GLM-5.2: โมเดลโค้ด open-weight ที่ทำคะแนนแซงโมเดลเสียเงิน

บริษัท Zhipu AI จากจีน (แบรนด์สากลชื่อ Z.ai) ปล่อยโมเดลใหม่ GLM-5.2 ออกมาเมื่อ 13 มิถุนายน 2026 พร้อม “เปิดน้ำหนัก” (open weights) ให้ดาวน์โหลดไปรันเองได้ใต้ใบอนุญาต MIT ซึ่งหลวมมาก — ใช้เชิงพาณิชย์ได้เต็มที่ จุดที่ทำให้คนทั้งวงการพูดถึงคือ มันขึ้น นำอันดับหนึ่งของกลุ่มโมเดล open-weight บนดัชนีวัดความฉลาดกลาง และบางงานทำคะแนนได้ใกล้เคียงโมเดลเสียเงินระดับท็อปอย่าง GPT-5.5

พูดง่าย ๆ คือ “ของที่โหลดมารันเองได้ฟรี” กำลังไล่บี้ “ของที่ต้องจ่ายรายเดือน” จนเส้นแบ่งเริ่มเบลอ — และนั่นมีนัยกับทั้งนักพัฒนาและองค์กรไทยมากกว่าที่คิด

GLM-5.2 คืออะไร

GLM-5.2 เป็นโมเดลภาษาแบบ Mixture-of-Experts (MoE) — สถาปัตยกรรมที่มี “ผู้เชี่ยวชาญ” ย่อยจำนวนมาก แต่เปิดใช้แค่บางส่วนต่อการประมวลผลหนึ่งครั้ง ทำให้โมเดลใหญ่แต่ไม่กินทรัพยากรเท่าขนาดเต็ม

• ขนาด: รวมราว 750 พันล้านพารามิเตอร์ (รายงานอยู่ระหว่าง 744–753B แล้วแต่แหล่ง) แต่จุดทำงานจริงต่อ token แค่ราว 40 พันล้าน
• Context: หน้าต่างบริบทยาวถึง 1 ล้าน token (เพิ่มจาก 200K ในรุ่น GLM-5.1) — ป้อนโค้ดเบสทั้งโปรเจกต์หรือเอกสารกองโตได้ในครั้งเดียว
• เอาต์พุต: ตอบได้ยาวสุดราว 131,000 token ต่อครั้ง
• License: MIT — โหลด weight ได้จาก Hugging Face และ ModelScope เอาไปรันเอง ปรับแต่ง หรือใช้ในผลิตภัณฑ์เชิงพาณิชย์ได้โดยไม่ต้องขออนุญาต

โมเดลออกแบบมาเน้นงาน เขียนโค้ดและ agent (สั่งงานหลายขั้น เรียกเครื่องมือ แก้ไขเมื่อรันพลาด) มีโหมดให้เลือกระหว่าง “High” (คิดเร็ว จำกัดงบการคิด) กับ “Max” (คิดลึกขึ้น แลกกับช้าและกิน token มากกว่า)

เก่งแค่ไหน — และตัวเลขที่ต้องอ่านอย่างมีสติ

ไฮไลต์ที่เป็นข่าวคือ GLM-5.2 ทำคะแนน 51 บน Artificial Analysis Intelligence Index (ดัชนีรวมความสามารถจากหลายเบนช์มาร์ก) ซึ่ง นำกลุ่ม open-weight โดยแซงทั้ง MiniMax-M3 และ DeepSeek V4 ที่ได้ 44 เท่ากัน

ตัวเลขอื่นที่ Z.ai รายงาน:

• GDPval-AA v2: 1524 — ใกล้เคียง GPT-5.5 ที่ 1514 (งานเชิงวิชาชีพจริง)
• Humanity’s Last Exam: ขยับขึ้น 12 แต้มเป็น 40%
• SciCode: ขึ้น 7 แต้มเป็น 50%
• งานสายโค้ด (SWE-bench Pro, Terminal-Bench) และการใช้เครื่องมือ ก็รายงานว่าอยู่ระดับนำของ open-weight

ฝั่งราคา (ผ่าน gateway ภายนอกเช่น OpenRouter) อยู่ราว $1.4 ต่อล้าน token ขาเข้า และ $4.4 ต่อล้าน token ขาออก ถูกกว่าโมเดลปิดระดับเดียวกันพอสมควร

แต่ตรงนี้คือจุดที่ต้องเบรกสักนิด: ตัวเลขเบนช์มาร์กเกือบทั้งหมด เป็นที่ Z.ai รายงานเอง และยัง ไม่มีการตรวจสอบอิสระจากภายนอก

มีรายงานด้วยว่า Z.ai ยัง ไม่ปล่อยชุดเบนช์มาร์กฉบับเต็มอย่างเป็นทางการ ตอนเปิดตัว และโมเดล “กิน token เยอะ” ในการคิด (ราว 43,000 token ต่อโจทย์ ในนั้นเป็นการ reasoning ถึง 37,000) แปลว่าเวลาใช้งานจริงปริมาณมาก ต้นทุนอาจพุ่งเร็วกว่าที่เลขราคาต่อ token บอก เบนช์มาร์กสวยในห้องแล็บกับประสิทธิภาพในงานจริงจึงเป็นคนละเรื่องที่ต้องแยกกัน

ข้อควรระวังเรื่องข้อมูล: API อยู่ที่จีน

อีกประเด็นที่สำคัญไม่แพ้กัน — แม้ weight จะเปิดให้โหลดมารันเอง ได้ แต่ถ้าเลือกใช้ผ่าน API ที่ Z.ai โฮสต์เอง ข้อมูลที่ส่งเข้าโมเดลก็จะวิ่งไปประมวลผลบนเซิร์ฟเวอร์ในจีน ซึ่งมีกรอบกฎหมายและการกำกับข้อมูลต่างจากไทย/ยุโรป

นี่ไม่ได้แปลว่าโมเดล “อันตราย” — open weight ที่เป็น MIT ตรวจสอบและรันแยกได้ถือว่าโปร่งใสกว่าโมเดลปิดด้วยซ้ำ แต่ “ช่องทางที่คุณเรียกใช้” ต่างหากที่เป็นตัวกำหนดว่าข้อมูลไปไหน — และนั่นพาเรามาสู่ส่วนที่สำคัญที่สุดสำหรับคนอ่าน

วิเคราะห์: กระทบเรายังไง ต้องเตรียมตัวอะไร

สำหรับนักพัฒนาและผู้ใช้ทั่วไป

เทรนด์ที่ GLM-5.2 ตอกย้ำคือ “ช่องว่างระหว่างของฟรีกับของแพงกำลังแคบลงเร็วมาก” เมื่อปีก่อนถ้าอยากได้โมเดลเขียนโค้ดเก่งระดับท็อป แทบไม่มีทางเลือกอื่นนอกจากจ่ายค่า API เจ้าใหญ่ ตอนนี้คุณโหลด weight ระดับใกล้เคียงมารันบนเครื่อง/คลาวด์ของตัวเองได้ — คุมต้นทุน คุมข้อมูล และปรับแต่งเองได้

ผลที่จับต้องได้: ต้นทุนการทำผลิตภัณฑ์ AI ต่ำลง, การ “ลองก่อนจ่าย” ง่ายขึ้น, และอำนาจต่อรองกับผู้ขายโมเดลปิดเพิ่มขึ้น เพราะมีตัวเลือก open-weight ที่ดีพอมารองรับ

แต่ “ของฟรี” ไม่ได้แปลว่า “ต้นทุนศูนย์” — โมเดล 750B ต้องใช้ GPU แรง (หลายใบ) ในการรัน ค่าไฟ ค่าฮาร์ดแวร์ และคนดูแลก็เป็นต้นทุนจริง สำหรับงานเล็กการจ่าย API ถูก ๆ อาจคุ้มกว่า self-host เสมอ

สำหรับคนไทยและองค์กรไทยโดยเฉพาะ

นี่คือจุดที่ต้องคิดให้ละเอียด เพราะไทยมี พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA) ถ้าธุรกิจคุณเอาข้อมูลลูกค้า เอกสารภายใน หรือข้อมูลอ่อนไหวไปป้อนโมเดล แล้วเลือกใช้ผ่าน API ที่โฮสต์ในจีน ก็ต้องตอบให้ได้ว่าข้อมูลไปอยู่ที่ไหน ใครเข้าถึงได้ และเป็นไปตามกฎหมายไทยหรือยัง

ทางเลือกจึงแยกเป็นสองทางชัด ๆ:

• โหลด weight มารันเอง (บนเซิร์ฟเวอร์ตัวเอง หรือคลาวด์ที่คุณเลือก region ได้) — ข้อมูลไม่ออกนอกการควบคุม เหมาะกับงานที่อ่อนไหว แต่ต้องลงทุนฮาร์ดแวร์/คน
• ใช้ API สำเร็จรูป — เร็ว ถูก ไม่ต้องดูแลระบบ แต่ต้องเช็กให้ชัดว่าผู้ให้บริการอยู่ที่ไหน และข้อมูลถูกเก็บ/เทรนต่อหรือไม่

ข้อดีที่คนไทยได้แน่ ๆ คือ ต้นทุน — โมเดล open-weight ที่เก่งขึ้นเรื่อย ๆ ทำให้สตาร์ทอัพและ SME ไทยเข้าถึง AI ระดับสูงได้โดยไม่ต้องผูกกับค่าบริการแพง ๆ ของเจ้าใหญ่ และยังรองรับงานภาษาไทยได้ดีขึ้นตามขนาดโมเดล

ควรเตรียมหรือปรับตัวอะไร

• อย่าเชื่อเลขเบนช์มาร์กดิบ — ทดสอบกับงานจริงของคุณเองก่อนตัดสินใจ (เขียนชุดทดสอบเล็ก ๆ จากเคสที่ใช้บ่อย)
• แยกข้อมูลตามความอ่อนไหว — งานทั่วไปใช้ API ถูก ๆ ได้ แต่ข้อมูลลูกค้า/ความลับธุรกิจ ควรไป self-host หรือใช้ผู้ให้บริการที่ระบุ region ชัดเจน
• คิดต้นทุนรวม ไม่ใช่แค่ค่า token — โมเดลที่ “คิดเยอะ” กิน token มาก ลองคำนวณจากปริมาณงานจริง
• มองเป็นทางเลือกเชิงกลยุทธ์ — มี open-weight ที่ดีไว้ในมือ ช่วยให้ไม่ถูกล็อกกับผู้ขายรายเดียว และต่อรองได้

โดยรวม GLM-5.2 ไม่ใช่แค่ “โมเดลจีนอีกตัวที่เคลมว่าแรง” แต่เป็นสัญญาณชัดว่า open-weight ได้ไล่ทันแนวหน้าจริง ๆ แล้ว สิ่งที่เปลี่ยนไปไม่ใช่ว่า “ใครเก่งสุด” แต่คือ “คุณมีทางเลือกมากขึ้น” — และความได้เปรียบจะตกอยู่กับคนที่เลือกใช้เป็น รู้ว่างานไหนควรรันเอง งานไหนจ่าย API คุ้มกว่า และข้อมูลไหนห้ามหลุดออกนอกประเทศ