDPval-AA | 44.0% |
| Artificial Analysis | GLM-5.2 (Max) CritPt | 20.9% |
| Artificial Analysis | GLM-5.2 (Max) SciCode | 51.2% |
| Artificial Analysis | GLM-5.2 (Max) Terminal-Bench Hard | 50.8% |
| Artificial Analysis | GLM-5.2 (Max) Terminal-Bench 4.0 | 1.0% |
| Artificial Analysis | GLM-5.2 (Max) Terminal-Bench 2.1 | 77.9% |
| Artificial Analysis | GLM-5.2 (Max) AA-Omniscience Accuracy | 21.1% |
| Artificial Analysis | GLM-5.2 (Max) AA-Omniscience Non-Hallucination Rate | 74.1% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) Coding Index | 46,5 |
| Artificial Analysis | GLM-5.2 (Non-reasoning) GPQA Diamond | 68.6% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) HLE | 9.8% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) AA-LCR | 42.3% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) τ-Bench Banking | 16.7% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) GDPval-AA | 37.6% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) CritPt | 3.1% |
| Artificial Analysis | GLM-5.2 (Non-reasoning) Terminal-Bench 2.1 | 51.7% |
| Design Arena | GLM 5.2 Agents Arena Agenticgamedev Elo | 1153 |
| Design Arena | GLM 5.2 Agents Arena Androidnative Elo | 1170 |
| Design Arena | GLM 5.2 Agents Arena Blender3d Elo | 983 |
| Design Arena | GLM 5.2 Agents Arena Full Stack Elo | 1215 |
| Design Arena | GLM 5.2 Agents Arena Godotgamedev Elo | 1142 |
| Design Arena | GLM 5.2 Agents Arena Htmlslides Elo | 1071 |
| Design Arena | GLM 5.2 Agents Arena Mobile Apps Elo | 1153 |
| Design Arena | GLM 5.2 Agents Arena Pdf Elo | 1250 |
| Design Arena | GLM 5.2 Agents Arena Python-Pptxslides Elo | 1161 |
| Design Arena | GLM 5.2 Agents Arena Spreadsheet Elo | 1023 |
| Design Arena | GLM 5.2 Agents Arena Webapps Elo | 1204 |
| Design Arena | GLM 5.2 Models Arena 3D Elo | 1266 |
| Design Arena | GLM 5.2 Models Arena Asciiart Elo | 1173 |
| Design Arena | GLM 5.2 Models Arena Code Categories Elo | 1275 |
| Design Arena | GLM 5.2 Models Arena Data Visualization Elo | 1281 |
| Design Arena | GLM 5.2 Models Arena Game Development Elo | 1255 |
| Design Arena | GLM 5.2 Models Arena SVG Elo | 1195 |
| Design Arena | GLM 5.2 Models Arena UI Component Elo | 1284 |
| Design Arena | GLM 5.2 Models Arena Website Elo | 1276 |
| Vals AI | GLM 5.2 Code Migration | 37.9% |
| Vals AI | GLM 5.2 CorpFin v2 | 66.1% |
| Vals AI | GLM 5.2 EMB | 61.5% |
| Vals AI | GLM 5.2 Finance Agent (v2) | 49.7% |
| Vals AI | GLM 5.2 GPQA Diamond | 85.6% |
| Vals AI | GLM 5.2 Harvey's Legal Agent Benchmark v1 | 7.1% |
| Vals AI | GLM 5.2 LiveCodeBench | 69.5% |
| Vals AI | GLM 5.2 LegalBench | 84.1% |
| Vals AI | GLM 5.2 Legal Research Bench | 31.3% |
| Vals AI | GLM 5.2 MedCode | 40.8% |
| Vals AI | GLM 5.2 MedScribe | 83.5% |
| Vals AI | GLM 5.2 MMLU Pro | 86.7% |
| Vals AI | GLM 5.2 ProgramBench | 0.5% |
| Vals AI | GLM 5.2 ProofBench v1 | 35.0% |
| Vals AI | GLM 5.2 SkillsBench | 45.1% |
| Vals AI | GLM 5.2 SRE Bench | 0.0% |
| Vals AI | GLM 5.2 SWE-bench | 82.8% |
| Vals AI | GLM 5.2 TaxEval v2 | 73.3% |
| Vals AI | GLM 5.2 Terminal-Bench 2.1 | 67.8% |
| Vals AI | GLM 5.2 Vals Index | 53.1% |
| Vals AI | GLM 5.2 Vibe Code Bench v1.1 | 64.0% |
Apps
Öffentliche Apps, die den meisten Datenverkehr an dieses Modell senden. Ein guter Anhaltspunkt dafür, wie echte Produktionsworkloads aussehen – und ein Hinweis darauf, für welche Anwendungsfälle dieses Modell am besten geeignet ist.
Für Apps, die dieses Modell verwenden, liegen noch nicht genügend Daten vor.
Aktivität
Token-Volumen und Anfrageaufkommen für dieses Modell im Zeitverlauf.
API
Direkt einsetzbarer Code zum Aufrufen dieses Modells. Die API von OpenRouter ist OpenAI-kompatibel – bei den meisten SDKs genügt es, die Basis-URL auszutauschen. Zwischen den Modellen ändert sich nur der unten stehende Modell-Slug.
Derzeit nicht über EU-regionales Routing verfügbar. Dokumentation zum regionsinternen Routing
Häufig gestellte Fragen
GLM 5.2 is a large-scale reasoning model from Z.ai. It supports text input and output with a 1M-token context window, and is suited for long-horizon agent workflows, project-level software engineering, and complex multi-step automation. Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning.
GLM 5.2 (batch) kostet 0,322 $/M Eingabe-Token und 0,989 $/M Ausgabe-Token, mit separaten Tarifen für Cache Read für 0,109 $/M tokens.
GLM 5.2 (batch) hat ein Kontextfenster von 1.048.576 Token. Es unterstützt bis zu 1.048.576 Completion-Token.
Ja. GLM 5.2 (batch) akzeptiert tools und tool_choice für Funktionsaufrufe. Es unterstützt auch strukturierte Ausgaben über ein JSON-Schema in response_format.
GLM 5.2 (batch) wird auf OpenRouter von 1 Anbieter bereitgestellt: Morph.
GLM 5.3 FlashX Legal, GLM 5.3 Prime, GLM 5.3 FlashX und 13 weitere sind weitere Modelle von Z.ai für die Modalität Text.
GLM 5.2 (batch) wurde am 16. Juni 2026 veröffentlicht.