Artificial Analysis — una piattaforma indipendente di valutazione di modelli AI — ha pubblicato (thread X/Twitter del 22 giugno 2026 + pagina dettagliata del modello) un confronto che colloca GLM-5.2, l'ultimo modello di Z.ai (Zhipu AI), in cima ai modelli open weights e al #3 nella classifica generale di GDPval-AA. Questo benchmark misura le prestazioni su lavoro intellettuale reale ed economicamente rilevante, attraverso compiti a lungo orizzonte e multi-turno, concepiti come veri test professionali (ad esempio, la lista dei compiti giornalieri di un supervisore di negozio al dettaglio, o un documento tecnico IEC) che coprono sia il lavoro professionale sia quello creativo.

GLM-5.2 ottiene 1524 Elo, dietro solo a Claude Fable 5 (1783) e Claude Opus 4.8 (1615), e alla pari con GPT-5.5 in configurazione xhigh (1509). Ancora più significativo, domina il campo degli open weights con un ampio margine: il miglior modello open successivo, MiniMax-M3, ottiene solo 1408. GLM-5.2 supera inoltre diversi modelli proprietari — Gemini 3.5 Flash (1357), Qwen 3.7 Max (1289) e Muse Spark (1158).

Viene sottolineata la natura agentica dei compiti: GLM-5.2 ha registrato in media ~31 turni per compito su 1.999 confronti. La metodologia di Artificial Analysis consiste nel sottoporre gli stessi brief a GLM-5.2 e a tre modelli proprietari di frontiera (Fable 5, GPT-5.5, Gemini 3.5 Flash), quindi nel rendere ciascun deliverable esattamente come prodotto. Il risultato è coerente su tutti gli indici propri dell'azienda: GLM-5.2 è #1 tra gli open weights sull'Intelligence Index, #3 sull'Agentic Index e #3 su AA-Briefcase (dove è il miglior modello open, davanti a GPT-5.5 xhigh e dietro solo a Fable 5).

La pagina del modello completa il quadro: GLM-5.2 è una Mixture of Experts con 753 miliardi di parametri (di cui 40 miliardi attivi), un modello di ragionamento con contesto 1M token, distribuito con licenza MIT (uso commerciale consentito, pesi su Hugging Face), rilasciato il 16 giugno 2026. Sul piano economico: $1,40 / $4,40 per milione di token (ingresso/uscita), un tasso di cache hit di $0,26 (-81%), un throughput di 106,3 token/s e un time to first token di 1,36s.

Il messaggio veicolato dai numeri è chiaro: che un modello open weights a questo prezzo rivaleggi con la frontiera proprietaria su lavoro agentico realmente utile costituisce, secondo Artificial Analysis, "un vero passo avanti per i modelli open". La convergenza open/proprietario non riguarda più soltanto i test accademici, ma il valore economico prodotto in condizioni agentiche.