# GLM-5.2

> Fiche du modèle de langage GLM-5.2 sur Quelle IA, édition du 28 septembre 2026. GLM-5.2 (Z.ai (Zhipu AI)) : score IA de 83,9, 43e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/glm-5-2/
Origine : Z.ai (Zhipu AI) · Chine · sorti le 16 juin 2026

## Score général

- Score IA : 83,9 (marge à 90 % : de 81,9 à 86,0)
- Rang : 43 (Groupe 6, ex æquo)
- Couverture : 95 % du poids des tâches, 31 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 80,8 | Rang 42 · 78 % |
| Code | 82,9 | Rang 31 · 54 % |
| Agents | 85,8 | Provisoire · 33 % |
| Usage | 85,2 | Rang 38 · 100 % |
| Maths | 85,5 | Rang 28 · 62 % |
| Sciences | 84,2 | Rang 28 · 80 % |
| Français | 81,9 | Rang 23 · 50 % |
| Vision | non mesuré | Non mesuré |
| Écriture | 86,3 | Rang 34 · 100 % |
| Web | 90,2 | Rang 22 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [GLM-5.2 (Max)](https://artificialanalysis.ai/models/glm-5-2) | 33,7 | 85e sur 193 | 81,5 jetons/s | 3,12 s | 1,4 $ / 4,4 $ |
| [GLM-5.2 (Non-reasoning)](https://artificialanalysis.ai/models/glm-5-2-non-reasoning) | 22,4 (estimé) | hors classement | 134,3 jetons/s | 1,31 s | 1,4 $ / 4,4 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe ; un indice qu'ils estiment reste hors de ce classement. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/glm-5-2

## Exécution locale

Trop lourd pour les machines que suit Quelle IA : 513,4 Go en version allégée à 4 bits, plus que les 448 Go utiles de quatre DGX Spark en grappe. Il lui faut un serveur.

- Allégée, 4 bits : 513,4 Go
- Allégée, 8 bits : 898,4 Go
- Complète, 16 bits : 1 711,2 Go

- Plus petite machine : aucune, il faut un serveur
- Carte graphique : Trop juste
- PC portable RTX : Trop juste
- PC portable Intel : Trop juste
- PC portable Snapdragon : Trop juste
- Mac : Trop juste
- Ryzen AI Max : Trop juste
- Nvidia DGX : Trop juste
- Sans carte graphique : Trop juste
- Serveur : Oui

## Fiche technique

- Prix : 0,98 € / 3,08 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 048 576 jetons (environ 786 000 mots)
- Entrées : Texte
- Réflexion : Sans, élevée, maximale (trois niveaux réglables)
- Paramètres : 744 milliards
- Licence : MIT (poids ouverts, téléchargeables)
- Classe énergétique : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Non communiqué

## Où le trouver

- Télécharger : [Hugging Face](https://huggingface.co/zai-org/GLM-5.2)
- Sur votre machine : [Ollama](https://ollama.com/search?q=GLM-5.2)
- Sur votre machine : [LM Studio](https://lmstudio.ai)
- Par API : [OpenRouter](https://openrouter.ai/z-ai/glm-5.2)
- Par API : [API Z.ai (Zhipu AI)](https://docs.z.ai)
- L'essayer : [Z.ai](https://chat.z.ai)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Mistral Vibe](https://quelleia.com/outils/#mistral-vibe), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Utilisé par : [Amp](https://quelleia.com/outils/#amp)
- Mesuré dans : [Claude Code](https://quelleia.com/outils/#claude-code)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| DTBench | Raisonnement | 93,6 % | 92,2 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 91,9 % | 85,5 | actif | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 86,4 % | 75,0 | saturé | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 87,9 % | 80,1 | actif | https://epoch.ai/benchmarks |
| SWE-bench Verified | Code | 78,7 % | 86,6 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 77 % | 81,1 | saturé | https://arcprize.org/leaderboard |
| OTIS Mock AIME 2024-2025 | Maths | 75,6 % | 70,1 | saturé | https://epoch.ai/benchmarks |
| Code Arena, WebDev | Web | 1 604,6 Elo | 91,2 | actif | https://arena.ai/leaderboard |
| WeirdML (v2) | Code | 70,1 % | 89,0 | actif | https://htihle.github.io/weirdml.html |
| WeirdML (v2) | Code | 67,3 % | 86,8 | actif | https://htihle.github.io/weirdml.html |
| Arena, écriture créative | Écriture | 1 455,3 Elo | 89,0 | actif | https://arena.ai/leaderboard |
| Arena, questions de maths | Maths | 1 487,3 Elo | 87,4 | actif | https://arena.ai/leaderboard |
| GPQA Diamond | Sciences | 71,2 % | 66,4 | actif | https://epoch.ai/benchmarks |
| Arena, questions d'experts | Sciences | 1 501,4 Elo | 85,5 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 475,4 Elo | 86,9 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 512,1 Elo | 84,2 | actif | https://arena.ai/leaderboard |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 59,2 % | 84,6 | actif | https://epoch.ai/benchmarks |
| Arena, questions en français | Français | 1 490,3 Elo | 84,7 | actif | https://arena.ai/leaderboard |
| Surface Evolver Bench | Sciences | 55,6 % | 82,7 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 54,7 % | 83,2 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 45,82 | 84,7 | actif | https://conceptualreasoning.ai/lmca |
| Vending-Bench 2 | Agents | 8 314 $ | 89,7 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 58,8 % | 82,5 | actif | https://lmcouncil.ai/benchmarks |
| SciCode | Code | 50,5 % | 83,8 | actif | https://artificialanalysis.ai/evaluations/scicode |
| compar:IA | Français | 997,0 Elo | 61,3 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| DeepSWE | Code | 43,8 % | 84,6 | actif | https://deepswe.datacurve.ai/ |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 42,5 % | 79,4 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 36,3 % | 82,2 | actif | https://deepswe.datacurve.ai/ |
| SciCode | Code | 36,1 % | 66,4 | actif | https://artificialanalysis.ai/evaluations/scicode |
| ProofBench | Maths | 35 % | 85,5 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| SimpleQA Verified | Données | 34,2 % | 76,9 | actif | https://epoch.ai/benchmarks |
| PostTrainBench | Agents | 31,7 % | 91,6 | actif | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (v2) | Maths | 29,3 % | 86,5 | saturé | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 28,9 % | 56,2 | saturé | https://epoch.ai/benchmarks |
| FrontierCode | Code | 24,5 % | 82,2 | actif | https://cognition.com/frontiercode |
| ARC-AGI-2 | Raisonnement | 22,8 % | 79,6 | saturé | https://epoch.ai/benchmarks |
| CritPt | Sciences | 20,9 % | 90,9 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 21 % | 78,2 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 19 % | 81,5 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 18 % | 80,7 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 18 % | 80,7 | actif | https://epoch.ai/benchmarks |
| EBR-bench (Earthborne Rangers) | Agents | 9,5 % | 83,4 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 14 % | 71,5 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 15 % | 77,8 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 3,1 % | 71,9 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 6 % | 48,6 | actif | https://epoch.ai/benchmarks |
| GBAEval | Code | 0 % | 74,4 | actif | https://gbaeval.com/model/goose-glm-5-2 |

## En bref

**Quel est le score de GLM-5.2 ?** GLM-5.2 obtient un score IA de 83,9, avec une marge de 81,9 à 86,0, dans l'édition du 28 septembre 2026. Il est classé 43e sur 246 modèles, à partir de 31 mesures.

**Dans quelles tâches GLM-5.2 est-il le plus fort ?** Ses deux meilleures tâches sont web (90,2) et écriture (86,3). Sa tâche la plus faible est raisonnement (80,8).

**GLM-5.2 peut-il tourner en local ?** Trop lourd pour les machines que suit Quelle IA : 513,4 Go en version allégée à 4 bits, plus que les 448 Go utiles de quatre DGX Spark en grappe. Il lui faut un serveur.

**Combien coûte GLM-5.2 ?** 0,98 € par million de jetons en entrée et 3,08 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite GLM-5.2 ?** GLM-5.2 est édité par Z.ai (Zhipu AI) (Chine), et il est sorti le 16 juin 2026. Ses poids sont ouverts, sous licence MIT.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com