El modelo GLM-5.2, desarrollado por la empresa china Zhipu AI, quedó primero esta semana en los rankings de modelos de inteligencia artificial de acceso abierto, tras superar a otros sistemas disponibles públicamente en varios benchmarks de referencia. El ascenso ocurrió en menos de siete días desde su lanzamiento y reavivó la discusión sobre la distancia real entre los modelos chinos de pesos abiertos y los sistemas cerrados de las grandes compañías estadounidenses.
GLM-5.2 quedó quinto en DeepSWE y empató con GPT-5.5 en programación
GLM-5.2 es la segunda versión de la familia GLM-5 de Zhipu AI, cuya primera iteración fue lanzada a comienzos de febrero de 2026. Está orientado a tareas de horizonte largo, es decir, flujos de trabajo que pueden extenderse durante horas o incluso días. También apunta a programación y matemáticas, dos áreas donde las respuestas tienen una validación objetiva más clara.
En el benchmark SweetBench Pro, enfocado en programación, GLM-5.2 igualó el desempeño de GPT-5.5. En DeepSWE, una prueba de alta dificultad técnica, quedó quinto en el ranking general y fue el mejor modelo de acceso abierto dentro de esa lista. En otra referencia secundaria obtuvo el segundo lugar, detrás de Claude Opus 4.7. En la mayoría de las comparativas, quedó apenas por detrás de Claude Fable 5, de Anthropic, con una diferencia promedio de alrededor de 17% a favor del modelo cerrado de esa compañía en el conjunto de pruebas analizadas.
El equipo de Zhipu AI aclaró que GLM-5.2 no debe describirse como open source completo, con acceso al proceso de entrenamiento y a los datos, sino como open weight. Es decir, cualquiera puede descargar los pesos del modelo, usarlo en sus propios sistemas y modificarlo, pero el entrenamiento no se publica. La licencia adoptada es MIT, que permite uso comercial sin mayores restricciones. Ese esquema se parece al que adoptó DeepSeek y contrasta con los modelos completamente cerrados de OpenAI, Anthropic o Google.
El uso de GLM-5.2 cuesta entre tres y siete veces menos que modelos occidentales comparables
Una de las características que más circuló entre desarrolladores es la diferencia de precio. Ejecutado en servidores de terceros, GLM-5.2 cuesta entre tres y siete veces menos que alternativas occidentales de rendimiento similar, con algunas estimaciones que lo ubican en aproximadamente un sexto del costo de sus competidores directos. Si se despliega en infraestructura propia, el costo de inferencia queda atado al hardware inicial y luego baja de manera sustancial.
Ese hardware tiene un umbral de entrada. El mínimo estimado para correr el modelo ronda los 20.000 dólares en equipamiento, y en esa configuración entrega velocidades de apenas 20 tokens por segundo, suficiente para exploración pero no para producción intensiva. Para entornos de mayor escala, el acceso vía API a través de servidores resulta más práctico.
Los modelos chinos de pesos abiertos lideran rankings desde 2025
El caso de GLM-5.2 no es aislado. A lo largo de 2025, modelos chinos de acceso abierto ocuparon sistemáticamente los primeros lugares en los rankings de herramientas disponibles públicamente, por encima de los modelos abiertos occidentales. La brecha con los sistemas cerrados de las grandes compañías estadounidenses se mantuvo en un rango de seis a ocho meses en términos de capacidades, pero en el segmento abierto la ventaja china fue consistente.
Para desarrolladores y empresas que necesitan modelos potentes sin depender de APIs propietarias ni pagar los precios de los modelos frontier cerrados, la posibilidad de desplegar un sistema en infraestructura propia y con licencia MIT lo vuelve una opción concreta. Zhipu AI opera bajo restricciones en mercados occidentales por estar en listas de control de exportaciones de Estados Unidos, lo que limita ciertos canales de distribución, pero no impide la descarga directa de los pesos del modelo. En la primera semana desde su publicación, el interés técnico ya era fuerte, y el próximo contraste llegará cuando Anthropic y OpenAI actualicen sus modelos de referencia en los mismos benchmarks.
