أعلنت شركة Z.ai الصينية، المعروفة سابقًا باسم Zhipu AI، عن طرح نموذجها الجديد GLM-5.2 بصورة فورية، في خطوة تعزز المنافسة داخل سوق النماذج اللغوية الكبيرة المخصصة للبرمجة والمهام الهندسية الطويلة. ويأتي النموذج بوصفه إصدارًا مفتوح الأوزان بحجم 753 مليار معامل، مع تركيز واضح على تنفيذ المهام التي تتطلب تفاعلًا ممتدًا مع الأدوات والبيئات البرمجية.
الطرح الجديد لا يقتصر على الأداء التقني فحسب، بل يراهن أيضًا على سهولة الوصول والتكلفة. فالنموذج متاح عبر Hugging Face، وواجهة Z.ai البرمجية، وأكثر من 20 بيئة وأداة خارجية موجهة للمطورين، إلى جانب نافذة سياق مستقرة تصل إلى مليون رمز، ما يجعله مناسبًا للبرمجة على قواعد بيانات ومشروعات كبيرة تتطلب فهمًا طويل الأمد للسياق.
كما أطلقت الشركة خطط اشتراك موجهة للبرمجة تبدأ أسعارها من 12.60 دولارًا شهريًا، في مؤشر إلى رغبتها في استهداف فرق التطوير والشركات التي تبحث عن بديل مرن للنماذج المغلقة مرتفعة الكلفة.
مفتوح الأوزان بترخيص MIT
أحد أبرز عناصر الجذب في GLM-5.2 هو إتاحته تحت ترخيص MIT المفتوح، وهو ما يمنح المؤسسات حرية تنزيل الأوزان وتعديلها وإعادة تشغيلها داخل بنيتها التحتية الخاصة دون قيود جغرافية أو شروط استخدام صارمة. هذا النوع من الترخيص يهم الشركات التي تفضل تقليل الاعتماد على موردي السحابة، أو التي تحتاج إلى تشغيل النماذج داخل بيئات داخلية حفاظًا على الخصوصية والسيادة التقنية.
وبالنسبة لفرق الأمن والامتثال، فإن هذه الصيغة تمنح مرونة أعلى من النماذج التي ترتبط بسياسات استخدام مغلقة أو متغيرة، كما تتيح تطوير حلول مخصصة وإدماجها في منتجات تجارية دون تحمل رسوم ترخيص إضافية. عمليًا، يفتح ذلك الباب أمام استخدامات أوسع في القطاعات المالية والصناعية والحكومية التي تتعامل بحساسية مع البيانات.
تصميم معماري يخفف كلفة الحوسبة
اعتمدت Z.ai في GLM-5.2 على تحسين معماري يحمل اسم IndexShare، يقوم على إعادة استخدام الفهرس نفسه عبر كل أربع طبقات انتباه متناثرة. الهدف من هذه الآلية هو خفض العبء الحسابي الذي تفرضه النماذج الضخمة عند التعامل مع نصوص طويلة للغاية، وهو عبء يزداد بشكل حاد كلما ارتفع طول السياق.
وتشير الشركة إلى أن هذا التصميم يحقق خفضًا في استهلاك عمليات FLOPs لكل رمز بمعدل يقارب 2.9 مرة عند الحد الأقصى لنافذة السياق التي تبلغ مليون رمز. كما أضافت الشركة طبقة Multi-Token Prediction مطورة لدعم فك الترميز التنبؤي، بما يرفع طول الرموز المقبولة أثناء الاستدلال بنسبة تصل إلى 20%، ويعزز كفاءة التشغيل في الاستخدامات العملية.
إلى جانب ذلك، يوفر النموذج أوضاع تفكير قابلة للاختيار، ما يسمح للمستخدم بين نمط “Max” المخصص لدفع قدرات الاستدلال إلى أقصاها، ونمط “High” الذي يوازن بين جودة المخرجات والسرعة واستهلاك الرموز. هذه المرونة مهمة بشكل خاص في الأدوات البرمجية التي تتطلب أحيانًا استجابة أسرع بدلًا من أعلى مستوى تفكير ممكن.
نتائج قوية في اختبارات البرمجة والمهام الطويلة
بحسب النتائج المنشورة، يحقق GLM-5.2 أداءً يتقدم على معظم النماذج مفتوحة المصدر الرائدة، كما يقترب في بعض الفئات من نماذج مغلقة من أبرز الأسماء في السوق مثل GPT-5.5 وClaude Opus 4.8. وتبرز قوة النموذج بشكل خاص في التقييمات المتعلقة بالتعامل الوكيلي مع الأدوات والمهام البرمجية الممتدة.
في اختبار SWE-bench Pro، سجل النموذج 62.1 نقطة، متقدمًا على GPT-5.5 الذي سجل 58.6 نقطة، وكذلك على الجيل السابق GLM-5.1. وفي FrontierSWE، المصمم لقياس قدرة النماذج على إكمال مهام طويلة الأمد، حقق GLM-5.2 نسبة 74.4%، متجاوزًا GPT-5.5 الذي بلغ 72.6%، واقترب من Claude Opus 4.8 الذي سجل 75.1%.
كما سجل النموذج نتائج جيدة في MCP-Atlas وHumanity’s Last Exam مع الأدوات، إضافة إلى تفوقه الواضح في اختبارات تنفيذ الأعمال الهندسية الممتدة مثل PostTrainBench وSWE-Marathon. وفي اختبار Terminal-Bench 2.1، ورغم أنه لم يتصدر الفئة، فإنه تفوق على Gemini 3.1 Pro، ما يعزز صورته كنموذج قوي للمهام العملية لا للاستخدامات الحوارية فقط.
تكلفة API أقل من النماذج المغلقة
من الناحية التجارية، تسوق Z.ai GLM-5.2 بوصفه خيارًا تنافسيًا من حيث السعر. فالتسعير المعلن لواجهة البرمجة يبلغ 1.40 دولار لكل مليون رمز إدخال و4.40 دولار لكل مليون رمز إخراج، مع كلفة إجمالية تبلغ 5.80 دولارات لكل مليون رمز، وهي أقل بكثير من أسعار عدة نماذج مغلقة منافسة.
وتشير الشركة أيضًا إلى وجود سعر مخزن مؤقتًا للمدخلات عند 0.26 دولار لكل مليون رمز، إلى جانب عرض محدود لتخزين المدخلات المخزنة مؤقتًا مجانًا. هذا الجانب مهم للعمليات الطويلة والمتكررة، لأن تخفيض كلفة الإدخال ينعكس مباشرة على اقتصاديات الاستخدام في فرق التطوير والتشغيل.
وتظهر المقارنة السعرية أن النموذج يقع ضمن شريحة وسطية عالميًا، لكنه يظل أكثر جاذبية إذا جرى احتساب عامل المفتوحية وإمكانية التشغيل المحلي. بالنسبة للجهات التي تدير أحمال عمل كثيفة أو تبحث عن تحكم أعلى في بيئة التشغيل، فإن الكلفة الحقيقية قد تكون أقل بكثير من بدائل تعتمد على مزود خارجي دائم.
توجه واضح نحو بيئات التطوير
لم تُصمم Z.ai النموذج ليكون مجرد واجهة دردشة عامة، بل أطلقته ضمن حزمة تشغيلية موجهة مباشرة إلى المطورين. وتشمل هذه الحزمة دعمًا لأدوات وبيئات Agentic Coding متعددة، من بينها Claude Code وCline وKilo Code وCrush وFactory وغيرها، ما يسهل دمجه ضمن مسارات العمل الحالية لدى فرق الهندسة.
ويعني ذلك أن الشركة تراهن على طبقة الاستخدام العملي أكثر من الطبقة الاستعراضية. فالمطلوب هنا ليس فقط إنتاج نص جيد، بل تنفيذ مهام طويلة تتضمن التخطيط، واستدعاء الأدوات، ومتابعة خطوات متعددة، والتعامل مع نتائج متغيرة أثناء بناء البرمجيات أو فحصها أو تحسينها.
هذا التوجه يتماشى مع الطلب المتزايد على نماذج قادرة على العمل كمساعد هندسي شبه مستقل، وهو مجال أصبح أحد أهم ساحات المنافسة في الذكاء الاصطناعي خلال العامين الأخيرين.
انعكاسات على سوق النماذج المفتوحة
إطلاق GLM-5.2 يعكس اتجاهًا أوسع في الصناعة: النماذج المفتوحة لم تعد تلاحق المتصدرين فقط، بل بدأت تنافسهم في مجالات دقيقة مثل البرمجة طويلة الأفق، والمهام الوكيلة، والاستدلال متعدد الخطوات. ومع تحسن الأداء وانخفاض الكلفة، تصبح الفجوة بين النماذج المفتوحة والمغلقة أقل وضوحًا بالنسبة للمطورين، خاصة عندما تكون قابلية النشر المحلي عاملًا حاسمًا.
وفي المقابل، تواصل الشركات المغلقة الاعتماد على القوة الحسابية والمنتجات المتكاملة، لكن الضغوط السعرية والمخاوف التنظيمية تجعل بدائل مثل GLM-5.2 أكثر جاذبية من أي وقت مضى. فالمؤسسات لا تبحث فقط عن أعلى نتيجة معيارية، بل عن نموذج يمكن تشغيله والتحكم فيه واحتسابه ضمن تكلفة واضحة.
لهذا السبب، قد لا يكون GLM-5.2 مجرد إصدار جديد في سلسلة نماذج Z.ai، بل إشارة إلى أن المنافسة المقبلة في الذكاء الاصطناعي ستدور حول الجمع بين الأداء والمرونة والسعر، بدلًا من الاكتفاء بإظهار أرقام قياسية في الاختبارات المختبرية. وإذا استمر هذا الاتجاه، فقد تصبح النماذج مفتوحة الأوزان عنصرًا أساسيًا في بنية الذكاء الاصطناعي المؤسسي خلال المرحلة المقبلة.