--- title: "GLM 5.2: frontiera open-weight sotto licenza MIT e perché conta per la sovranità AI" description: "Z.ai rilascia GLM 5.2 con pesi aperti (MIT) e contesto da 1M token. Secondo Artificial Analysis è il miglior modello open-weight e quarto assoluto. Cosa significa per chi vuole AI di frontiera ma controllabile e self-hostabile." url: "https://www.noze.it/insights/glm-5-2-open-weight-sovranita-ai/" lang: "it" alternate: "https://www.noze.it/en/insights/glm-5-2-open-weight-ai-sovereignty/" published: "2026-06-20" author: "noze S.r.l." keywords: "AI, Open Source, Governance, Open Weight, LLM, GLM, AI Sovereignty, On-Premise, Coding" --- # GLM 5.2: frontiera open-weight sotto licenza MIT e perché conta per la sovranità AI Z.ai rilascia GLM 5.2 con pesi aperti (MIT) e contesto da 1M token. Secondo Artificial Analysis è il miglior modello open-weight e quarto assoluto. Cosa significa per chi vuole AI di frontiera ma controllabile e self-hostabile. 20 giugno 2026 ![Grafico a barre dell'Artificial Analysis Intelligence Index: GLM-5.2 a quota 51, quarto assoluto dietro Claude Fable 5 (60), Claude Opus 4.8 (56) e GPT-5.5 (55)](https://www.noze.it/images/insights/glm-5-2-intelligence-index.png) L’Intelligence Index di Artificial Analysis: GLM-5.2 segna 51, primo fra i modelli a pesi aperti e quarto in assoluto, undici punti sopra GLM-5.1. Immagine: Artificial Analysis (artificialanalysis.ai). ## Cosa è GLM 5.2 Tra il 13 e il 17 giugno 2026 **Z.ai** (già Zhipu AI) ha rilasciato **GLM 5.2** in più fasi: prima sul **GLM Coding Plan** (13 giugno), poi con la pubblicazione dei **pesi aperti** su Hugging Face (16 giugno) e infine con documentazione e benchmark (17 giugno). È il successore diretto di GLM-5.1 nella linea GLM (4.5 → 4.6 → 5 → 5.1 → 5.2). Le caratteristiche, derivabili dalla scheda modello e dal `config.json` pubblicato con i pesi: - **Architettura Mixture-of-Experts** (non _dense_): **circa 753 miliardi di parametri totali**, di cui **\~40 miliardi attivi** per token. I file dei pesi pesano circa **1,5 TB** in BF16 (circa 750 GB nella variante FP8). - **Contesto da 1 milione di token** (era 200K in GLM-5.1) e output fino a \~128-131K token. - **Modello di reasoning** con due livelli di “thinking effort”; **solo testo** (nessun input multimodale). - **Licenza MIT**, verificata sul file `LICENSE` del repository, con pesi scaricabili da Hugging Face (`zai-org/GLM-5.2`, più una variante FP8). Permissiva: uso commerciale, modifica, fine-tuning, ridistribuzione e self-hosting senza canoni né restrizioni d’uso. - **API e prezzi** su z.ai: circa **1,40 $/milione** di token in input e **4,40 $/milione** in output (gli stessi di GLM-5.1), con il GLM Coding Plan a partire da poche decine di dollari al mese. Il posizionamento dichiarato è netto: **coding ad alte prestazioni e task agentici** “long-horizon”, con endpoint compatibile Anthropic, quindi utilizzabile da subito in ambienti come Claude Code, Cline e OpenCode. ## Quanto è forte (e chi lo dice) Qui serve una distinzione che facciamo sempre: separare i numeri **dichiarati dal produttore** dalle misurazioni **indipendenti**. Il dato indipendente più solido viene da **Artificial Analysis**: nel loro Intelligence Index GLM 5.2 segna **51**, ed è **il miglior modello open-weight** in classifica, sette punti sopra il secondo open (MiniMax-M3 e DeepSeek V4 Pro a 44, Kimi K2.6 a 43) e con un balzo di **+11 punti** su GLM-5.1. In assoluto si colloca **quarto**, dietro solo a tre modelli _closed_: Claude Fable 5 (60), Claude Opus 4.8 (56) e GPT-5.5 (55). Sempre da valutazioni indipendenti, su Code Arena è secondo nei task di sviluppo frontend, e l’analista Simon Willison lo definisce “probabilmente il più capace LLM open-weight solo-testo”. Z.ai pubblica poi i propri benchmark (ad esempio SWE-bench Pro 62,1, GPQA-Diamond 91,2, Terminal-Bench 81,0), ma vanno letti come **dati auto-riportati**: i _re-run_ indipendenti di Artificial Analysis restituiscono valori più bassi (GPQA-Diamond intorno all’89%, Terminal-Bench intorno al 78%), per via di scaffolding e configurazioni di test diversi. Due caveat onesti dalle stesse fonti indipendenti: il modello è **“token-hungry”** (consuma molti più token di ragionamento per task rispetto al predecessore) e mostra qualche **regressione sui compiti creativi** rispetto a GLM-5.1. Il quadro, insomma, è quello di un modello molto forte su coding e agentic, non di una supremazia assoluta su ogni metrica. Resta il punto che ha fatto notizia: prestazioni di coding nella stessa fascia dei modelli di frontiera occidentali a una **frazione del costo** (la stampa parla di circa un sesto rispetto a GPT-5.5 su alcuni benchmark long-horizon). ## Il punto per noi: frontiera che puoi possedere Il dettaglio che conta davvero non è un benchmark, è la licenza. **GLM 5.2 è un modello di frontiera open-weight sotto MIT**: i pesi si scaricano, si eseguono dove vuoi, non li può spegnere nessuno. È esattamente la tesi che abbiamo argomentato pochi giorni fa raccontando come [un governo abbia potuto disattivare un modello commerciale](https://www.noze.it/insights/fable-5-stop-governo-usa-sovranita-ai/) da un giorno all’altro. Tra l’altro, il modello al vertice di quella classifica indipendente, Claude Fable 5, è proprio quello. Con i pesi scaricabili in locale quel rischio di spegnimento non si applica. Onestà tecnica, però: “open-weight” non significa “gira sul portatile”. Servono risorse da datacenter: circa **8 GPU H200** per la versione FP8 (\~750 GB), il doppio in BF16. Le quantizzazioni della community (GGUF per llama.cpp, Ollama, LM Studio) abbassano l’asticella a costo di qualità, ma il self-hosting pieno è realistico per chi ha un cluster GPU o noleggia capacità cloud. Per molti team l’API gestita resta la scelta pragmatica; il self-hosting si giustifica con requisiti di **compliance, data residency o throughput** sostenuto. È lo stesso ragionamento dietro alle nostre [workstation AI on-premise](https://www.noze.it/insights/gb10-ai-workstation-on-premise/) e all’uso di runtime come [vLLM](https://www.noze.it/insights/vllm-open-source/) e [Ollama](https://www.noze.it/insights/ollama-open-source/). ## Sovranità e compliance: pesi locali ≠ API in Cina C’è una distinzione che un’impresa o una PA europea deve tenere ferma, perché è di natura giuridica, non di qualità del modello. - **Eseguire i pesi** in locale o in cloud privato UE significa che prompt, contesto e dati **restano sulla propria infrastruttura**: nessun sub-processor da verificare, nessun trasferimento transfrontaliero da documentare. La _data residency_ diventa una proprietà dell’architettura. La licenza MIT, oltretutto, non pone restrizioni regionali o d’uso. - **Usare l’API ospitata da Z.ai** (in Cina) è un profilo di rischio diverso: i dati transitano in giurisdizione cinese, soggetta alla _National Intelligence Law_ (2017) e al regime **PIPL** sui trasferimenti. Per un titolare UE configura un trasferimento extra-UE da valutare sotto **GDPR** (artt. 44 e seguenti), con DPIA e base giuridica adeguata. Va inoltre ricordato che **Zhipu AI è nella Entity List del Dipartimento del Commercio USA dal gennaio 2025**: non impedisce di usare pesi MIT in locale, ma è un elemento di due diligence per chi instrada dati verso l’API. Niente allarmismo: è esattamente il tipo di valutazione che facciamo nei progetti di [governance dell’AI](https://www.noze.it/insights/open-intelligence-secure-governance-agentic/). La conclusione operativa è che, con i pesi aperti, **la scelta torna in mano all’organizzazione**. ## Cosa fare - **Valutarlo dove eccelle.** Per coding e flussi agentici, GLM 5.2 è oggi un candidato serio, soprattutto sul rapporto costo/prestazioni. Verificate sui _vostri_ task, non sui benchmark. - **Decidere pesi vs API in base alla compliance.** Dati sensibili, PA, settori regolati → self-host o endpoint con residency UE. Carichi non critici → l’API gestita può bastare, con la due diligence di cui sopra. - **Non legarsi a un singolo modello.** Un _gateway_ con fallback multi-vendor rende GLM 5.2 una scelta di instradamento, non una dipendenza rigida. - **Sfruttare l’ondata open-weight.** GLM si affianca a [DeepSeek V4](https://www.noze.it/insights/deepseek-v4-preview/), [Qwen](https://www.noze.it/insights/qwen-3-6/) e [Gemma](https://www.noze.it/insights/gemma-nuova-release/): una pluralità di modelli scaricabili e competitivi è, di per sé, una riduzione del rischio di _kill-switch_ di un singolo fornitore. È la differenza tra subire una roadmap e governarla: il senso del nostro lavoro sull’[intelligenza artificiale](https://www.noze.it/intelligenza-artificiale/), del framework open source [Admina](https://www.noze.it/open-source/admina/) e di prodotti come [IntelliPA](https://www.noze.it/prodotti/intellipa/). ## Dove siamo Al momento in cui scriviamo, **il 20 giugno**, GLM 5.2 è il riferimento open-weight del momento: il miglior punteggio indipendente della categoria e il primo, tra gli open, a insidiare da vicino i modelli di frontiera _closed_. Restano da consolidare alcune valutazioni indipendenti su benchmark che Z.ai non ha ancora pubblicato (SWE-bench Verified, LiveCodeBench, Aider): come sempre, i numeri vanno confermati sul campo. Resta il punto operativo: un modello di questa fascia è scaricabile ed eseguibile in proprio. **Link**: [Z.ai: GLM 5.2 blog](https://z.ai/blog/glm-5.2) · [Hugging Face: zai-org/GLM-5.2](https://huggingface.co/zai-org/GLM-5.2) · [Artificial Analysis](https://artificialanalysis.ai/articles/glm-5-2-is-the-new-leading-open-weights-model-on-the-artificial-analysis-intelligence-index) · [Simon Willison](https://simonwillison.net/2026/Jun/17/glm-52/)