GLM-5.2 er ikke bare endnu en kinesisk model med flotte benchmarkgrafer. Den interessante del er, at z.ai positionerer den som en \u00e5ben model til langvarige agentopgaver: 1 million tokens i kontekst, MIT-licens, st\u00e6rk coding-performance og et eksplicit fors\u00f8g p\u00e5 at g\u00f8re lange softwareopgaver billigere og mere praktiske.<\/p>\n\n\n\n
Det er v\u00e6rd at tage alvorligt, ogs\u00e5 selv om man ikke skal sluge leverand\u00f8rens egne tal r\u00e5t. Reuters beskrev 2. juli, hvordan en ny billig kinesisk AI-model er ved at indhente Anthropic og OpenAI p\u00e5 deres hjemmebane. South China Morning Post skrev samme dag, at Zhipu AI har lanceret ZCode for at g\u00f8re GLM-5.2 mere direkte brugbar som agent mod Cursor, Claude Code og GitHub Copilot. Det er dagens pointe: konkurrencen flytter fra chat til agentisk softwarearbejde.<\/p>\n\n\n\n
Lang kontekst lyder altid imponerende i en lancering. Men i praksis er sp\u00f8rgsm\u00e5let ikke, om modellen kan tage 1 million tokens ind. Sp\u00f8rgsm\u00e5let er, om den stadig kan arbejde stabilt, n\u00e5r den skal holde styr p\u00e5 et stort repository, fejls\u00f8gning, testoutput, arkitekturvalg og flere timers agent-loop uden at g\u00e5 i cirkler.<\/p>\n\n\n\n
z.ai h\u00e6vder, at GLM-5.2 netop er tr\u00e6net mere m\u00e5lrettet mod den type lange coding-agent scenarier. I deres egen blog n\u00e6vner de FrontierSWE, PostTrainBench og SWE-Marathon som benchmarks for langvarige tekniske opgaver. De skriver blandt andet, at modellen kun ligger 1 procentpoint efter Claude Opus 4.8 p\u00e5 FrontierSWE, ligger foran GPT-5.5 p\u00e5 samme benchmark og er den h\u00f8jest placerede open-source model p\u00e5 tv\u00e6rs af de tre test.<\/p>\n\n\n\n
Det skal l\u00e6ses med sund skepsis. Leverand\u00f8rbenchmarks er ikke sandheden. Men retningen er tydelig: open-weight modeller pr\u00f8ver ikke l\u00e6ngere kun at v\u00e6re \u201cgode nok\u201d til klassifikation, opsummering og simple prompts. De g\u00e5r direkte efter de arbejdsflows, hvor Anthropic, OpenAI og Google hidtil har kunnet tage premiumpriser: coding agents, lange kontekster og komplekse udviklingsopgaver.<\/p>\n\n\n\n
Hvis GLM-5.2 og lignende modeller bare var lidt billigere chatbots, ville det v\u00e6re mindre interessant. Det vigtige er kombinationen af pris, \u00e5ben licens, lang kontekst og agentisk performance. Den kombination presser softwareteams til at genoverveje, om al tung AI-trafik automatisk skal sendes til en lukket frontiermodel.<\/p>\n\n\n\n
Jeg skrev for nylig om LLM tokenbudget og modelrouting<\/a>. GLM-5.2 passer direkte ind i den diskussion. Hvis en \u00e5ben eller billigere model kan l\u00f8se 70-90 procent af de almindelige agentopgaver med acceptabel kvalitet, b\u00f8r arkitekturen ikke v\u00e6re \u00e9n model til alt. Den b\u00f8r v\u00e6re et kontrolplan, hvor modellen v\u00e6lges efter risiko, datakrav, latency, pris og fejlkonsekvens.<\/p>\n\n\n\n Det g\u00e6lder is\u00e6r for danske SaaS-teams. En agent, der retter formulartekst eller skriver tests, har en anden risikoprofil end en agent, der \u00e6ndrer betalingslogik, sikkerhedsregler eller kundedata. Med billigere st\u00e6rke modeller bliver det mere realistisk at k\u00f8re flere fors\u00f8g, mere automatiseret review og l\u00e6ngere kontekst uden at fakturaen eksploderer. Men det g\u00f8r ogs\u00e5 governance vigtigere, ikke mindre.<\/p>\n\n\n\n Her kommer den del, hype-tr\u00e5de ofte springer over. GLM-5.2 er interessant teknisk, men den kommer fra en kinesisk akt\u00f8r. Det betyder ikke, at modellen automatisk er ubrugelig. Det betyder, at data, licens, hosting, censorship-adf\u00e6rd, supply chain og politisk risiko skal vurderes mere kontant.<\/p>\n\n\n\n Der er stor forskel p\u00e5 at bruge en open-weight model lokalt p\u00e5 egne maskiner, at kalde en hosted API hos en kinesisk udbyder, eller at f\u00e5 modellen serveret gennem en vestlig cloud-partner med egne kontrakter og databehandleraftaler. For persondata, kundedokumenter, interne beslutningsnotater og kode med forretningshemmeligheder b\u00f8r standarden v\u00e6re: ingen f\u00f8lsomme data ud af huset uden en bevidst vurdering.<\/p>\n\n\n\n Det samme g\u00e6lder censur og evals. Hvis en model er tr\u00e6net eller filtreret under andre politiske normer, kan den have blinde vinkler, som ikke opdages i en almindelig coding benchmark. Det er ikke et argument for at ignorere kinesiske modeller. Det er et argument for at teste dem p\u00e5 egne opgaver, egne sikkerhedskrav og egne failure modes, f\u00f8r de bliver en usynlig del af produktionsstakken.<\/p>\n\n\n\n For udviklere og IT-arkitekter er den praktiske konklusion ikke \u201cskift til GLM-5.2 i dag\u201d. Den rigtige konklusion er at g\u00f8re modelvalg m\u00e5lbart.<\/p>\n\n\n\n Det her er ogs\u00e5 relevant i lyset af artiklen om prompt injection og LLM-agenter som kontrolplansproblem<\/a>. Jo billigere og mere tilg\u00e6ngelige agentmodeller bliver, jo lettere er det at sprede dem ud i workflows. Det er godt for produktivitet. Det er d\u00e5rligt, hvis adgangsstyring, logging og stopregler ikke f\u00f8lger med.<\/p>\n\n\n\n GLM-5.2 viser, at open-weight modeller rykker ind i det omr\u00e5de, hvor pengene og de sv\u00e6re driftsbeslutninger ligger: lange agentopgaver, kode og produktionsn\u00e6re workflows. Det presser priserne ned og valgmulighederne op. Men det flytter ikke ansvaret v\u00e6k fra os. Tv\u00e6rtimod. N\u00e5r modelmarkedet bliver bredere, bliver arkitekturdisciplinen vigtigere.<\/p>\n\n\n\n Denne artikel er skrevet i samarbejde med AI, og efterf\u00f8lgende redigeret af et rigtigt menneske \ud83d\ude42<\/p>\n","protected":false},"excerpt":{"rendered":" GLM-5.2 viser, at open-weight LLM\u2019er nu presser frontiermodeller p\u00e5 lange agentopgaver. Det s\u00e6nker prisen, men \u00f8ger kravene til kontrol.<\/p>\n","protected":false},"author":1,"featured_media":1727,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[24,8,7],"tags":[31],"class_list":["post-1728","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agentic-engineering","category-ai","category-techology","tag-language-models"],"acf":[],"_links":{"self":[{"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/posts\/1728","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/comments?post=1728"}],"version-history":[{"count":1,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/posts\/1728\/revisions"}],"predecessor-version":[{"id":1729,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/posts\/1728\/revisions\/1729"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/media\/1727"}],"wp:attachment":[{"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/media?parent=1728"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/categories?post=1728"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/vittrup-graversen.dk\/index.php\/wp-json\/wp\/v2\/tags?post=1728"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Den kinesiske vinkel m\u00e5 ikke ignoreres<\/h2>\n\n\n\n
Hvad b\u00f8r man g\u00f8re nu?<\/h2>\n\n\n\n
\n
Kilder<\/h2>\n\n\n\n
\n