Los presupuestos de tokens generosos se convirtieron en el mayor escudo que protege a los laboratorios de IA de frontera en Estados Unidos. Esa es la lectura que dejan los ingenieros de software que ya incorporaron GLM 5.2, el modelo de la firma pekinesa Z.ai, a su rutina diaria de programacion.
Zain Hasan, ingeniero de IA en Together AI, aprendio a usar asistentes de codificacion con un ojo puesto en el gasto. Manda los problemas dificiles a un modelo de frontera, cercano al estado del arte en razonamiento, como Fable de Anthropic. Pero cuando la tarea es mas directa, la deriva a un modelo menos capaz y mas barato. Hoy, ese modelo tiende a ser GLM 5.2.
¿Que es GLM 5.2 y por que es tan barato?
Lanzado el 16 de junio por el laboratorio Z.ai, GLM 5.2 es un modelo de pesos abiertos: cualquier organizacion con hardware suficiente puede descargarlo y alojarlo gratis. Se distribuye bajo licencia MIT, lo que permite copiarlo, modificarlo y usarlo sin restricciones comerciales.
Se trata de un modelo de 753 mil millones de parametros, de los cuales solo 40 mil millones estan activos a la vez, una optimizacion tipo mezcla de expertos que acelera la respuesta. Quienes pagan por la API de Z.ai igual ahorran: cuesta 4,40 dolares por millon de tokens de salida, menos de un quinto del precio de Opus 4.8 de Anthropic y una decima parte del costo de Fable, el modelo de codificacion de la misma empresa.
El problema, dice Hasan, es que muchas empresas todavia no miden lo que gastan.
"Muchas compañias siguen tratando de entender esta tecnologia, asi que no hay realmente un presupuesto de tokens", explico. Y cuando paga otro, lo racional para el ingeniero es saltarse el calculo del costo. "Lo mas facil es elegir el modelo mas potente."
Benchmarks: ¿que tan cerca esta de Opus 4.8?
GLM 5.2 sumo temores de que las empresas estadounidenses pierdan su ventaja competitiva. El modelo casi empata el puntaje de Opus 4.8 en algunos benchmarks de programacion agentica, como FrontierSWE y PostTrainBench. Investigadores de ciberseguridad tambien hallaron que rinde bien en pruebas de seguridad, una capacidad que motivo comparaciones con Mythos de Anthropic.
El avance no es aislado. Segun el AI Index de Stanford, las empresas chinas produjeron en 2025 algo mas de la mitad de los modelos "notables" que sus pares estadounidenses. Era cerca de un tercio en 2023 y un quinto en 2020.
Aun asi, la brecha persiste en las tareas mas duras. Z.ai publico su propio reporte tecnico el dia del lanzamiento, centrado en Opus 4.8 y GPT-5.5 de OpenAI, y solo reclamo victorias en dos benchmarks de razonamiento menos exigentes, ninguno de codificacion. En SWE-Marathon, una prueba larga de programacion agentica, GLM 5.2 completo apenas 13 por ciento de las tareas; Opus 4.8 duplico ese puntaje. Opus tambien se impuso por 10 puntos o mas en NL2Repo, DeepSWE y Tool-Decathlon.
¿Como usan GLM 5.2 los programadores?
Los resultados en flujos reales varian mucho. Hasan, cuya empresa aloja el modelo en infraestructura norteamericana, destaca la resistencia en tareas largas.
"Lo principal que note con GLM 5.2 es que puede hacer tareas de horizonte mas largo", dijo. Los modelos de pesos abiertos previos, agrego, solian perder el hilo tras cinco a quince intercambios. "Con este pude usarlo por horas y mantenia una linea de pensamiento coherente."
David Nix, ingeniero principal en MetaRouter de Denver, dice que GLM 5.2 llega "muy cerca" de modelos como Opus y GPT-5.5, lo bastante para ganarse un lugar fijo en su rotacion. Estima que maneja entre 10 y 20 por ciento del trabajo diario que envia a un modelo, y ya es su primera parada para tareas puntuales como el diseño de front-end. Hasan coincide en que tiene "muy buen gusto" para el diseño web.
No todos quedaron conformes. Sai Kiran Myadaram, ingeniero en Indhic AI de Bengaluru, se suscribio la semana del lanzamiento y agoto su cuota semanal en menos de dos o tres dias. Ademas reporto alucinaciones y sobre-planificacion en arreglos menores de front-end. "Me esta arruinando el codigo base", dijo, antes de volver a Codex de OpenAI.
