GLM-5.2: open AI-model met 1 miljoen tokens context

TL;DR

• Wat: Zhipu AI heeft GLM-5.2 uitgebracht — een open AI-model (MIT-licentie) met een contextvenster van 1 miljoen tokens, nu ook beschikbaar op Theta EdgeCloud.
• Waarom relevant: Het is het sterkste open-source codeermodel van dit moment, en het draait voor een fractie van de kosten van vergelijkbare gesloten modellen.
• Wat je ermee kunt: Als je software laat ontwikkelen of AI-tools inzet, is dit een model dat je team kan draaien zonder licentiekosten of vendor lock-in.

Ik stuitte op een aankondiging van Theta Network: het Chinese AI-bedrijf Zhipu AI (ook wel Z.ai) heeft zijn nieuwste model GLM-5.2 vrijgegeven onder een MIT-licentie, en dat model is nu beschikbaar op hun decentrale cloudplatform. Wat mij deed stoppen bij dit bericht: een model dat op codeer-benchmarks in de buurt komt van Claude Opus 4.8 — en dat iedereen gratis mag gebruiken, aanpassen en commercieel inzetten.

Wat is GLM-5.2 precies?

GLM-5.2 is een taalmodel van Zhipu AI, een Chinees AI-bedrijf dat al langer aan de weg timmert met hun GLM-serie. Dit nieuwste model is gebouwd als een zogeheten Mixture-of-Experts-architectuur. Dat klinkt ingewikkeld, maar het idee is eigenlijk elegant: het model heeft in totaal zo'n 753 miljard parameters (je kunt dat zien als de "hersencellen" van het model), maar bij elke vraag die je stelt zijn er slechts ongeveer 40 miljard actief. Vergelijk het met een groot kantoor waar op elk moment alleen de specialisten aan tafel zitten die je nodig hebt — de rest zit niet mee te eten.

Het opvallendste kenmerk is het contextvenster van 1 miljoen tokens. Ter vergelijking: de vorige versie (GLM-5.1) kon 200.000 tokens aan. Eén miljoen tokens komt ruwweg overeen met zo'n 750.000 woorden — dat is een complete codebase van een middelgroot softwareproject, of een stapel documenten die je in één keer aan het model kunt voeren.

En dan de licentie: MIT. Dat is in de softwarewereld zo ongeveer de meest vrije licentie die er bestaat. Je mag het model gebruiken, aanpassen, integreren in je eigen producten, en er commercieel mee werken — zonder royalty's, zonder regionale beperkingen.

Hoe presteert het vergeleken met de concurrentie?

Hier wordt het interessant. Op de belangrijkste codeer-benchmarks van dit moment scoort GLM-5.2 opmerkelijk goed voor een open model:

• Terminal-Bench 2.1: 81.0 — ter vergelijking, Claude Opus 4.8 scoort 85.0
• SWE-bench Pro: 62.1 — een flinke sprong ten opzichte van de 58.4 van GLM-5.1
• FrontierSWE: 74.4 — slechts 0.7 punt achter Opus 4.8 (75.1) en ruim voor GPT-5.5 (72.6)

Wat mij hier opvalt: dit is geen model dat "in de buurt komt" op een vage manier. Het zit er letterlijk bovenop. En dan is er nog het kostenplaatje: volgens recente analyses draait GLM-5.2 voor ruwweg een zesde van de kosten van GPT-5.5.

Ik vind het eerlijk gezegd bijzonder dat een open-source model dit prestatieniveau haalt. Een jaar geleden was de kloof tussen open en gesloten modellen op dit soort taken nog een stuk groter.

Kanttekening bij benchmarks

Benchmarks vertellen niet het hele verhaal — dat geldt voor elk model. De scores zeggen iets over gestandaardiseerde taken, maar niet per se over hoe goed een model werkt in jouw specifieke situatie. Wat ik wél denk: als een model consistent hoog scoort op meerdere onafhankelijke benchmarks, is dat een sterker signaal dan één indrukwekkend cijfer.

Wat betekent dit voor een ondernemer?

Kun je je voorstellen wat het betekent als je ontwikkelteam een AI-model kan inzetten dat een complete codebase in één keer "leest"? Geen knip-en-plakwerk meer om context te geven. Geen losse fragmenten die het model moet proberen te begrijpen zonder de rest van het project te kennen.

Kosten en controle

Voor MKB-bedrijven die software ontwikkelen of laten ontwikkelen, zijn er twee dingen die opvallen:

1. Geen licentiekosten. De MIT-licentie betekent dat je niet vastzit aan een abonnement of per-token-kosten bij één aanbieder. Je kunt het model zelf draaien als je de hardware hebt, of het afnemen via platforms als Theta EdgeCloud.

2. Geen vendor lock-in. Als je nu zwaar leunt op één AI-aanbieder en die verandert de prijzen of voorwaarden, heb je een probleem. Met een open model heb je altijd een uitwijkmogelijkheid.

Dat gezegd hebbende: een model van 753 miljard parameters zelf draaien vereist serieuze hardware. Voor de meeste MKB-bedrijven zal de praktische route zijn om het via een cloudplatform af te nemen. De API-prijs begint bij $0,75 per miljoen input-tokens — een stuk lager dan de gesloten alternatieven.

Nederlandse subsidies

Wat mij in dit verband opvalt: als je als Nederlands bedrijf investeert in AI-toepassingen, kun je via de WBSO tot 36% van je kosten terugkrijgen (50% als starter). De MIT-subsidieregeling — toevallig dezelfde afkorting, maar een heel andere regeling — richt zich ook op innovatie in het MKB. Het loont om dat uit te zoeken als je serieus met dit soort technologie aan de slag gaat.

Theta EdgeCloud als platform

De aanleiding voor dit bericht was de beschikbaarheid van GLM-5.2 op Theta EdgeCloud. Dat is een cloudplatform dat draait op een netwerk van meer dan 30.000 gedistribueerde GPU-nodes wereldwijd — een soort decentraal alternatief voor AWS of Azure, specifiek gericht op AI-workloads.

Theta heeft recent geëxperimenteerd met een techniek waarbij het verwerken van lange prompts en het genereren van antwoorden over aparte servers wordt verdeeld. Volgens hun eigen tests bleef de responstijd daarbij stabiel, ook bij langere invoer. Dat is relevant voor een model als GLM-5.2 met zijn enorme contextvenster.

Ik moet eerlijk zeggen dat ik nog geen onafhankelijke vergelijkingen heb gezien tussen Theta EdgeCloud en gevestigde cloudaanbieders voor dit specifieke model. Dat is iets om in de gaten te houden.

De bredere trend

Waar ik dit bericht in plaats, is een patroon dat ik al een paar maanden zie: open-source AI-modellen worden niet alleen goedkoper, ze worden ook écht concurrerend op prestaties. GLM-5.2 is daar een sterk voorbeeld van. Eerder zagen we dat al met modellen als DeepSeek, en nu haalt een Chinees model met een volledig open licentie bijna dezelfde scores als de beste gesloten modellen van Anthropic en OpenAI.

Wat betekent dat? Ik denk dat de keuze voor een AI-model steeds minder gaat over "welk model is het beste" en steeds meer over "welk model past het beste bij mijn situatie". Factoren als kosten, privacy, controle over data, en de vrijheid om van aanbieder te wisselen worden minstens zo belangrijk als ruwe benchmarkscores.

Voor mij is dit vooral een signaal dat ondernemers die nu hun AI-strategie bepalen, niet automatisch naar de duurste gesloten oplossing hoeven te grijpen. De open alternatieven zijn er — en ze zijn serieus.