> ## Documentation Index
> Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt
> Use this file to discover all available pages before exploring further.
# GLM-5.2
GLM Coding Plan 团队版 已上线 GLM-5.2，让组织安全可控地提升开发效率。 [立即了解](https://zhipuaishengchan.datasink.sensorsdata.cn/t/ek)
## 概览
**GLM-5.2** 是面向长任务时代的旗舰模型。支持真正可用的 1M 上下文，实测可承载项目级工程上下文，长程任务执行更稳定、工程规范遵循更可靠，开发场景成功率进一步提升。一次任务即可完成“从需求到多端可部署产物”的完整开发链路。
}>
旗舰基座模型
}>
文本
}>
文本
}>
1M
}>
128K
## 能力支持
} href="/cn/guide/capabilities/thinking-mode">
提供多种思考模式，覆盖不同任务需求
} href="/cn/guide/capabilities/streaming">
支持实时流式响应，提升用户交互体验
} href="/cn/guide/capabilities/function-calling">
强大的工具调用能力，支持多种外部工具集成
} href="/cn/guide/capabilities/cache">
智能缓存机制，优化长对话性能
} href="/cn/guide/capabilities/struct-output">
支持 JSON 等结构化格式输出，便于系统集成
}>
可灵活调用外部 MCP 工具与数据源，扩展应用场景
## 推荐场景
最能体现 GLM-5.2 代际差异的起手式。它能持续保留模块边界、架构约束、接口契约、目录结构和历史决策，长任务后半程的上下文断层感明显降低。对复杂项目来说，关键体验是：模型不只读得多，还能把前面形成的工程判断带到后续执行里。
**推荐体验方式**：
选择一个真实业务仓库，最好包含后端、前端或客户端、配置、测试、文档和工程规范。先让模型做技术盘点：
> 请阅读当前项目，输出系统架构图谱、核心模块职责、关键接口契约、主要数据流、核心调用链、潜在技术债，以及后续改造时必须遵守的工程约束。
GLM-5.2 在跨文件、多步骤、长链路任务中更稳。它会先拆解目标、识别依赖和风险，再分阶段实现、验证和收口。适合测试模块解耦、接口迁移、目录治理、SDK 适配、跨语言重构等需要连续推进的任务。
**推荐体验方式**：
选择一个中型改造任务，给清楚边界，开启 /goal 模式：
> 请在不改变业务逻辑、接口签名和运行结果的前提下，完成当前模块的解耦重构。先给出执行计划、影响范围、风险边界和验证方式，完成后运行必要测试并输出验证结果。
GLM-5.2 对工程规范的保持度更高，尤其是在长上下文和多轮执行中。它更能遵守代码风格、架构边界、依赖约束、构建流程、测试要求和提交边界，降低越界修改、无效依赖、跳过验证、擅自提交等风险。
**推荐体验方式**：
把团队真实规范交给模型，例如 CLAUDE.md、Agent.md 中的 lint 规则、构建命令、测试要求、提交规范、禁止操作清单。然后给它一个真实修改任务：
> 请严格遵守当前仓库工程规范。不允许引入新依赖，不允许修改接口契约，不允许主动提交。修改完成后运行构建、lint 和测试，并说明验证结果和未覆盖风险。
GLM-5.2 在移动端场景中，能覆盖客户端架构、流式消息、长连接状态、本地状态管理、键盘行为、滚动逻辑、系统通知、权限机制和后台恢复。更关键的是，它能结合 ADB、logcat、截图和运行日志定位真机问题，真正贴近移动端工程开发实践。
**推荐体验方式**：
选择一个真实 Android 或小程序任务，让模型从实现走到验证：
> 请用 Kotlin 实现一个原生 Android 客户端，对接现有服务端 API，支持多会话、流式消息、语音输入、通知和断线重连。完成后使用 ADB 安装到真机，并结合 logcat 和截图完成调试。
GLM-5.2 能处理小程序开发中的页面分包（subpackages）、自定义组件、页面级组件、页面栈管理、wx.request 封装与接口层适配、鉴权与登录态维护（wx.login + 自定义登录态）、应用/页面/组件三级生命周期管理和异常状态。适合测试模型是否能把已有 Web 页面、官网或后台能力，重新组织成符合小程序平台规范的可运行工程。
**推荐体验方式**：
选择一个已有 Web 项目，指定目标技术栈（原生小程序 / Taro / uni-app），将 Web 项目所有功能迁移成小程序版本：
> 请将当前 Web 项目的所有功能迁移为微信小程序。要求使用 \[原生/Taro/uni-app] 技术栈。先分析页面结构、核心用户路径、后端接口契约和平台限制（包体积上限、域名白名单、HTTPS要求），再完成页面、组件、页面跳转和数据流实现。完成后说明运行方式、已接入接口、未覆盖功能和后续优化点。
GLM-5.2 适合测试小游戏中的规则理解、状态机设计、关卡结构、计分逻辑、资源加载、交互反馈和结算流程。相比静态页面，这类任务更能体现模型对复杂状态、用户路径和产品完成度的理解。
**推荐体验方式**：
给一个完整但不过度详细的玩法目标，让模型先设计规则，再实现可运行版本：
> 请开发一个轻量闯关小游戏。先设计核心玩法循环、状态机、关卡结构、计分规则、失败与结算逻辑，再实现开始、暂停、继续、结算、重新开始和本地存档等基础功能。完成后说明项目结构、已验证功能和下一步扩展方向。
GLM-5.2 能把论文里的模型架构、损失函数、数据管线与训练/推理脚本，从零写成可运行、与论文一致的代码。它一次就能搭对模型结构、在多文件间保持规则一致，并自主跑通、自主修复代码与环境问题——交付的是真正能复现论文指标的工程，而非片段。
**推荐体验方式**：
挑一篇带模型与实验的论文（作者开源代码或公开指标更佳），把论文和数据交给它，看它能否自己把模型写出来、跑通并对齐论文指标：
> 请依据这篇论文与数据复现实验。补全论文未写明的实现细节，用 PyTorch 搭建模型结构与损失函数、构建数据管线和训练/推理脚本，确保能跑通、多文件间一致。自主定位并修复运行中的问题，逐项核对论文指标直至对齐，并说明复现路径、关键改动与未对齐项。
GLM-5.2 在 Coding to Video 场景中，能够基于 Remotion 框架——用 React 代码（组件、参数、动画逻辑）"编程式"地制作视频、再渲染成 mp4，简单说就是"把视频当代码写"——覆盖自然语言创意转译、Remotion React 代码生成、视频渲染输出等完整能力，通过代码驱动生成一段可运行、可演示的完整视频。
**推荐体验方式**：
选择一个真实的视频创意任务，让模型从一句自然语言开始，逐步完成可渲染、可播放、可迭代的视频作品：
> 请用 Remotion 新建一个 composition，加入一张地图，从洛杉矶（LA）拉远镜头但始终保持聚焦在它身上。完成后绘制一条从洛杉矶到纽约（NY）的路线动画，并让相机跟随这条线移动。再给这趟旅程加一站，这次我们去巴黎。
## 详细介绍
长程任务的基础，不是拥有 1M 上下文，而是让 1M 上下文真正可用。GLM-5.2 实现了 Solid 1M 无损上下文，并针对长程 Coding Agent 场景进行了数月强化训练，覆盖大规模实现、自动化研究、性能优化等高价值任务。**相比仅扩展上下文长度的方案，GLM-5.2 在超长上下文下保持更稳定的性能，在部分真实测试中甚至超过 Opus。**（详见[技术博客](https://z.ai/blog/glm-5.2)）
1M 上下文支撑了 GLM-5.2 出色的长程交付能力。在 FrontierSWE、SWE-Marathon、PostTrainBench 等长程任务基准上，GLM-5.2 整体表现介于 Claude Opus 4.7 与 4.8 之间，是当前排名最高的开源模型。其中，在 FrontierSWE 上仅落后 Opus 4.8 约 1%，同时超过 GPT-5.5（1%）和 Opus 4.7（11%）；在更具挑战性的 SWE-Marathon 上仍有提升空间，与 Opus 4.8 存在约 13% 的差距。
在实际体验中，GLM-5.2 可自主完成任务拆解、架构设计、前后端开发、测试修复与部署交付，最终生成可上线的 Web、移动端和小程序应用。整个流程累计处理超过 85 万（850K）tokens，接近用满 1M 上下文窗口。**过去需要团队协作数周完成的工程，如今可在一次连续的长程任务中完成。**
GLM-5.2 在前端、后端、长程任务等开发场景下的成功率相比前一代 GLM-5.1 都有长足提升，复杂系统工程与深度调试更稳。**在主流编程基准上，GLM-5.2 保持开源 SOTA，与 Claude Opus 4.8 处于可比区间。**
在全球百万用户参与盲测的前端开发评估系统 Code Arena 上，**GLM-5.2 取得全球可用模型第一的表现。**
发布前，GLM-5.2 已提前向 GLM Coding Plan 用户开放，开发者感知到的提升集中在以下几点：
* 项目级上下文承载更强，能把完整工程放进同一条推理链路里
* 长程任务执行更稳定，复杂任务能持续推进，不容易中途跑偏
* 生产级工程规范遵循更可靠，能守住团队研发流程里的硬约束
* 客户端与移动端工程能力更扎实，不止写 App，还能完成真机调试闭环
## 使用资源
快速测试模型在业务场景上的效果
API 调用方式
## 调用示例
以下是完整的调用示例，帮助您快速上手 GLM-5.2 模型。
**基础调用**
```bash theme={null}
curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer your-api-key" \
-d '{
"model": "glm-5.2",
"messages": [
{
"role": "system",
"content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"
},
{
"role": "user",
"content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"
}
],
"thinking": {
"type": "enabled"
},
"reasoning_effort": "max",
"max_tokens": 65536,
"temperature": 1.0
}'
```
**流式调用**
```bash theme={null}
curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer your-api-key" \
-d '{
"model": "glm-5.2",
"messages": [
{
"role": "system",
"content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"
},
{
"role": "user",
"content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"
}
],
"thinking": {
"type": "enabled"
},
"reasoning_effort": "max",
"stream": true,
"max_tokens": 65536,
"temperature": 1.0
}'
```
**安装 SDK**
```bash theme={null}
# 安装最新版本
pip install zai-sdk
# 或指定版本
pip install zai-sdk==0.2.3
```
**验证安装**
```python theme={null}
import zai
print(zai.__version__)
```
**基础调用**
```python theme={null}
from zai import ZhipuAiClient
client = ZhipuAiClient(api_key="your-api-key") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{"role": "system", "content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"},
{"role": "user", "content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"}
],
thinking={
"type": "enabled" # 启用深度思考模式
},
reasoning_effort="max", # 推理程度
max_tokens=65536, # 最大输出 tokens
temperature=1.0 # 控制输出的随机性
)
# 获取完整回复
print(response.choices[0].message)
```
**流式调用**
```python theme={null}
from zai import ZhipuAiClient
client = ZhipuAiClient(api_key="your-api-key") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{"role": "system", "content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"},
{"role": "user", "content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"}
],
thinking={
"type": "enabled" # 启用深度思考模式
},
reasoning_effort="max", # 推理程度
stream=True, # 启用流式输出
max_tokens=65536, # 最大输出tokens
temperature=1.0 # 控制输出的随机性
)
# 流式获取回复
for chunk in response:
if chunk.choices[0].delta.reasoning_content:
print(chunk.choices[0].delta.reasoning_content, end='', flush=True)
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end='', flush=True)
```
**安装 SDK**
**Maven**
```xml theme={null}
ai.z.openapi
zai-sdk
0.3.5
```
**Gradle (Groovy)**
```groovy theme={null}
implementation 'ai.z.openapi:zai-sdk:0.3.5'
```
**基础调用**
```java theme={null}
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.model.ChatCompletionCreateParams;
import ai.z.openapi.service.model.ChatCompletionResponse;
import ai.z.openapi.service.model.ChatMessage;
import ai.z.openapi.service.model.ChatMessageRole;
import ai.z.openapi.service.model.ChatThinking;
import java.util.Arrays;
public class BasicChat {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("your-api-key")
.build();
// 创建聊天完成请求
ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
.model("glm-5.2")
.messages(Arrays.asList(
ChatMessage.builder()
.role(ChatMessageRole.SYSTEM.value())
.content("你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈")
.build()
))
.thinking(ChatThinking.builder().type("enabled").build())
.reasoningEffort("max")
.maxTokens(65536)
.temperature(1.0f)
.build();
// 发送请求
ChatCompletionResponse response = client.chat().createChatCompletion(request);
// 获取回复
if (response.isSuccess()) {
Object reply = response.getData().getChoices().get(0).getMessage();
System.out.println("AI 回复: " + reply);
} else {
System.err.println("错误: " + response.getMsg());
}
}
}
```
**流式调用**
```java theme={null}
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.model.ChatCompletionCreateParams;
import ai.z.openapi.service.model.ChatCompletionResponse;
import ai.z.openapi.service.model.ChatMessage;
import ai.z.openapi.service.model.ChatMessageRole;
import ai.z.openapi.service.model.ChatThinking;
import ai.z.openapi.service.model.Delta;
import java.util.Arrays;
public class StreamingChat {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("your-api-key")
.build();
// 创建流式聊天完成请求
ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
.model("glm-5.2")
.messages(Arrays.asList(
ChatMessage.builder()
.role(ChatMessageRole.SYSTEM.value())
.content("你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈")
.build()
))
.thinking(ChatThinking.builder().type("enabled").build())
.reasoningEffort("max")
.stream(true) // 启用流式输出
.maxTokens(65536)
.temperature(1.0f)
.build();
ChatCompletionResponse response = client.chat().createChatCompletion(request);
if (response.isSuccess()) {
response.getFlowable().subscribe(
// Process streaming message data
data -> {
if (data.getChoices() != null && !data.getChoices().isEmpty()) {
Delta delta = data.getChoices().get(0).getDelta();
System.out.print(delta + "\n");
}
},
// Process streaming response error
error -> System.err.println("\nStream error: " + error.getMessage()),
// Process streaming response completion event
() -> System.out.println("\nStreaming response completed")
);
} else {
System.err.println("Error: " + response.getMsg());
}
}
}
```
**更新 SDK 至 2.1.5.20250726**
```bash theme={null}
# 安装最新版本
pip install zhipuai
# 或指定版本
pip install zhipuai==2.1.5.20250726
```
**基础调用**
```python theme={null}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="your-api-key") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{"role": "system", "content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"},
{"role": "user", "content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"}
],
thinking={
"type": "enabled"
},
max_tokens=65536,
temperature=1.0
)
# 获取完整回复
print(response.choices[0].message)
```
**流式调用**
```python theme={null}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="your-api-key") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{"role": "system", "content": "你是一名资深的全栈软件工程师，擅长前端开发、后端架构设计以及现代 Web 技术栈"},
{"role": "user", "content": "帮我设计并编写一个个人博客网站，包含首页、文章列表、文章详情页，使用 React + Node.js 技术栈"}
],
thinking={
"type": "enabled"
},
stream=True, # 启用流式输出
max_tokens=65536,
temperature=1.0
)
# 流式获取回复
for chunk in response:
if chunk.choices[0].delta.reasoning_content:
print(chunk.choices[0].delta.reasoning_content, end='', flush=True)
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end='', flush=True)
```