結論: GLM-5.2はMITライセンスで重みが公開された753BパラメータのMoEモデルで、SWE-bench Proなど一部のコーディングベンチマークではGPT-5.5を上回る。ただし「オープンウェイト＝自前で気軽に動かせる」わけではなく、753Bクラスの実運用には複数GPUのインフラかAPIゲートウェイ経由の利用が現実的な選択になる。
- SWE-bench Proは62.1でGPT-5.5の58.6を上回るが、Terminal-Bench 2.1などベンチマークによって順位は入れ替わる
- API経由なら入力$1.40／出力$4.40（100万トークンあたり）とGPT-5.5・GPT-5.6系より安いレンジで使える
- 自前運用はvLLM 0.23.0以降などが対応済みだが、753B・MoEを支えるには複数GPU構成が前提になる
対象読者: コーディングエージェントのバックエンドモデルを選定している開発者・PM。今日やること: 自チームのコーディングタスクを1つ選び、GLM-5.2のAPIとこれまで使っているモデルで同じタスクを実行してコストと精度を比較してみること。
「オープンウェイトのコーディングモデルって、結局どこまで実用的なんだろう」——AIエージェントのバックエンドを選ぶとき、この疑問にぶつかった開発者は少なくないはずだ。クローズドAPIは料金が読みやすい代わりにベンダーロックインの不安がつきまとうし、オープンウェイトは自由度が高い分、実際に動かすまでの検証コストが見えにくい。
2026年6月、Zhipu AI（Z.ai）がGLM-5.2をMITライセンスで公開した。単なる「オープンな中堅モデル」ではなく、SWE-bench Proなど一部のベンチマークでGPT-5.5を上回るスコアを出しており、コーディングエージェント界隈で急速に話題になっている。とはいえ、753Bパラメータという規模は「ノートPCでサクッと動かす」類のモデルではない。
この記事では、GLM-5.2の公式スペック・ベンチマーク・料金体系を一次情報ベースで整理したうえで、「自前運用は現実的か」「API経由で使うならどのくらいのコストか」を、実際に動かせるコード付きで検証する。
結論ファースト：用途別おすすめ早見表
| 用途 | おすすめの使い方 | 理由 |
|---|---|---|
| とにかくコーディングタスクのコストを下げたい | GLM-5.2をAPIゲートウェイ経由で利用 | 出力$4.40/1M（GPT-5.5比で約1/7）。自前インフラ不要 |
| データを外部に出せない・自社インフラ必須 | GLM-5.2を自前運用（複数GPU前提） | MITライセンスで重み取得可、vLLM/SGLang対応済み |
| 最高精度を最優先、コストは二の次 | GPT-5.6 SolやClaude系の上位モデル | Terminal-Bench等で依然として上位のベンチマークがある |
| 小規模・低レイテンシ重視 | GLM-5.2ではなくQwen 3.7 Plus等の軽量モデル | 753BのMoEはレイテンシ面で不利になりやすい |
GLM-5.2とは何か — 公式スペックを確認する
GLM-5.2は、Zhipu AI（Z.ai）が2026年6月にリリースしたMixture-of-Experts（MoE）型の大規模言語モデルだ。Hugging Faceの公式モデルカード（zai-org/GLM-5.2）によると、総パラメータ数は753B、コンテキストウィンドウは「long-horizon workを安定して支える1Mトークン」と説明されている。ライセンスはMITで、商用利用・自前運用・ファインチューニングに制限がない。
複数の技術メディアの報道によれば、アクティブパラメータ（1トークンあたり実際に計算に使われるパラメータ）は約40B程度とされる。MoEアーキテクチャなので、753B全体を毎回動かすわけではなく、入力に応じて一部の「エキスパート」だけが起動する仕組みだ。
| 項目 | GLM-5.2 | 出典 |
|---|---|---|
| 総パラメータ数 | 753B（MoE） | Hugging Face公式モデルカード |
| アクティブパラメータ | 約40B/token（推定・複数報道） | eigent.ai, datanorth.ai等 |
| コンテキストウィンドウ | 1Mトークン | Hugging Face公式モデルカード |
| 最大出力 | 131,072トークン/レスポンス | 複数報道（datanorth.ai等） |
| ライセンス | MIT（商用利用・自前運用可） | Hugging Face公式モデルカード |
| 対応フレームワーク | vLLM 0.23.0+／SGLang 0.5.13.post1+／Transformers／KTransformers／Unsloth | Hugging Face公式モデルカード |
| 公開時期 | 2026年6月13日にGLM Coding Planで先行提供、その後オープンウェイトとAPIが順次拡大 | datanorth.ai |
最終確認日: 2026-07-17
ベンチマークで見る実力 — 「全戦全勝」ではない
GLM-5.2の実力を語るとき、「GPT-5.5を上回った」という見出しだけが独り歩きしがちだが、実際のベンチマーク結果はベンチごとに勝敗が分かれるのが正確なところだ。ここでは複数の独立した報道で数値がおおむね一致しているSWE-bench Proを中心に見ていく。
| ベンチマーク | GLM-5.2 | GPT-5.5 | 備考 |
|---|---|---|---|
| SWE-bench Pro | 62.1 | 58.6 | 複数メディアが一致してGLM-5.2優位と報道 |
| Terminal-Bench 2.1 | 81.0 | 報道により76〜84台とばらつき | 評価ハーネス・実行条件で変動が大きい指標。単一の数値で優劣を断定しない |
この表からわかるのは、「エージェント的なコーディングタスク全体を測るベンチマーク（SWE-bench Pro）」ではGLM-5.2が優位という報道が複数一致している一方、「ターミナル操作に特化したベンチマーク（Terminal-Bench 2.1）」では情報源によってスコアが大きくぶれる、という点だ。エージェント系ベンチマークは実行環境・タイムアウト設定・リトライポリシーで結果が変わりやすいことが知られており、単発の数字だけで「どちらが上」と断定するのは危険だ。実務では自社のタスクセットで実測することを強く推奨する。
コスト構造 — オープンウェイトは本当に安いのか
GLM-5.2自体はMITライセンスで無料で重みを取得できるが、多くの開発者にとって現実的な選択肢はAPIゲートウェイ経由での利用になる。OpenRouterなどのAPIゲートウェイでは、GLM-5.2は100万トークンあたり入力約$1.40・出力約$4.40というレンジで提供されている（提供元により変動する）。
| モデル | 入力（100万トークン） | 出力（100万トークン） | 提供形態 |
|---|---|---|---|
| GLM-5.2（APIゲートウェイ経由） | 約$1.40 | 約$4.40 | OpenAI互換API |
| GPT-5.5 | $5 | $30 | OpenAI公式API |
| GPT-5.6 Luna（参考・最廉価枠） | $1 | $6 | OpenAI公式API |
| Claude Sonnet 5（導入価格・2026年8月末まで） | $2 | $10 | Anthropic公式API |
料金情報の最終確認: 2026-07-17（提供元により変動するため、実際の利用前に各社公式ページで最新価格を確認すること）
この表からわかるとおり、GLM-5.2の出力単価はGPT-5.5の1/6強、GPT-5.6の最廉価枠であるLunaよりも安い。コーディングエージェントは出力トークン（生成コード・差分・思考過程）が多くなりがちなタスクなので、出力単価の差はそのまま月間コストに直結しやすい。
実際にOpenAI互換SDKでGLM-5.2を呼び出すコードは次のようになる（Z.ai公式ドキュメントのAPIエンドポイントに準拠）。
# 動作環境: Python 3.11+, openai>=1.0
# 必要パッケージ: pip install openai
# 事前準備: Z.ai (https://z.ai/model-api) でAPIキーを発行しておく
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["ZAI_API_KEY"],
base_url="https://api.z.ai/api/paas/v4/", # Z.ai公式のOpenAI互換エンドポイント
)
response = client.chat.completions.create(
model="glm-5.2",
messages=[
{"role": "system", "content": "あなたはコードレビューを行うシニアエンジニアです。"},
{"role": "user", "content": "この関数のエッジケースの漏れを指摘してください:nndef divide(a, b):n return a / b"},
],
)
print(response.choices[0].message.content)
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください
コーディングエージェント専用のプラン（GLM Coding Plan）を使う場合は、エンドポイントが https://api.z.ai/api/coding/paas/v4 に変わる点に注意したい。通常のAPIエンドポイントとコーディングプラン用エンドポイントを混同すると認証エラーになりやすい、と複数の開発者向けドキュメントが指摘している。
実際にどれくらいコストが変わるのか、月間トークン量を仮置きして概算してみる。
# 動作環境: Python 3.11+（外部ライブラリ不要）
# 月間の入出力トークン量を仮置きしてコストを概算する簡易スクリプト
# 注意: 実際のトークン単価は提供元・時期によって変動するため、利用前に最新価格を確認すること
monthly_input_tokens = 50_000_000 # 5,000万トークン/月（仮定）
monthly_output_tokens = 20_000_000 # 2,000万トークン/月（仮定）
pricing = {
"GLM-5.2（APIゲートウェイ）": {"input": 1.40, "output": 4.40},
"GPT-5.5": {"input": 5.00, "output": 30.00},
"GPT-5.6 Luna": {"input": 1.00, "output": 6.00},
"Claude Sonnet 5（導入価格）": {"input": 2.00, "output": 10.00},
}
for name, p in pricing.items():
cost = (monthly_input_tokens / 1_000_000 * p["input"]) +
(monthly_output_tokens / 1_000_000 * p["output"])
print(f"{name}: 月額 約${cost:,.2f}")
# 出力例（2026-07-17時点の公開価格ベース）:
# GLM-5.2（APIゲートウェイ）: 月額 約$158.00
# GPT-5.5: 月額 約$850.00
# GPT-5.6 Luna: 月額 約$170.00
# Claude Sonnet 5（導入価格）: 月額 約$300.00
あくまで仮定のトークン量での概算だが、出力トークンが多いコーディングエージェントの用途では、出力単価が高いモデルほど月額コストへの影響が大きくなる構造がわかる。自チームの実際のトークン消費量に置き換えて試算することをおすすめする。
自前運用は現実的か — 753B・MoEというサイズの壁
「MITライセンスで重みが公開されている」と聞くと自前運用のハードルが低く感じられるが、753Bパラメータ・MoEというサイズは、単一GPUで気軽に動かせる規模ではない。公式モデルカードが対応を明記しているvLLM（0.23.0以降）を使う場合、想定されるのはマルチGPU構成でのテンソル並列実行だ。
# 動作環境: vLLM 0.23.0以降、Python 3.11+
# 前提: BF16のままでは753B級のMoEを動かすため大規模なGPUメモリが必要。
# 量子化（FP8等）やテンソル並列の構成は自社のGPU台数に応じて要調整。
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください
vllm serve zai-org/GLM-5.2
--tensor-parallel-size 8
--max-model-len 131072
--trust-remote-code
--gpu-memory-utilization 0.9
--tensor-parallel-size はGPU台数に合わせて調整が必要で、GPUメモリが不足する場合はFP8量子化やKTransformers・Unslothなど公式が対応を明記している軽量化フレームワークの利用を検討することになる。自前運用のセルフホストLLM基盤の設計自体については、以前の記事「vLLMでオープンLLMをセルフホスト推論する本番運用ガイド」でまとめているので、GPUインフラの設計から検討したい場合はあわせて参照してほしい。
現実的には、「データを外部に一切出せない」「特定タスクにファインチューニングして専用モデルとして固定運用したい」といった明確な理由がない限り、多くのチームにとってはAPIゲートウェイ経由での利用のほうがトータルコストは低くなりやすい。GPUインフラの調達・運用・電力コストは、API利用料の差額を簡単に上回ることが多いからだ。
【要注意】選定時によくある誤解
❌ 「オープンウェイト＝無料で運用できる」
⭕ 重みの取得自体は無料でも、753Bクラスの推論インフラ（GPU・電力・運用人員）のコストは無視できない。API経由の利用料と自前運用の総コストを必ず比較すること。
❌ 「1つのベンチマークで勝っていれば全体的に優れている」
⭕ SWE-bench ProとTerminal-Bench 2.1のように、同じ「コーディング系ベンチマーク」でも性質が異なり、順位が入れ替わることがある。自社のタスクに近いベンチマークを重視するか、実タスクで検証するのが確実。
❌ 「GLM Coding Planと通常APIのエンドポイントは同じ」
⭕ コーディングプラン専用のエンドポイント（/api/coding/paas/v4）と通常API（/api/paas/v4）は別物。混同すると認証エラーになる。
❌ 「MITライセンスだから商用利用に何の制約もない」
⭕ ライセンス上の制約は少ないが、自社のセキュリティポリシーや、サードパーティのAPIゲートウェイを経由する場合はそのゲートウェイ側の利用規約・データ取り扱いポリシーも別途確認する必要がある。
用途別の選び方
コスト最優先でコーディングエージェントを量産したいチーム → GLM-5.2をAPIゲートウェイ経由で利用するのが第一候補。出力単価の低さがそのままエージェントの実行コストに効いてくる。
データを外部に出せない金融・医療・官公庁系のプロジェクト → GLM-5.2の自前運用（複数GPU前提）か、同様にオープンウェイトで提供されているモデルの自社インフラ導入を検討する。以前紹介したQwen 3.7 Maxはクローズド提供なのでこの用途には向かない点に注意（詳細は「Qwen 3.7 Max徹底解説記事」参照）。
複数モデルを切り替えながらコストとレイテンシを最適化したいチーム → GLM-5.2を含む複数モデルをAPIゲートウェイで一元管理する構成が有力。ゲートウェイ経由でのマルチモデル運用は「OpenRouter完全ガイド」で扱っているので、ルーティング設計はそちらを参考にしてほしい。
承認フローやガバナンスを含めてエージェントを設計したいチーム → どのモデルを選ぶにせよ、コーディングエージェントに本番コードへの書き込み権限を与える場合は承認設計が欠かせない。「Human-in-the-Loop完全ガイド」もあわせて確認しておきたい。
参考・出典
- GLM-5.2 公式モデルカード — Hugging Face / zai-org（参照日: 2026-07-17）
- Zhipu AI releases GLM-5.2 open-weight AI model — DataNorth.ai（参照日: 2026-07-17）
- Z.ai’s open-weights GLM-5.2 beats GPT-5.5 on multiple long-horizon coding benchmarks for 1/6th the cost — VentureBeat（参照日: 2026-07-17）
- GLM-5.2: Zhipu AI’s 1M-Token Open-Weight Coding Model — Eigent.ai（参照日: 2026-07-17）
- Z.ai API Platform — Z.ai公式（参照日: 2026-07-17）
まとめ：今日から始める3つのアクション
- 今日: Z.aiのAPIキーを発行し、自チームの典型的なコーディングタスクを1つGLM-5.2に投げてみる
- 今週中: 同じタスクを現在使っているモデル（GPT-5.5系やClaude系など）でも実行し、精度とトークンコストを比較する
- 今月中: 自前運用を検討する場合は、必要なGPU台数・量子化方式・電力コストを試算し、API利用料との損益分岐点を出す
あわせて読みたい:
- Qwen 3.7 Max徹底解説｜コスパ最強LLMの実力【2026年6月】 — もう1つのコスパ重視モデルとの比較材料に
- vLLMでオープンLLMをセルフホスト推論する本番運用ガイド【2026年版】 — 自前運用を検討するなら必読
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー10万人超。
100社以上の企業向けAI研修・導入支援。著書累計3万部突破。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
この記事を読んでAIエージェント導入のイメージが固まってきた方へ
UravationではAIエージェント導入の研修・コンサルを行っています。
