GLM-5.2, Artificial Analysis 오픈 가중치 모델 1위 등극

Context

기존 오픈 가중치 모델들의 추론 능력 한계와 고비용 구조 해결 필요성 증대. 특히 과학적 추론과 복잡한 코딩 태스크에서의 성능 격차를 줄이기 위한 고밀도 모델 아키텍처 설계 요구됨.

Technical Solution

• Mixture-of-Experts(MoE) 구조를 통한 744B 전체 파라미터 중 40B 활성 파라미터만 사용하는 효율적 추론 설계
• Context Window를 200K에서 1M 토큰으로 확장하여 대규모 데이터 처리 및 장기 기억 유지 능력 강화
• Reasoning 토큰 비중을 높인 사고 체인(Chain-of-Thought) 최적화로 과학적 추론 및 코딩 정확도 개선
• Intelligence vs Cost Pareto frontier 달성을 통한 지능 수준 대비 태스크당 비용 최적화
• MIT 라이선스 채택 및 다양한 Third-party API 제공을 통한 접근성 및 배포 유연성 확보

Impact

• Intelligence Index v4.1 점수 51점으로 오픈 가중치 모델 중 1위 기록 (전작 대비 11점 상승)
• GDPval-AA v2 지표 1524점으로 GPT-5.5(xhigh reasoning) 수준의 에이전트 성능 도달
• 과학적 추론 지표 CritPt +16점(21%), HLE +12점(40%), SciCode +7점(50%) 상승
• Hallucination rate를 29.4%에서 28.1%로 낮추어 응답 신뢰성 개선

Key Takeaway

모델의 절대적 크기보다 활성 파라미터의 효율적 운용과 Reasoning 토큰 최적화가 실질적 지능 향상의 핵심임. 특히 추론 비용과 성능 사이의 Trade-off를 정밀하게 조정하여 Pareto frontier를 확보하는 전략이 중요함.