GLM-5.2 คือโมเดลเขียนโค้ดตัวใหม่จาก Z.ai (ZhipuAI) ที่ปล่อยน้ำหนักให้โหลดไปรันเองได้ฟรี จุดที่ทำให้คนในวงการสะดุดคือคะแนนบนงานเขียนโค้ดสาย FrontierSWE เพราะตามหลัง Claude Opus 4.8 อยู่แค่ราว 1% (74.4 ต่อ 75.1) ทั้งที่ Opus เป็นโมเดลปิดราคาแพง ส่วน GLM-5.2 เปิดน้ำหนักใต้ MIT license โดยไม่จำกัดภูมิภาคและไม่กั้นการใช้งาน

ก่อนหน้านี้ถ้าอยากได้ผู้ช่วยเขียนโค้ดระดับหัวแถว ทางเลือกแทบทั้งหมดคือต้องยอมจ่ายค่าโมเดลปิดรายเดือน แต่ตอนนี้เรามีโมเดลที่คะแนนไล่เลี่ยกันให้โหลดไปรันบนเครื่องตัวเอง หรือเสียบเข้าเครื่องมืออย่าง Claude Code ได้ทันที บทความนี้สรุป 2 เรื่องสำคัญสั้นๆ: ทำไมการเปิดน้ำหนักครั้งนี้ถึงเป็นเรื่องใหญ่ และถ้าอยากเริ่มลองวันนี้ จะเริ่มด้วยวิธีไหนได้บ้าง

ตัวเลขที่ทำให้คนหันมามอง

GLM-5.2 วางตำแหน่งตัวเองเป็นโมเดลสาย long-horizon coding สำหรับงานเขียนโค้ดที่ต้องคิดยาวหลายสเต็ป ไม่ใช่แค่คอยเติมโค้ดทีละบรรทัด ซึ่งตัวเลขบนเบนช์มาร์กต่างๆ ก็สะท้อนจุดนี้ชัดเจน:

• Terminal-Bench 2.1 ได้ 81.0 ขณะที่ GLM-5.1 รุ่นก่อนหน้าได้ 63.5 เรียกว่ากระโดดขึ้นมาเกือบ 20 แต้มในรุ่นเดียว ที่น่าสนใจกว่านั้นคือเมื่อจับคู่กับ harness ที่ดีที่สุดและรันผ่าน Claude Code ตัว GLM-5.2 ทำได้ถึง 82.7 แซง Claude Opus 4.8 (78.9) และเฉียด GPT-5.5 (83.4)
• SWE-bench Pro ได้ 62.1 นำ GPT-5.5 (58.6) และ Gemini 3.1 Pro (54.2) แม้จะยังตามหลัง Opus 4.8 (69.2) อยู่บ้าง
• ครองอันดับ 1 ในกลุ่มโมเดลโอเพนซอร์ส ทั้งบน Terminal-Bench 2.1, FrontierSWE, PostTrainBench และ SWE-Marathon

ตัวเลขเหล่านี้ไม่ได้แปลว่า GLM-5.2 เก่งที่สุดในโลกแบบเบ็ดเสร็จ เพราะโมเดลปิดอย่าง Opus ยังนำอยู่ในหลายโจทย์ แต่แปลว่าช่องว่างระหว่างโมเดลเปิดที่รันเองได้กับโมเดลปิดราคาแพงแคบลงมาจนแทบไม่รู้สึกถึงความต่างในงานจริงหลายประเภท

ทำไม "เปิดน้ำหนัก" ถึงเปลี่ยนเกม

หัวใจสำคัญที่เด่นกว่าตัวเลขเบนช์มาร์กคือคำว่า MIT license ตรงนี้แหละที่ทำให้ GLM-5.2 แตกต่างจากการเปิดตัวโมเดลทั่วไป

โมเดลปิด ต่อให้เก่งแค่ไหน ผู้ใช้อย่างเราก็ได้แค่ "เช่าใช้" ผ่าน API ข้อมูลโค้ดต้องส่งออกนอกเครื่อง ราคาขึ้นอยู่กับผู้ให้บริการ และถ้าวันหนึ่งเขาปรับเงื่อนไขหรือขึ้นราคา เราก็ทำได้แค่ยอมรับ แต่ MIT license หมายความว่าเราโหลดน้ำหนักโมเดลมาเก็บไว้เองได้จริง จะแก้ไข ปรับแต่ง ต่อยอด หรือนำไปใช้ในเชิงพาณิชย์ก็ทำได้ทันทีโดยไม่ต้องขออนุญาต และไม่มีการล็อกภูมิภาค

น้ำหนักของ GLM-5.2 เปิดให้ดาวน์โหลดบน Hugging Face ในชื่อ zai-org/GLM-5.2 จุดนี้ทำให้ทีมพัฒนาขนาดเล็กหรือธุรกิจที่ต้องการคุมต้นทุนได้ประโยชน์เต็มที่ เพราะได้ผู้ช่วยเขียนโค้ดระดับท็อปโดยไม่ต้องผูกติดกับค่าบริการรายเดือน

1M context ที่ตั้งใจทำให้นิ่ง ไม่ใช่แค่ตัวเลข

GLM-5.2 รองรับ context window ขนาด 1M token ซึ่งกว้างพอจะป้อนโค้ดเบสทั้งโปรเจกต์เข้าไปให้โมเดลประมวลผลพร้อมกันได้ แต่จุดที่น่าสนใจคือทีมพัฒนา Z.ai ไม่ได้มองเรื่องนี้เป็นแค่ตัวเลขโฆษณา

ทีม Z.ai ชี้แจงตรงไปตรงมาว่า การเคลมว่ารองรับ 1M token ทำได้ไม่ยาก แต่การทำให้โมเดลยังคงความแม่นยำและไม่หลอนเมื่อเจองานจริงต่างหากที่ยากกว่า โมเดลจำนวนมากรับ token ยาวๆ ได้ แต่พอเนื้อหายาวขึ้น คุณภาพผลลัพธ์กลับลดลงอย่างเห็นได้ชัด GLM-5.2 จึงเน้นการรักษาความแม่นยำตลอดความยาว context เป็นหลัก

เบื้องหลังที่ช่วยให้ context ยาวทำงานได้เร็วคือเทคนิค IndexShare ซึ่งแชร์ตัวชี้ตำแหน่ง (positional index) ข้ามทุก 4 ชั้นของ sparse attention ช่วยลดภาระการคำนวณต่อ token ลงได้ถึง 2.9 เท่าเมื่อประมวลผลที่ระดับ 1M context ทำให้เราเรียกใช้บริบทขนาดยักษ์ได้จริงโดยไม่เจออาการหน่วงจนใช้งานไม่ได้

เริ่มใช้วันนี้ เลือกทางที่ตรงกับตัวเอง

GLM-5.2 พร้อมให้ใช้งานตั้งแต่วันเปิดตัว โดยเลือกวิธีเริ่มได้ 2 ทางหลักตามความพร้อม:

1. ต่อเข้ากับ Claude Code (ทางที่เร็วที่สุด) ถ้ามี Claude Code อยู่แล้ว แค่ระบุชื่อโมเดลเป็น GLM-5.2 หรือใส่ GLM-5.2[1m] เพื่อเปิด context ขนาด 1M แล้วเลือกระดับ effort เป็น High หรือ Max สำหรับงานซับซ้อน เท่านี้ก็ใช้งานโมเดลใหม่บน workflow เดิมได้ทันที สามารถดูวิธีตั้งค่าอย่างละเอียดได้ที่ เอกสารนักพัฒนาของ Z.ai

2. รันเองบนเครื่อง (เน้น Privacy และคุมต้นทุน) ถ้าต้องการให้โค้ดอยู่บนเซิร์ฟเวอร์ของตัวเอง 100% GLM-5.2 รองรับเฟรมเวิร์กยอดนิยมหลายตัว โดยเริ่มง่ายๆ ได้ 2 ทาง:

# ผ่าน vLLM
pip install vllm
vllm serve "zai-org/GLM-5.2"

# ผ่าน SGLang
pip install sglang
python3 -m sglang.launch_server --model-path "zai-org/GLM-5.2" --host 0.0.0.0 --port 30000

เกณฑ์การเลือก: ถ้าแค่อยากลองประสิทธิภาพและคุ้นเคยกับ Claude Code อยู่แล้ว ให้เริ่มผ่าน API ก่อนเพื่อประหยัดเวลาเซ็ตอัป แต่ถ้าต้องการความเป็นส่วนตัวระดับสูงสุดสำหรับโค้ดสำคัญ หรืออยากตัดค่าใช้จ่ายต่อการเรียก API ในระยะยาว ให้เลือก self-host ด้วย vLLM หรือ SGLang บนเครื่องที่มีการ์ดจอพร้อม

ข้อจำกัดที่ต้องชั่งน้ำหนัก

หากมองตามความเป็นจริง GLM-5.2 ยังมีบางจุดที่ต้องพิจารณา:

สำหรับงานที่ต้องประสานเครื่องมือต่อเนื่องหลายขั้นตอน (agentic workflows) เช่น เบนช์มาร์ก Tool-Decathlon ตัว GLM-5.2 ได้คะแนน 48.2 ขณะที่ Opus 4.8 ทำได้ 59.9 ซึ่งยังทิ้งห่างกันพอสมควร เช่นเดียวกับ SWE-bench Pro ที่ยังตามหลังโมเดลปิดตัวท็อปอยู่ ดังนั้นหากโปรเจกต์ต้องการการตัดสินใจที่ซับซ้อนระดับสูงมากๆ โมเดลปิดระดับเรือธงอาจยังให้ความเสถียรมากกว่า

นอกจากนี้ การรันโมเดลขนาดใหญ่ด้วยตัวเองจำเป็นต้องมีโครงสร้างพื้นฐานระดับเซิร์ฟเวอร์หรือการ์ดจอเฉพาะทาง ไม่สามารถรันบนแล็ปท็อปทั่วไปได้อย่างราบรื่น สำหรับคนที่ไม่มีฮาร์ดแวร์พร้อม การเรียกใช้ผ่าน API ยังคงเป็นทางเลือกที่สมเหตุสมผลกว่า

อย่างไรก็ดี ภาพใหญ่ที่น่าจับตาคือ โมเดลเปิดที่เราดาวน์โหลดมาครอบครองได้เองกำลังขยับเข้าใกล้โมเดลปิดระดับแนวหน้าจนแทบจะหายใจรดต้นคอ และเมื่อระยะห่างลดลงเรื่อยๆ ในทุกเวอร์ชัน คำถามสำคัญจึงอาจไม่ใช่แค่ว่าโมเดลไหนเก่งที่สุด แต่เป็นทำไมเราถึงยังต้องจ่ายแพงให้กับสิ่งที่เริ่มทำเองได้

ที่มา:

• บทความ GLM-5.2 จาก Z.ai
• โมเดล zai-org/GLM-5.2 · Hugging Face จาก Hugging Face