GLM-5.2开源一周了，我周末认真跑了一下实测。

先说结论：1M上下文在长文档场景真的好用，但有一个前提——你得会写prompt。

我测了三个场景：

第一，扔了一整本招股书进去（大概40万字），让它帮我找「关联交易」相关的所有条款。GLM-5.2用了不到30秒，准确率很高。对比之前用RAG切片的方式，少了检索噪声，多了全局理解。

第二，长代码库分析。把一个开源项目的全部代码（大概15万行）扔进去，让它画架构图。能画，但细节会丢——函数调用关系是对的，但参数类型偶尔搞混。

第三，多轮长对话。连续20轮追问同一个话题，前面几轮给的上下文它一直在用。到第15轮开始有点「注意力漂移」——前面的信息权重开始下降。

说实话，1M上下文最大的价值不是「能读更长的东西」，是「不需要切了」。以前做RAG要切chunk、做检索、做重排序——一整套工程管线。现在很多场景可以直接扔进去。工程复杂度降了一个数量级。

但问题也有。推理成本是128K的3-5倍。如果场景不需要长上下文，用128K版本更划算。

MIT协议开源才是真正的杀招。国内开发者终于有一个「没有任何法律风险」的强模型可用了。我的判断：接下来半年，基于GLM-5.2的B端应用会爆。

Mark一下：年底回来看这个判断。

AI GLM 开源 国产大模型 长上下文