هذا المقال يتطلب مستوى: متوسط

GLM-5.2: نموذج مفتوح بمليون توكن يضرب GPT-5.5 بسُدس التكلفة

لو بتدفع فاتورة API كبيرة على نموذج مغلق عشان مهام الكود، فيه دلوقتي بديل مفتوح بياخد ثلثها تقريبًا. في 13 يونيو 2026 أطلقت شركة Zhipu AI الصينية (المعروفة بـ Z.ai) نموذج GLM-5.2، وبعد كام يوم نشرت أوزانه برخصة MIT بدون أي قيود استخدام أو حجب إقليمي.

المشكلة باختصار

أغلب المطورين العرب بيشتغلوا على نماذج مغلقة عبر API: بتدفع لكل توكن، والسعر بيتحكم في حجم استخدامك. والأسوأ إن بعض النماذج الأقوى بقت محجوبة عن مستخدمين برّه أمريكا. GLM-5.2 بيغيّر المعادلة: أداء قريب من المقدمة، سعر منخفض، وأوزان تقدر تشغّلها على سيرفرك لو عايز سيطرة كاملة.

إيه اللي اتعلن بالظبط

GLM-5.2 امتداد لعائلة GLM-5، لكنه نقل نافذة السياق لـ مليون توكن (أربعة أضعاف الجيل السابق). أول طرح كان لعملاء خطة الكود المدفوعة يوم 13 يونيو، وبعدها بأيام اتنشرت الأوزان على Hugging Face تحت منظمة zai-org برخصة MIT. يعني تقدر تحمّله، تعدّله، وتشغّله تجاريًا بدون إذن.

يعني إيه Mixture of Experts؟ (مثال بسيط ثم التعريف الدقيق)

تخيّل مستشفى فيه 100 طبيب متخصص. لما يدخل مريض بكسر في إيده، مش كل الأطباء بيكشفوا عليه؛ بيتوجّه لطبيب العظام بس. النتيجة: خبرة المستشفى كله متاحة، لكن التكلفة تكلفة طبيب واحد.

ده بالظبط مبدأ معمارية Mixture of Experts (MoE). النموذج فيه عدد ضخم من الخبراء (شبكات فرعية)، لكن لكل توكن بيتفعّل جزء صغير منهم بس. في GLM-5.2 إجمالي البارامترات حوالي 744 مليار، لكن النشِط لكل توكن حوالي 40 مليار فقط. يعني سعة نموذج عملاق بتكلفة حساب نموذج متوسط.

الأرقام اللي تهمك فعلاً

• الترتيب: سجّل 51 على Artificial Analysis Intelligence Index — الأول بين النماذج مفتوحة الأوزان، والرابع إجمالًا خلف Claude Fable 5 ثم Opus 4.8 ثم GPT-5.5.
• الكود: حقّق 62.1 على SWE-bench Pro مقابل 58.6 لـ GPT-5.5. يعني في مهام الكود طويلة المدى بيتفوّق فعليًا.
• السعر: حوالي 1.40 دولار لكل مليون توكن إدخال و4.40 دولار للإخراج عبر مزوّدين زي OpenRouter، مع سعر إدخال مخزّن ينزل لـ 0.26 دولار. قارن ده بـ GPT-5.5 عند 5 و30 دولار وClaude Opus عند 5 و25 دولار.

الخلاصة الرقمية: أداء كود أعلى من GPT-5.5 بتكلفة قربها سُدس تكلفة الإخراج.

جرّبه في دقيقة (مثال قابل للنسخ)

أسهل طريقة تختبره هي عبر مزوّد API. ده استدعاء فعلي عبر OpenRouter باستخدام أداة الأوامر:

curl https://openrouter.ai/api/v1/chat/completions -H "Content-Type: application/json" -d "{ model: z-ai/glm-5.2 }"

الافتراض هنا إن عندك مفتاح OpenRouter. لو عايز تشغّله محليًا، حمّل الأوزان من zai-org على Hugging Face — بس خلّي بالك من متطلبات العتاد في فقرة الـ trade-offs.

ليه ده مهم للمطور العربي تحديدًا

نقطتان عمليتان. الأولى التكلفة: لو شغّال على مشروع فيه استهلاك توكن عالي (مساعد كود، RAG، معالجة مستندات)، الفرق في السعر بيتحوّل لمئات الدولارات شهريًا. الثانية الإتاحة: لأن الأوزان مفتوحة برخصة MIT بدون حجب إقليمي، تقدر تستضيفه بنفسك وتضمن إنه مش هيتقفل في وجهك بقرار سياسي. ده فرق جوهري عن الاعتماد على نموذج مغلق ممكن يتحجب فجأة.

الـ trade-offs

مفيش حل ببلاش. لو هتشغّله محليًا، 744 مليار بارامتر تعني عتاد ثقيل جدًا (عدة كروت GPU عالية الذاكرة)، فالاستضافة الذاتية مش واقعية لفريق صغير. المكسب: خصوصية وسيطرة. الخسارة: تكلفة بنية تحتية وصيانة.

وكمان النافذة المليون توكن مغرية، لكن كل ما تملأها كل ما زاد زمن الاستجابة والتكلفة. النافذة الكبيرة أداة، مش هدف.

متى لا تستخدم GLM-5.2

لو مشروعك بسيط ومهامك قصيرة (تلخيص، تصنيف خفيف)، نموذج أصغر وأرخص هيكفّيك وميستاهلش تغيّر بنيتك. ولو شغلك مربوط بضمانات تعاقدية أو امتثال صارم مع مزوّد محدد، التحوّل لمزوّد جديد محتاج مراجعة قانونية الأول. وأخيرًا: لو الأداء الحالي بتاعك كويس والفاتورة صغيرة، التغيير مجرد مخاطرة بدون عائد واضح.

المصادر

• VentureBeat — Z.ai open-weights GLM-5.2 beats GPT-5.5 on coding benchmarks.
• Artificial Analysis — GLM-5.2 leading open weights model.
• DataNorth — Zhipu AI releases GLM-5.2 open-weight model.
• Hugging Face — zai-org weights.

الخطوة التالية

افتح حساب OpenRouter، انسخ الاستدعاء فوق، وشغّله على مهمة كود حقيقية من مشروعك. قارن الناتج والتكلفة بنموذجك الحالي على نفس المهمة بالظبط. لو الجودة قريبة والفاتورة أقل، عندك قرار سهل.