AI 코딩 도구를 고를 때 기준이 달라지고 있습니다. 이제는 “첫 답변이 얼마나 똑똑한가”만으로 충분하지 않습니다. 긴 코드베이스를 얼마나 오래 기억하는지, 실패 후 다시 실행하며 고칠 수 있는지, 그리고 그 과정을 감당 가능한 비용으로 반복할 수 있는지가 더 중요해졌습니다.
GLM-5.2가 주목받는 이유도 여기에 있습니다. 이 모델의 핵심은 단순한 성능 경쟁이 아니라, 장기 코딩 작업을 더 싸고 개방적인 방식으로 운영할 수 있느냐입니다.
GLM-5.2는 어떤 모델인가
GLM-5.2는 Z.ai가 공개한 코딩·장기 작업용 플래그십 모델입니다.1 여기서 장기 작업은 한 번에 답을 내는 작업이 아니라, 계획을 세우고, 코드를 실행하고, 테스트 결과를 보고, 다시 수정하는 과정을 여러 단계로 이어가는 작업을 뜻합니다.
가장 눈에 띄는 사양은 최대 100만 토큰 컨텍스트입니다.1 이전 GLM-5.1의 20만 토큰보다 5배 커졌습니다.2 한 번의 응답에서 최대 13만1072개 출력 토큰을 생성할 수 있다는 점도 장기 작업에 맞춘 특징입니다.2
이 정도 컨텍스트라면 단순히 긴 문서를 넣는 수준을 넘어, 코드 저장소의 주요 파일, 테스트 로그, 설정, 이전 대화 기록을 한 작업 흐름 안에서 오래 유지할 수 있습니다. 코딩 에이전트 관점에서는 “긴 입력”보다 “프로젝트 단위 작업 기억”에 가까운 의미를 갖습니다.
성능 비교에서 중요한 것은 ‘첫 답’보다 ‘반복 작업’이다
Snowflake가 103개 작업에서 GLM-5.2와 Claude Opus 4.7을 비교한 결과, 각 작업에 3번의 시도가 주어졌을 때 GLM-5.2는 66%, Opus 4.7은 67%를 해결했습니다.3 최종 해결률만 보면 두 모델은 매우 근접합니다.
하지만 첫 시도 정확도에서는 차이가 있습니다. Opus 4.7은 53.7%, GLM-5.2는 47.6%였습니다.3 또한 GLM-5.2는 작업당 평균 99회 실행했고, Opus 4.7은 평균 80회 실행했습니다.3
이 결과는 GLM-5.2를 이해하는 데 중요합니다. GLM-5.2가 첫 답변의 완성도에서 항상 앞선다는 뜻은 아닙니다. 오히려 강점은 반복 실행형 에이전트 작업에서 드러납니다. 실제 코딩 에이전트는 한 번에 정답을 내기보다, 코드를 실행하고 오류를 확인하고 다시 고치는 방식으로 작동합니다. 이런 환경에서는 첫 시도 성능뿐 아니라 반복 비용과 장기 컨텍스트 유지 능력이 함께 중요해집니다.
비용과 개방성이 실전 도입의 변수다
GLM-5.2의 가격은 입력 100만 토큰당 1.40달러, 출력 100만 토큰당 4.40달러입니다.4 BenchLM 기준 Claude Opus 4.7은 입력 100만 토큰당 5달러, 출력 100만 토큰당 25달러로 표시됩니다.4
반복 실행이 많은 코딩 에이전트에서는 이 차이가 작지 않습니다. 특히 테스트와 수정 루프가 길어질수록 출력 토큰 비용이 누적되기 때문입니다. GLM-5.2의 가격 구조는 대규모 코드 분석, 장기 리팩터링, 사내 자동화 실험처럼 많은 시도와 긴 문맥이 필요한 작업에서 매력적인 선택지가 될 수 있습니다.
공개 방식도 중요한 차별점입니다. GLM-5.2는 MIT 라이선스로 공개되며, Hugging Face와 ModelScope에서 다운로드할 수 있습니다.1 모델 크기는 744B 파라미터이고 활성 파라미터는 40B입니다. BF16 버전과 FP8 버전도 제공됩니다.1
다만 “오픈 모델”이라고 해서 누구나 쉽게 운영할 수 있다는 뜻은 아닙니다. GLM-5.2를 로컬에 배포하려면 SGLang 0.5.13.post1 이상 등 지원 환경이 필요하며, 대형 모델을 운영할 인프라도 갖춰야 합니다.1 따라서 개인 개발자보다는 자체 인프라를 갖춘 팀, 비용 최적화가 중요한 기업, 내부 코딩 에이전트를 실험하는 조직에 더 현실적인 후보가 될 가능성이 큽니다.
GLM-5.2를 어떻게 봐야 할까
GLM-5.2의 의미는 “Claude Opus 4.7을 완전히 이겼다”가 아닙니다. 더 정확한 결론은, 오픈 모델이 훨씬 낮은 비용으로 장기 코딩 작업의 실전 후보군에 들어왔다는 것입니다.
따라서 GLM-5.2를 평가할 때는 다음 질문이 유용합니다.
첫 답변의 정확도가 가장 중요한 작업인가?
아니면 실행, 테스트, 수정이 반복되는 장기 작업인가?
100만 토큰 컨텍스트를 실제로 활용할 만큼 큰 코드베이스나 긴 작업 흐름이 있는가?
API 비용보다 자체 배포와 운영 통제가 더 중요한가?
오픈 라이선스 모델을 내부 시스템에 맞게 실험할 필요가 있는가?
이 질문에 “그렇다”가 많다면 GLM-5.2는 비교 목록에 넣어볼 만합니다. 특히 대규모 코드 분석, 장기 리팩터링, 사내 코딩 에이전트 구축처럼 긴 문맥과 반복 실행이 핵심인 작업에서는 비용 대비 성능을 다시 계산하게 만드는 모델입니다.
2지푸AI, 100만 토큰 컨텍스트 창 'GLM-5.2' 출시...벤치마크는 미공개
3Snowflake CEO finds GLM-5.2 competitive with Opus 4.7 at a fraction of the cost
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.