GLM-5.2: pesos abertos e inteligência próxima à fronteira — Zixuan Li, Z.ai

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: GLM-5.2: Open Weights, Near-Frontier Intelligence — Zixuan Li, Z.ai · Canal: AI Engineer · 13:12 · Assistir no YouTube

Tópicos: Agentes de IA, Modelos de IA, Modelos locais e open source, Open source e ecossistemas de software

Resumo

Zixuan Li apresenta a Z.ai e explica a relação entre a empresa Zhipu e a família de modelos GLM. Ele destaca avanços do GLM-5.2 em tarefas de raciocínio, programação e uso de agentes, além de melhorias em outras áreas, como matemática e conversa geral. Também defende a abertura dos pesos para oferecer segurança e controle, permitir fine-tuning e incentivar a colaboração com a comunidade. Ao final, apresenta recursos para experimentar o modelo e anuncia o código do harness Z Code.

Pontos-chave

A empresa se chama Zhipu, e GLM é o nome de sua família de modelos.
A equipe apresenta o GLM-5.2 como um modelo de pesos abertos com avanços em tarefas difíceis e de longa duração.
Segundo o palestrante, o modelo sem thinking supera o GLM-5.1 com thinking.
A equipe também trabalha em capacidades além da programação, incluindo matemática, conversa geral e role play.
Os pesos abertos permitem que organizações usem o modelo on-premise e tenham mais segurança e controle.
A abertura do modelo também permite que empresas adaptem suas capacidades por meio de fine-tuning.
O palestrante atribui parte do progresso do modelo à colaboração da comunidade de open source.
O blog técnico reúne recursos para experimentar o GLM-5.2, acessar o repo e conhecer aspectos do processo de treinamento.
A equipe anuncia a disponibilização do código do harness Z Code, que pode ser conectado a diferentes modelos.

Capítulos

Início	Capítulo	Resumo
00:12	Apresentação da Z.ai e da família GLM	Zixuan Li apresenta a empresa e explica a origem do nome GLM e sua continuidade como marca.
03:23	Capacidades e avanços do GLM-5.2	O palestrante aborda raciocínio, programação, tarefas de longa duração e melhorias em relação a versões anteriores.
06:40	Por que abrir os pesos do modelo	A apresentação destaca segurança, controle, uso on-premise, fine-tuning e colaboração com a comunidade.
09:55	Recursos para experimentar o GLM	Li aponta recursos técnicos, opções de acesso ao modelo e informações sobre seu processo de treinamento.
11:00	Anúncio do harness Z Code	A equipe anuncia o código do Z Code e convida o público a conhecer a ferramenta e conversar com seus representantes.

Citações

GLM representa pré-treinamento de modelos de linguagem geral com preenchimento autorregressivo de lacunas. — 02:17

Mesmo sem thinking, o modelo supera o GLM-5.1 com thinking. — 05:29

Abrimos os pesos por algumas razões: existem necessidades dos usuários e necessidades nossas. — 07:13

Queremos moldar o futuro junto com nossos clientes e com a comunidade de open source. — 08:52

É a primeira vez que compartilhamos o código com toda a comunidade. — 11:00

Conceitos e entidades

GLM-5.2 (modelo): Modelo de pesos abertos apresentado como o lançamento mais recente da família GLM.
GLM-5.1 (modelo): Versão anterior da família GLM, usada na apresentação como referência de comparação.
GLM (conceito): Nome da família de modelos da Zhipu, originado de um termo relacionado a pré-treinamento de modelos de linguagem.
Zhipu (empresa): Empresa responsável pela família de modelos GLM.
Z.ai (empresa): Organização mencionada pelo palestrante em relação à apresentação e à família GLM.
Zixuan Li (pessoa): Nome atribuído ao palestrante no título original da apresentação.
Z Code (ferramenta): harness cujo código foi anunciado na apresentação, desenvolvido para GLM-5.2 e compatível também com outros modelos.
Hugging Face (empresa): Plataforma mencionada como local onde os pesos do modelo são disponibilizados.
open-weight models (conceito): Disponibilização dos pesos do modelo para que usuários possam executá-lo e adaptá-lo.
fine-tuning (conceito): Adaptação do modelo para necessidades e domínios específicos.

Tradução completa (pt-BR)

00:12 Sem mais delongas, vamos chamar Zishan para fazer a palestra principal, se estiver tudo pronto. Oi, como vai? >> Ótimo, estou aqui. >> Sim, graças à magia da internet. É muito bom ver você de novo. Zishan, você esteve conversando com a AI Singapore, e obviamente GLM é o assunto do momento. Há um estande incrível lá embaixo na feira, e acho que muita gente está animada para ouvir de você o que está acontecendo com a Z.ai. Então, se

00:44 você quiser assumir. >> Sim, desculpem novamente por eu não estar presente pessoalmente, mas minha equipe inteira veio para cá e temos um estande. Se tiverem alguma pergunta, podem entrar em contato comigo pelo link no X e também procurar minha equipe no estande. E, como não consigo ver meus slides, vou precisar que Swee me ajude a passar todos eles. Sim. >> Tudo certo. >> Swee, em que slide estamos agora?

01:16 >> Sim, estamos no slide de abertura. Estamos falando sobre inteligência e a Z.ai. >> Certo. Então, esta é a primeira vez que apresentamos GLM 5.2 ao mundo, e também vamos falar um pouco sobre a Z.AI e GLM, porque talvez as pessoas pensem que Z.AI e GLM não têm relação, certo? A sua empresa não se chama G.AI, ou o seu

01:47 modelo não se chama Z1 ou Z2. Aqui você encontra meu X e a conta da empresa no X; é só procurar meu nome, Zishan Lee, e a organização Z A I. Você pode segui-los para acompanhar as novidades. Então, podemos passar para o segundo slide. Sim, na verdade não consigo ver o slide, então vou tentar… >> Então, nós… >> Sim, tente garantir que esteja correto. Na verdade, a empresa se chama

02:17 Zhipu. Talvez algumas pessoas já tenham ouvido falar dela. E todos os modelos se chamam GLM. Na verdade, não é um nome de marca, é um termo genérico. GLM representa pré-treinamento de modelo de linguagem geral com preenchimento autorregressivo de lacunas. Esse artigo foi publicado em 2021. Na verdade, fomos um dos primeiros laboratórios a explorar modelos de linguagem de grande porte, ao mesmo tempo que a OpenAI, a Anthropic e a DeepMind.

02:47 E, mesmo hoje, embora já não usemos GLM como arquitetura, ainda usamos o nome GLM como nome da nossa marca. Então, usamos GLM 5.1, 5.2, e isso se tornou um dos nossos produtos e modelos mais importantes. E a segunda coisa que buscamos é o limite superior da inteligência. Em termos de inteligência, talvez pensemos que ela representa o QI, algo assim. Quando a DeepSeek lançou o 01, as pessoas falaram sobre a capacidade do modelo de resolver problemas de matemática e física. Mas o que inteligência realmente significa não é apenas QI, AIME ou outros problemas de física. De GLM 4.5 a GLM 4.7, exploramos várias coisas, como raciocínio, programação e recursos de agentic. Como podem ver nos slides, acrescentamos…

03:23 Sim, o último slide. Na verdade, eu ainda não tinha terminado aquele slide. Certo. Sim, precisamos voltar dois slides. >> Não tenho um botão para voltar. Obrigado. Não entendo os controles de apresentação que não têm botão para voltar. Por quê? Enfim, pode continuar.

03:53 >> Tudo bem. As pessoas querem ver GLM 5.2. Não querem ver você falando de GLM 4.1 ou 5. Mas GLM 4.2 é especializado em programação e tarefas agentic, como podem ver no gráfico, porque há muitos rumores sobre se o seu modelo está perto de Mythos ou Fable. Mas, na verdade, quero mostrar estes slides a vocês. Assim, podem ver que ele está em algum ponto entre Opus 4.7 e 4.8. E usamos os problemas mais difíceis, como Deep Sweep e Terminal Bench 211, mencionados pela equipe da OpenAI alguns minutos atrás.

04:24 E todas as tarefas de horizonte longo e os benchmarks mostram que as capacidades estão no mesmo nível de, pelo menos, Opus 4.7, e demonstram melhorias significativas em relação ao 1.1. Além disso, em GLM 1.2, adicionamos um nível de raciocínio chamado high. Isso porque também percebemos que, à medida que avançamos para tarefas mais difíceis, o modelo pode

04:57 consumir mais tokens, e também nos preocupamos muito com a eficiência de tokens. Então, esta é a primeira vez que adicionamos o nível high ao orçamento de raciocínio. Mas, mesmo sem raciocínio, o modelo sem raciocínio é melhor do que o modelo GLM 5.1 com raciocínio. Acho que é uma grande melhoria para um modelo de pesos abertos. Foi isso que realmente impressionou o mundo e explica por que as pessoas têm falado tanto de GLM 5.2 ultimamente. Certo, próximo slide. E uma coisa que quero mencionar é que GLM é mais do que um modelo de programação.

05:29 As pessoas o usam no Claude Code, no Codex e no OpenCode. Mas, na verdade, treinamos muitas coisas além de programação. Por exemplo, melhoramos bastante em GDPval e também em problemas de matemática. Para ser sincero, também nos preocupamos com problemas de matemática. E treinamos muitas coisas relacionadas a interpretação de papéis e conversa geral. Queremos melhorar todos os aspectos do modelo. Como podem ver no índice de inteligência da Artificial Analysis, ele supera bastante os outros modelos de pesos abertos e está próximo dos modelos de fronteira.

06:04 Então, se vocês ainda não experimentaram GLM, quero que o usem para conversas gerais e para processar seu workflow diário, não apenas para programação. Vocês podem explorar o modelo além do escopo da programação. Próximo slide. GLM 4.2 é um modelo de pesos abertos. As pessoas sempre me perguntam: “Por que vocês abrem os pesos? Vocês se preocupam com o negócio de vocês? Ou com perder mercado para alguns fornecedores de infraestrutura?” Na verdade, abrimos os pesos por vários motivos, porque existem as necessidades dos usuários e as nossas próprias necessidades. Se pudermos atender às necessidades deles, acho que tudo bem. Para nós, é perfeitamente aceitável abrir os pesos do modelo. Por exemplo, se nossos usuários querem segurança e controle, e nós queremos construir confiança, podemos abrir os pesos do modelo. Em alguns casos, empresas ou governos…

06:40 especialmente no mundo ocidental, querem usar o modelo. Abrimos os pesos e fazemos o upload para o Hugging Face, para que possam usar o modelo no próprio ambiente. Acho que isso é muito benéfico para todo o ecossistema explorar o modelo, especialmente quando suas capacidades estão próximas às dos modelos de fronteira. E, em segundo lugar, se as pessoas querem diversidade. Em termos de diversidade, quero dizer capacidades em áreas como direito, finanças e segurança; elas podem fazer fine-tuning do modelo.

07:13 Então, precisamos abrir o modelo para permitir que façam fine-tuning. Por exemplo, a Harvey está fazendo fine-tuning de GLM 4.1 e talvez esteja pensando em fazer fine-tuning de GLM 5.2 depois. Conversei com muitas outras empresas. Elas também estão pensando em fazer fine-tuning de GLM como próximo passo ou estratégia para se diferenciarem de outras empresas de aplicativos. E, em terceiro lugar, se nossos clientes ou uma pessoa quiserem cocriar e

07:44 prever o futuro, às vezes precisam ver a arquitetura do modelo. Precisam ver a receita de como o modelo é treinado. Então, queremos estabelecer isso como norma. Queremos fazer nossas apostas. Queremos moldar o futuro em conjunto com nossos clientes e com a comunidade open source. Acho que nossas necessidades e nosso ecossistema realmente se encaixam. E GLM 5.2 não poderia ter tido sucesso sem

08:15 vocês, todos os participantes da comunidade open source, como Onflos e Media, e também alguns indivíduos, desenvolvedores excepcionais; todos fazem parte disso. E muito obrigado aos criadores de aplicativos, como Peter. Certo? Porque open source não inclui apenas modelos open source, mas também softwares open source e outros tipos de suporte open source. Todo o apoio de vocês e o que estão fazendo

08:52 agora ajudam a criar modelos melhores. Acho que vocês são os verdadeiros heróis. Por último, quero compartilhar um ótimo recurso para vocês consultarem. GLM 5.2 é o nosso blog técnico. Nesse blog técnico, compartilhamos várias coisas, como nosso repo no Hugging Face e como vocês podem experimentar GLM 5.2. Podem experimentá-lo dentro do chatbot agent e também podem chamar a API. E também

09:22 Vocês, todos os participantes da comunidade open source, como Onflos e Media, e algumas pessoas, desenvolvedores incríveis, fazem parte disso. E muito obrigado aos criadores de aplicativos, como Peter. Certo? Porque open source não inclui apenas modelos open source, mas também softwares open source e outros tipos de suporte open source. Então, todo o apoio de vocês e o que vocês estão fazendo

09:55 agora contribui para criar modelos melhores. Acho que vocês são os verdadeiros heróis. E, por último, quero compartilhar um ótimo recurso para vocês consultarem. O GLM-5.2 é nosso blog técnico. Na verdade, nesse blog técnico, compartilhamos várias coisas, como nosso repo no Hugging Face e como vocês podem experimentar o GLM-5.2. Vocês podem experimentar dentro do agente de chatbot e também podem chamar a API. E também

10:27 Temos um plano de programação, como a assinatura do Codex ou do Claude Code, para você usar seus tokens como pessoa física. Também compartilhamos informações sobre nosso pipeline de treinamento e nossa receita de treinamento, para que você possa entender por que é um bom modelo. Há muitas coisas por trás do modelo, não apenas um modelo que teve dados excelentes. Também temos tecnologias fantásticas por trás do modelo, então você mesmo pode exportá-lo. Você pode ver quais dificuldades

11:00 enfrentamos. E o último slide é, na verdade, uma espécie de surpresa final. É a primeira vez que compartilhamos o código com toda a comunidade. Uhul! Essa surpresa final é que, na verdade, temos nosso próprio harness. O Z Code foi desenvolvido para o GLM-5.2, mas também é compatível com todos os modelos de fronteira. Você pode trazer sua própria chave. Pode se conectar ao Z Code. Na verdade, acho que a operação é semelhante à do

11:33 Codex. Na verdade, você pode experimentar algumas técnicas, como Go, ou outras técnicas de compactação, como as que vocês usaram no Codex e no Claude Code. E acho que esse harness é perfeito para o GLM-5.2. Se ainda não teve essa experiência, pode simplesmente pesquisar por Z Code ou visitar nosso estande. Temos membros da equipe mostrando esse harness para vocês. Sintam-se à vontade para visitar nosso estande. E espero conversar com vocês no futuro. E

12:07 da próxima vez, com certeza estarei em São Francisco conversando com todo mundo. Sim, obrigado. >> Muito obrigado. Então, acreditem em mim: na primeira World’s Fair, não me deixaram voltar ao país para participar da minha própria conferência, então sei exatamente como é. Mas está tudo bem. A equipe da Z.ai, agradeço muito pelo esforço. Eles realmente querem conhecer vocês. Estão aqui para conhecer vocês. E esse é o objetivo da World’s Fair: reunir as principais empresas e os principais laboratórios de IA do mundo

12:41 em um só lugar, para que vocês possam fazer negócios juntos, conhecer as pessoas por trás dos modelos que usam e fazer perguntas que ele não pode responder em público, mas que vocês podem fazer em particular. Também estou muito orgulhoso. Zhicheng mostrou aquela lista dos principais colaboradores do Hugging Face. Acho que quatro dos oito dessa lista estão presentes na World’s Fair. Estamos trabalhando com a Nvidia, a Unsloth, a Ollama e também com todos aqueles outros profissionais de fine-tuning para viabilizar os caminhos de

13:12 inference e execução local que vocês vão conhecer nos próximos dias. Com isso, muito obrigado ao Zhicheng. Vou chamar as próximas pessoas. Acho que talvez eu esteja fazendo o trabalho do Ali aqui, então vamos conversar com o Hugging Face em seguida e depois com a Minimax. Obrigado.

Transcrição original

[00:12] Without further ado, we’re going to bring on Zishan for for his keynote if we’re all set. Hey, how are you? >> Great I’m here. >> Yes, to the magic of the internet. It’s really good to see you again. Zishan has you’ve been speaking with AI Singapore and obviously GLM is the talk of the town right now. There’s been an amazing booth downstairs in the expo and I think a lot of people are just very excited to hear from you on what all is going on with ZIAI. So if

[00:44] you want to take it away. >> Yes, sorry again for not showing up in person, but I have a team whole team coming to the town and we have a booth. So you have any questions, feel free to reach out to me on X link and also you can look for my team on our booth. And since I cannot see my slides, so I will need Swee to help me flip through all the slides for me. Yeah. >> You’re good. >> Here Swee, like what which slides we are

[01:16] in right now? >> Yeah, so we’re we’re on the opening slide. We’re talking about intelligence and ZIAI. >> Okay, so yeah, so you can you can see that it’s the first time for us to introduce GLM 4.2 5.2 to the world and also we are going to share something about Z.AI and GLM because maybe people will think Z.AI and GLM they’re irrelevant, right? You are your company is not G.AI or your

[01:47] model’s called Z1 or Z2. And you can find my X and our company’s X account here, so you can just search for my name Zishan Lee and the Z A I org. And you can follow them for the follow-ups. So, yeah, we can go to the second slide. Yeah, actually I cannot see the slide, so I’ll try to >> So, we we >> Yeah, try to make sure that it is correct. So, the company actually is

[02:17] called Zhipu. Maybe some people have heard of it. And the all the models, it’s it’s called GLM. Actually, it’s not a a brand name, it’s a generic term. So, GLM actually represent general language model pre-training with auto-regressive blank filling. And that paper was published back in 2021. So, actually we were the one of the first labs to do explorations on large

[02:47] language models at the same time with OpenAI, and Anthropic, and DeepMind. And even today, we we no longer use GLM as the architecture, we still use the name GLM as our brand name. So, we use GLM 5.1, 5.2, and it become like one of our like most prod uh proddest product and model. And the second thing that we look for is intelligence upper bound. So, in terms of intelligence, we we may feel that it’s represent IQ, something something

[03:23] like that. And when Deep Seek launched one 01 launch, people are talking about the model’s capability to solve math problems, physics problems. But what actually intelligence mean is not just like IQ or AIME or other other physics problem. So, from GLM 4.5 to GLM 4.7, we are exploring like several things, like reasoning, coding, and agentic capabilities. So, as you can see from the slides, So, we add like

[03:53] Yeah, the last slide. Yeah, we were actually I haven’t like finished that slide. Yeah, so Okay. Yeah, need to go back to the two two slides. >> I don’t have back I don’t have a back button. Thank you. I would you I don’t understand clickers that don’t have back buttons. Like why Okay, I you know, anyway, go ahead.

[04:24] >> Yeah, never mind. Yeah, because people want to see the GLM 5.2. They they don’t want to see you like GLM 4.1 or 5. But like GLM 4.2 actually specialize in coding and genetic task as you can see from the graph because there are a lot of rumors whether your model is close to mythos, fable, but actually I want to share these slides to all of you. So, you can see it’s somewhere between Opus 4.7 and 4.8 and we use the hardest problems like Deep Sweep, Terminal Bench 211, which was mentioned by the Open AI

[04:57] team uh several minutes ago. And all the like long horizon task and benchmark shows that the capabilities are on par with at least Opus 4.7 and it it it shows a significant improvements over 1.1. Also, for GLM 1.2, we add a thinking uh level called high. So, because we also noticed as we move to the harder task it may

[05:29] consume more tokens and also we we care a lot about the token efficiency. So, it’s the first time we add the high level for thinking budget. But even without thinking, the non-thinking model is better than the 5.1 thinking model. So, I think it’s a huge improvement for the open weight model. That’s what really impressed the world and why people are talking about GLM 5.2 lately. Okay, the next slide. And one one thing that I want to mention is that GLM is more more than coding

[06:04] model because people use it inside clock code code X, open code. But actually, we have trained a lot of things outside coding. For example, we improve a lot in GDP valve and also math problems. We also care about math problems, frankly speaking. And also, we train a lot of thing uh related to role play, general chat. We want to improve every aspect of the model. So, you can see from the artificial analysis intelligence index actually leads the other open way model a lot and close to

[06:40] the frontier model. So, I want you if you are you haven’t experienced GLM yet, you can use GLM to do general chat, use it to process your daily workflow, not just for coding, but you can explore the model like beyond the coding scope. Next slide. And GLM 4.2 is a open weight model. So, people always ask me, “Why do you open weight? So, do you care about your business or like do you care about

[07:13] losing market to some infra suppliers?” But actually, we open the weights for several things because there are users’ needs and there are our own needs. If we can meet their needs, I think it’s okay. It’s definitely okay for us to to open the model. For example, if our users want security and control and we want to build trust, we can open weight model. For for some cases, if enterprise or government

[07:44] especially in the Western world, want to use the model, we open way, we upload to the hugging face so that they can use the model on premise. I think it’s very beneficial for the whole ecosystem it to explore the model, especially when the capabilities is close to the frontier model. And second, if people want diversity. So, in terms of diversity, I mean the capabilities in legal, finance, security, they can fine-tune the model.

[08:15] So, we need to open the model to let them fine-tune. For example, Harvey is fine-tuning GLM 4.1, and maybe they’re thinking about fine-tuning GLM 5.2 afterwards. And I’ve I have like talked to a lot of other companies. They’re also thinking about fine-tuning GLM as their like next step or next strategy to differentiate themselves from other application company. And third, if our customer or an individual want to co-design and

[08:52] predict the future, sometimes they need to see the architecture of the model. They need to see the recipe of how you train the model. So, we want to make the norm. We want to make my bets. So, we want to co-shape the future with our customers with the open source uh community. So, I think our needs and our ecosystem really like fits into each other. And GLM 5.2 couldn’t succeed without

[09:22] you, all the open source community players like Onflos and Media and and some like individuals, super developers, they are part of it. And thanks a lot to application builders like Peter. Right? Because open source doesn’t just include open source model, but also open source softwares and open source other sorts of support. So, all your support and what are you you’re doing

[09:55] right now pushes to to make better models. I think uh you you are the true hero. And the last, I want to share a a great resource for you to go through. Geo 5.2 is our tech blog. So, actually in that tech blog, we share several things like our hugging face repo, how how you can try the Geo and 5.2. You can try the inside the chatbot agent, and also you can call the API. And also

[10:27] we have a coding plan like the Codex or cloud core subscription for you to use your tokens as individuals. And also we share something about our training pipeline training recipe, which you can understand why it’s a good model. So, there are a lot of things behind the behind the model, not just um a a model that had great data. We also have fantastic technologies behind the model, so you can export the model yourself. You can see what difficulties

[11:00] we have gone through. And the last slide, actually it’s kind of a one more thing. So, it’s the first time we share the code to the whole community. Woo! So, that one more thing is we actually have our own harness. The Z code, actually it’s built for Geo 5.2, but also support all frontier models. You can bring your own key. You can connect to Z code. Actually, the I think the operation is is similar to

[11:33] Kodak. Actually, you you can try some techniques like go or other like compact technique techniques like what you’ve done in in Kodak and car code. And this harness is I think it’s the perfect one for GLM 102. If you haven’t experienced it, you can just search Z code or you can go to our booth. We have our team members showing this harness to you. And welcome to to our booth. And welcome to like talk to me in the future. And

[12:07] next time I’ll definitely be in SF talking to everyone. Yeah, thanks. >> Thank you very much. Um So uh trust me, the very first World’s Fair, I wasn’t allowed to come back in the country for my own conference, so I know exactly this feeling. Uh but it it it’s all good. Uh the ZAI team, I really appreciate them uh making the effort. They really want to meet you. They’re here to meet you. And this is the whole point of the World’s Fair, to bring all the top world’s AI uh

[12:41] companies and labs uh all in one place, so you can do business together, uh meet the people behind the models that you use, ask the questions that he cannot answer in public, but you can ask in private. Um I’m also very proud. Uh he showed uh Zhicheng showed that that list of uh Hugging Face uh you know, top uh contributors. I think we are four for eight uh in that list uh present at World’s Fair. Uh we’re working with Nvidia and Unsloth and Ollama and then uh all those other fine-tuners as well to uh to make our our sort of the

[13:12] inference and the local tracks uh that you’re going to see over the next few days. Um with that, thank you so much to Zhicheng. Uh I’m going to invite on uh the next uh couple folks. I think I I I think I might be doing Ali’s job here, so uh we’ll we’ll talk to Hugging Face next and Minimax. Thank you.