Пекин, 17 июня 2026 года — мир искусственного интеллекта стал свидетелем события, которое может переломить ход технологического противостояния между США и Китаем. Китайская компания Z.ai выпустила модель GLM-5.2 с открытым исходным кодом, которая не просто догнала, а в ряде бенчмарков превзошла ведущие западные модели. И это при том, что вся вычислительная мощь для обучения была обеспечена исключительно отечественными процессорами Huawei Ascend 910B — без единого чипа Nvidia.
Американские санкции, призванные задушить китайский ИИ, не только не достигли цели, но и подстегнули инновации внутри КНР. GLM-5.2 уже заняла первое место в индексе Artificial Analysis, обойдя GPT-5.5 от OpenAI на бенчмарке SWE-bench Pro, и теперь доступна для локального развёртывания с лицензией MIT. В этой статье мы детально разберём технические характеристики модели, её позиции в мировых рейтингах, архитектурные инновации и геополитические последствия этого прорыва.
Что такое GLM-5.2: революция в мире открытого ИИ
Z.ai — не просто очередной стартап из Пекина. Это компания, которая целенаправленно строила свою инфраструктуру на оборудовании Huawei, игнорируя доступные чипы Nvidia даже до того, как санкции стали ужесточаться. GLM-5.2 — это флагманская модель семейства GLM-5, обученная на кластере из 100 000 процессоров Ascend 910B. Модель распространяется с открытыми весами под лицензией MIT, что означает:
- Полную свободу коммерческого использования без отчислений.
- Возможность локального развёртывания без привязки к облачным API.
- Отсутствие региональных ограничений или возможности отзыва доступа со стороны властей.
Это первый случай, когда китайская модель такого уровня становится доступной глобальному сообществу без оглядки на экспортные ограничения США. Веса GLM-5.2 уже загружены на Hugging Face, и разработчики по всему миру могут скачать их хоть сегодня.
Архитектура Mixture-of-Experts (MoE): 744 млрд параметров, но всего 40 млрд на вывод
Сердцем GLM-5.2 является архитектура смеси экспертов (MoE) с колоссальными 744 миллиардами параметров. Однако благодаря механизму разрежённой маршрутизации на каждый конкретный запрос активируется лишь около 40 миллиардов параметров. Как это работает:
- Модель содержит 256 специализированных экспертных подсетей.
- Для каждого токена механизм маршрутизации выбирает только 8 наиболее релевантных экспертов.
- Остальные 248 подсетей остаются неактивными, что экономит вычислительные ресурсы.
Этот подход позволяет GLM-5.2 поддерживать передовые возможности, сравнимые с плотными моделями удвоенного размера, но без пропорционального роста затрат на инференс. Такой дизайн особенно эффективен для мультидисциплинарных задач, где разные эксперты специализируются на программировании, математике, естественных науках или творческом письме.
Разрежённое внимание DeepSeek Sparse Attention (DSA): работа с миллионом токенов
Одним из самых значимых нововведений GLM-5.2 стала интеграция механизма разрежённого внимания (DSA). В традиционных трансформерах сложность вычисления внимания растёт квадратично с длиной контекста. При контекстном окне в 1 миллион токенов полное внимание становится вычислительно непомерным — это требовало бы гигантских ресурсов и делало бы инференс практически невозможным.
DSA решает эту проблему радикально:
- Вместо анализа всех токенов модель избирательно фокусируется только на наиболее релевантных фрагментах.
- Это достигается через механизм разрежённости, который динамически определяет важность каждого токена.
- В результате контекстное окно в 1 млн токенов становится реальностью, а не теоретической цифрой.
Практическое значение DSA огромно: модель может обрабатывать целые кодовые базы (репозитории GitHub с тысячами файлов) за один проход вывода, не теряя нити повествования или логики. Это делает GLM-5.2 идеальным инструментом для программной инженерии, анализа больших документов и агентных систем.
Рейтинги и бенчмарки: где GLM-5.2 превзошла конкурентов
Результаты GLM-5.2 на независимых бенчмарках впечатляют и ставят её в один ряд с лучшими закрытыми моделями Запада. Вот ключевые показатели:
Рейтинг Code Arena: первое место среди доступных моделей
На платформе Code Arena, где модели оцениваются методом слепого попарного голосования реальными пользователями, GLM-5.2 набрала 1595 баллов, заняв общее второе место среди всех когда-либо протестированных моделей. Однако среди доступных на сегодняшний день систем она вышла на первую строчку, поскольку модель Fable 5 от OpenAI была удалена из выборки после введения экспортных ограничений США.
SWE-bench Pro: победа над GPT-5.5
На бенчмарке SWE-bench Pro, который оценивает способность ИИ решать реальные задачи с GitHub (исправление багов, реализация фич в существующих кодовых базах), GLM-5.2 показала результат 62,1 балла. Для сравнения:
| Модель | Результат SWE-bench Pro |
|---|---|
| GLM-5.2 (Z.ai) | 62,1 |
| GPT-5.5 (OpenAI) | 58,6 |
| Claude Opus 4.8 (Anthropic) | 61,2 |
| Gemini Ultra 2.0 (Google) | 57,8 |
Это означает, что китайская модель превзошла флагманский продукт OpenAI на 3,5 процентных пункта в решении практических инженерных задач.
Design Arena: абсолютное лидерство
В тестах на генерацию дизайн-кода и визуальных макетов (Design Arena) GLM-5.2 заняла чистое первое место, обойдя всех западных конкурентов без исключения. Это указывает на сильную специализацию модели в креативных и визуальных направлениях, что делает её привлекательной для веб-разработчиков и UI/UX-дизайнеров.
SWE-Marathon: где модель уступает
Однако не всё так радужно. В самом требовательном тесте SWE-Marathon, который оценивает агентное кодирование с долгосрочным горизонтом (многошаговые задачи, требующие планирования и выполнения последовательных действий), GLM-5.2 показала скромные 13,0 баллов против 26,0 баллов у Claude Opus 4.8 от Anthropic. Это отставание почти вдвое указывает на то, что китайская модель пока уступает в стратегическом планировании и многоэтапной логике, что характерно для большинства современных MoE-архитектур.
Технические компромиссы: цена производительности на Ascend 910B
Обучение GLM-5.2 на чипах Huawei Ascend 910B — это не просто политическое заявление, а инженерный подвиг. Однако он сопровождается осязаемыми компромиссами.
Скорость инференса: 17–19 токенов/с против 25–30 у Nvidia
При выводе (инференсе) GLM-5.2 генерирует примерно 17–19 токенов в секунду. Для сравнения, конкуренты на чипах Nvidia H100 выдают 25–30 токенов/с и более. Эта разница обусловлена двумя факторами:
- Накладные расходы MoE — активация 8 из 256 экспертов требует дополнительных операций передачи данных.
- Меньшая пропускная способность памяти у Huawei Ascend 910B по сравнению с H100 (примерно 1,6 ТБ/с против 3,35 ТБ/с).
На практике это означает, что для массового коммерческого использования GLM-5.2 потребуются более мощные кластеры или оптимизированные программные стеки.
Время и стоимость обучения: $25 млн против $100 млн на Западе
Обучение модели потребовало примерно на 15% больше вычислительного времени, чем аналогичный запуск на Nvidia. Однако итоговая стоимость оказалась значительно ниже — около $25 млн, тогда как обучение передовых западных моделей (например, GPT-5.5 или Claude 4) оценивается в $80–100 млн.
Почему так дёшево?
- Чипы Huawei Ascend дешевле своих американских аналогов.
- Китайское правительство предоставляет субсидии на развитие отечественного ИИ.
- Энергозатраты в Китае ниже благодаря государственному регулированию тарифов.
Таким образом, ценовое преимущество делает GLM-5.2 более доступной для масштабирования, несмотря на более низкую пиковую производительность каждого отдельного чипа.
Геополитический контекст: санкции, которые не сработали
История развития GLM-5.2 — это яркий пример того, как внешнее давление стимулирует внутренние инновации. С октября 2022 года правительство США планомерно ужесточало экспортный контроль на ИИ-чипы, включая:
- Запрет на поставку Nvidia A100 и H100 в Китай.
- Расширение ограничений на оборудование с производительностью выше определённого порога.
- Внесение китайских ИИ-компаний, включая Z.ai, в санкционные списки (январь 2025 года).
Однако результат оказался противоположным ожидаемому. Китайские лаборатории ускорили развитие собственного стека, и GLM-5.2 — лучшее тому доказательство.
Близость к паритету: 2,7 процентных пункта по индексу Стэнфорда
Согласно Индексу ИИ Стэнфордского университета за 2026 год, общий разрыв в производительности между лучшими американскими и китайскими моделями сократился до 2,7 процентных пунктов. Это исторический минимум. Ещё два года назад отставание составляло двузначные числа.
Однако разрыв сохраняется в самых сложных задачах на логическое мышление (тесты типа ARC-AGI-2), которые разработаны специально для предотвращения манипуляций и проверки настоящего интеллекта, а не заученных паттернов. В этих тестах китайские модели заметно уступают американским — по оценкам Epoch AI, отставание составляет в среднем семь месяцев по всему индексу передовых возможностей.
Тем не менее, GLM-5.2 сократила этот разрыв быстрее, чем ожидали эксперты, и если к концу 2026 года китайская модель сможет продемонстрировать паритет по коммерческим возможностям с Fable 5, это поставит под серьёзное сомнение эффективность всей политики экспортного контроля.
Правовые риски: открытые веса и закрытый API
Одной из ключевых особенностей GLM-5.2 является её доступность: веса модели опубликованы на Hugging Face под лицензией MIT. Это означает, что любой разработчик может загрузить модель и запустить её локально, полностью контролируя данные и инфраструктуру.
Самостоятельное развёртывание: защита от утечек, но требует ресурсов
Для локального развёртывания GLM-5.2 требуется примерно 1,5 Тбайт видеопамяти (VRAM). Это достижимо только для крупных корпораций с кластерами из нескольких десятков GPU. Например:
- 8 × H100 (80 ГБ) = 640 ГБ — недостаточно.
- 16 × H100 = 1,28 ТБ — близко, но не хватает.
- 20 × H100 = 1,6 ТБ — минимально приемлемая конфигурация.
Для большинства стартапов и средних компаний локальное развёртывание недоступно, что толкает их к использованию облачного API Z.ai.
Облачный API: удобство, но юридические риски
Z.ai зарегистрирована в Пекине и подчиняется китайскому законодательству. Это накладывает строгие ограничения:
- Закон о национальной разведке требует от всех китайских организаций и граждан «поддерживать и сотрудничать с государственной разведывательной деятельностью».
- Закон о безопасности данных и Закон о кибербезопасности обязывают локализовать данные и предоставлять доступ правительству по требованию.
Это означает, что даже если Z.ai заявляет о политике конфиденциальности, юридически она обязана передавать данные властям при официальном запросе. Для западных корпораций, работающих с чувствительной информацией, это может быть неприемлемым риском.
Расследование Конгресса США
В мае 2026 года законодатели Палаты представителей США начали официальное расследование рисков кибербезопасности, связанных с использованием китайских ИИ-моделей в критической инфраструктуре. Z.ai вошла в список компаний под пристальным вниманием, наряду с DeepSeek и SenseTime.
Вердикт: триумф китайского ИИ или временный успех?
GLM-5.2 — это безусловный технологический прорыв, который демонстрирует, что американские санкции не только не задушили китайский ИИ, но и ускорили его развитие. Модель:
- Превзошла GPT-5.5 в решении реальных задач программирования.
- Получила первое место в Design Arena.
- Доступна с открытым исходным кодом, что делает её глобальным общественным благом.
Однако компромиссы очевидны: меньшая скорость инференса, отставание в стратегическом планировании (SWE-Marathon) и юридические риски при использовании облачного API.
Что будет дальше? Если Z.ai сможет устранить разрыв в логическом мышлении и увеличить пропускную способность до уровня Nvidia к концу 2026 года, американская политика экспортного контроля может быть пересмотрена. Но пока одно ясно точно: гонка ИИ-вооружений только начинается, и у Китая есть все карты, чтобы играть на равных.
Ключевые слова (использованы в статье):
- GLM-5.2
- Z.ai
- Huawei Ascend 910B
- китайская ИИ-модель
- санкции США против Китая
- искусственный интеллект открытый код
- лицензия MIT
- Mixture-of-Experts
- SWE-bench Pro
- GPT-5.5 сравнение
- Claude Opus 4.8
- DeepSeek Sparse Attention
- индекс Стэнфорда ИИ
- Hugging Face веса модели
- экспортный контроль чипов
- Z.ai санкции
- ARC-AGI-2 тест
- обучение ИИ на Huawei