GLM 5.2: frontiera open-weight sotto licenza MIT, e perché conta per la sovranità AI

Intelligenza Artificiale

Consulenza EU AI Act: classificazione dei sistemi, policy, governance AI, formazione.

Scopri →

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 da un giorno all’altro. Tra l’altro, il modello al vertice di quella classifica indipendente, Claude Fable 5, è proprio quello. Un modello che possiedi non ha quel rischio.

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 e all’uso di runtime come vLLM e Ollama.

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. 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, Qwen e Gemma: 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 e di prodotti come Admina e 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. Ma il messaggio di fondo è già chiaro, ed è quello che ci interessa: l’intelligenza di frontiera, ormai, si può anche possedere.

Link: Z.ai: GLM 5.2 blog · Hugging Face: zai-org/GLM-5.2 · Artificial Analysis · Simon Willison