Chiński atak na cenowy bastion AI: GLM-5.2 rzuca wyzwanie modelom Anthropic i OpenAI

Sektor sztucznej inteligencji dotarł do punktu, w którym surowa moc obliczeniowa przestaje być jedynym wyznacznikiem sukcesu. Sridhar Ramaswamy, dyrektor generalny Snowflake, ujawnił wyniki rygorystycznego benchmarku programistycznego, który zestawił chiński model GLM-5.2 od Z.ai (dawniej Zhipu AI) z uznanym na Zachodzie Claude Opus 4.7. Test oparty na 103 rzeczywistych zadaniach programistycznych, wymagających pisania kodu zgodnego zarówno z DuckDB, jak i Snowflake, przyniósł zaskakujące wnioski. Przy trzech próbach na zadanie oba systemy poradziły sobie niemal identycznie: GLM-5.2 rozwiązał 66% problemów, podczas gdy Opus osiągnął wynik 67%.

Dlaczego to ważne teraz

Pojawienie się modelu GLM-5.2 drastycznie zmienia strukturę kosztów w branży. Ten chiński system o otwartych wagach (open-weight) nie tylko zamyka lukę wydajnościową względem liderów takich jak OpenAI i Anthropic, ale robi to za ułamek ceny. Według danych Vals AI, GLM-5.2 to pierwszy model open-weight, który przekroczył barierę 30% w benchmarku ProofBench, wyprzedzając drugiego konkurenta o 11 punktów procentowych. To bezpośredni sygnał, że dominacja amerykańskich laboratoriów budowana na wysokich marżach traci swój fundament.

Rywalizacja na kodzie: Snowflake testuje rzeczywistą wydajność

Mimo zbliżonej skuteczności, diabeł tkwi w szczegółach operacyjnych. Opus 4.7 wykazuje znacznie wyższą precyzję w pierwszej próbie (53,7% wobec 47,6% u rywala) i jest modelem bardziej zwięzłym. Podczas gdy Opus potrzebował średnio 80 iteracji na zadanie i zużył 439 milionów tokenów, GLM-5.2 wymagał aż 99 powtórzeń, zużywając przy tym 860 milionów tokenów. Chińskie narzędzie wykazuje tendencję do nadmiernego sprawdzania parametrów. W jednym z przykładów GLM wykonał 411 wywołań narzędzi w 24 minuty, obsesyjnie analizując typy kolumn, by ostatecznie zawieść. Opus rozwiązał to samo zadanie w zaledwie 9 minut przy 49 wywołaniach.

Wydajność kontra ekonomia

Kluczowym czynnikiem zmieniającym układ sił jest jednak cennik. GLM-5.2 kosztuje 1,40 USD za milion tokenów wejściowych i 4,40 USD za wyjściowe. Dla porównania, Opus 4.7 to wydatek rzędu odpowiednio 5 USD i 25 USD. Nawet uwzględniając dwukrotnie wyższe zużycie tokenów przez chiński model, różnica w kosztach pozostaje kolosalna. Eksperci z portalu Que.es zauważają trafnie: „To, co najbardziej boli w biurach w San Francisco, to cena GLM-5.2, która jest rewolucją w porównaniu do konkurencji”.

Co więcej, w benchmarku Intelligence Index od Artificial Analysis, GLM-5.2 osiągnął wynik 51 punktów, depcząc po piętach gigantom takim jak GPT-5.5 (55 punktów). W testach długofalowego kodowania GLM uzyskał 1524 punkty Elo, wyprzedzając najnowszą propozycję od OpenAI.

Nowa rzeczywistość dla infrastruktury AI

Jeśli modele te dostarczają porównywalne efekty końcowe za ułamek ceny, zachodnie korporacje staną przed brutalnym testem marż. Rynek weryfikuje obecnie, czy mniejsza pewność wyniku w pierwszej próbie jest wadą akceptowalną w zamian za potężne oszczędności. Snowflake już zapowiada udostępnienie GLM-5.2 swoim klientom, doceniając jego zdolność do weryfikacji kodu na wielu platformach jednocześnie. W dobie ogromnych inwestycji w centra danych, ta cenowa wojna partyzancka ze Wschodu może znacząco spowolnić tempo zwrotu z kapitału w Dolinie Krzemowej.