GLM-5.2 está disponível na infraestrutura da Telnyx

A GLM-5.2 é o primeiro modelo open-weight que compete de fato com modelos frontier de código fechado nas cargas de trabalho que importam: código, raciocínio multi-etapa e uso agentic de ferramentas. Não "compete pelo preço" ou "compete se você apertar os olhos". Compete, ponto final.

Equipes de engenharia enterprise já confirmam isso em produção. Quando você coloca a GLM-5.2 lado a lado com modelos que custam 5-10x mais por token, os resultados falam por si.

A GLM-5.2 já está disponível na API de Inference da Telnyx, rodando em infraestrutura de GPU que controlamos. Ela se junta à Kimi K2.6 e à MiniMax-M3 no nosso lineup de modelos hospedados, onde cada modelo precisa provar seu lugar.

A GLM-5.2 fecha a lacuna do open-source

Durante anos, o argumento prático contra modelos open-weight era simples: eram bons o suficiente para experimentação, não para produção. Essa lacuna desapareceu.

No SWE-bench Pro, a GLM-5.2 pontua 62,1. Isso está à frente da GPT-5.5 com 58,6 e da Gemini 3.1 Pro com 54,2. Os saltos em código da GLM-5.1 para a 5.2 são ainda mais reveladores: DeepSWE passou de 18,0 para 46,2. FrontierSWE de 30,5 para 74,4. Terminal Bench atingiu 81,0.

Em benchmarks agentic, que medem se um modelo consegue planejar, usar ferramentas e se recuperar de erros em workflows multi-etapa, a GLM-5.2 pontua 76,8 no MCP-Atlas e 48,2 no Tool-Decathlon. Essas são as habilidades que separam uma demo de um agente em produção.

A implicação é direta. Se você está pagando 5-10x mais por token em modelos de código fechado porque acredita que modelos open-weight não dão conta de cargas de produção, essa crença precisa de uma atualização.

A GLM-5.2 e a janela de contexto de 1M

A GLM-5.2 traz uma janela de contexto de 1M de tokens e produz até 128K tokens de saída em uma única resposta. Foi treinada para cenários de agentes de código de longa duração, então a janela longa se mantém estável em tarefas de escala de projeto em vez de degradar no final de uma execução.

A arquitetura por trás disso vale a pena entender. A GLM-5.2 usa uma técnica chamada IndexShare, que reduz os FLOPs por token em 2,9x no contexto de 1M reutilizando indexadores de atenção esparsa entre camadas do transformer. Isso não é um atalho de quantização. É uma mudança arquitetural que torna o contexto de milhão de tokens economicamente viável para cargas de produção.

O modelo também suporta esforço de raciocínio flexível, permitindo trocar compute por profundidade de raciocínio por requisição. Respostas rápidas para consultas simples. Raciocínio estendido para problemas complexos. Você controla o trade-off.

Por que a GLM-5.2 roda melhor em infraestrutura que a Telnyx controla

Um modelo MoE de 753B com janelas de contexto de 1M não roda em vontades. Exige infraestrutura de GPU que consiga lidar com padrões de atenção intensivos em memória, throughput variável e carga sustentada durante processamento de contexto longo. Instâncias de cloud alugadas com um wrapper de API por cima não dão conta. Um modelo poderoso só é poderoso quando roda em infraestrutura dedicada, perto dos usuários finais.

Na Telnyx, hospedamos os modelos e controlamos a pilha, e essa diferença estrutural molda tudo o que vem depois.

Throughput é a primeira coisa que muda quando você controla a infraestrutura em vez de alugá-la. FP8 no nosso hardware é mais rápido E mais preciso que a quantização FP4 que a maioria dos provedores roda, porque o gargalo não é o modelo, mas a camada entre o modelo e o usuário. Quando você controla essa camada, entrega mais tokens por segundo sem cortar cantos na precisão.

O custo segue a mesma vantagem estrutural. Nós somos donos das GPUs, então o preço por token reflete o custo de rodar o modelo, não o custo de alugar o hardware de outra pessoa mais a margem dela. É por isso que os tokens de entrada da GLM-5.2 custam $1,40/1M e os de saída $4,40/1M na Telnyx, com entrada em cache a $0,26/1M. O preço é função da arquitetura, não um desconto promocional.

Localidade de dados funciona da mesma forma. Inference roda in-region por padrão nas Américas, Europa e APAC. Prompts e completions ficam onde os usuários estão porque a infraestrutura está fisicamente lá, não porque alguém ligou um toggle em um console de cloud.

O que a GLM-5.2 significa para infraestrutura de agentes de IA

Os pontos fortes da GLM-5.2, particularmente em benchmarks agentic, se alinham com para onde a IA está indo. Modelos não estão mais apenas respondendo perguntas. Estão planejando workflows, chamando ferramentas, gerenciando processos multi-etapa e se recuperando de erros. Esse é o comportamento de um agente, não de um chatbot.

Agentes precisam de infraestrutura que consiga lidar com sessões de longa duração, manter baixa latência entre chamadas de ferramentas e escalar com a imprevisibilidade de workflows do mundo real. Rodar um modelo frontier em infraestrutura projetada para inference em batch é um compromisso. Rodar em infraestrutura projetada para workloads de IA em tempo real não é.

A Telnyx está construindo essa infraestrutura. Edge compute, Voice AI e rede carrier em um sistema. A GLM-5.2 na nossa API de Inference é uma peça disso. Quando seus agentes precisam falar com humanos por telefone, o inference já está co-localizado com a telefonia, eliminando saltos de rede entre provedores e latência acumulada entre fronteiras de provedores.

Começando com a GLM-5.2

A GLM-5.2 já está disponível na API de Inference da Telnyx. Consulte preços de inference para detalhes completos de tarifação, ou comece com a API para testar a GLM-5.2 nas suas próprias cargas de trabalho.