GLM 5.2：如何搭建开源AI（搭配Cursor/Codex等）

GLM 5.2 是X平台上人人都在热议的模型。人们称它为本地AI的ChatGPT时刻。但几乎没人真正展示过如何运行它。

所以我请来了我的朋友Amir，在节目中解决了这个问题。不到20分钟，他讲清了GLM 5.2是什么、为何碾压基准测试，以及今天如何上手配置。

以下是完整攻略。

关键数字

GLM 5.2是开源的，由ZAI构建。如果你的机器能跑，就本地运行；或者通过OpenRouter等云服务商在云端运行。

它配备了100万Token的上下文窗口。 在Terminal Bench 2.1上获得了81分。 这比Opus 4.8落后约4分。 它在长期任务上表现稳定——那种需要模型在长步骤序列中做规划的任务。

相比5.1是一次巨大飞跃，目前它在前端、执行型工作上表现最强。

一个免费的开源模型，比Opus 4.8只差4分。以前这个差距是天堑。

先别管基准测试

Amir对此很坦诚。他不会痴迷基准测试图表。他的测试更简单：做点实际的东西，观察其表现，再下结论。

这是正确的直觉。分数说明模型在纸面上不错。用它发货才知道是否适合你。

配置指南（简版）

两条路径，任选其一。

Cursor + OpenRouter： 前往ZAI获取API密钥。 打开Cursor设置，将其粘贴到OpenAI字段。 用ZAI的端点覆盖OpenAI端点。 添加一个名为GLM 5.2的自定义模型。 直接调用它。

Codex + OpenRouter： 获取你的OpenRouter密钥。 从提供商处拉取端点。 在Codex中创建一个配置文件，安装开源模型。 提供模型名称和上下文窗口。 从CLI切换到GLM 5.2。

Codex原生支持开源模型。任何允许你自带模型的工具也都支持。

真正的优势不在于单一模型，而在于将它们串联起来。

OpenRouter称之为融合。你将一个深度思考模型和一个快速执行模型串联起来，让每个模型做自己最擅长的事。

以下是Amir在真实任务中如何使用它的。

他想优化一个Hero区域。GLM 5.2无法读取图像，所以他先用Opus 4.8。他向Opus输入截图，要求它描述在前端设计中看到的具体内容，并用文本布局呈现出来。

然后切换到GLM 5.2，让它研究该布局并进行修改。

Opus负责昂贵的思考，GLM负责廉价的执行。你以极低的成本获得前沿级别的输出。

用Opus规划，用GLM 5.2执行，用Composer 2.5或Codex 5.5审查。同样结果，更低账单。

Amir使用的思维模型是自由贸易。佛罗里达州种橙子，加拿大产枫糖浆。双方交易各自做得更好的产品。模型也是如此。

为什么这比看上去更重要

大多数人都在凭感觉消耗Token。Amir曾是他们中的一员。在之前的一期节目中，他承认自己完全不知道成本是多少，只是花。

现在变了。他的使用量更快达到上限。账单在上涨。团队在扩大。

他看到许多公司也撞上了同样的墙。第一年是为了证明自己是AI原生公司，追求Token最大化、疯狂采用。现在他们意识到自己花得太多，正在取消昂贵的模型API订阅。

就连微软的Satya也指出，人力资本加Token使用是新的方程式。

这里面还藏着治理问题。当市场部的某人用Opus 4.8的高思考模式去格式化一封邮件时，那是用错了模型。公司如今正在问：如何教会团队为正确任务选择正确模型。

你不应该追求Token最大化，而应该追求Token最小化、输出最大化。

你需要买硬件吗？不。

X上到处有人让你买Mac Studio。Amir的回答很直白。你不需要设备。今天就能开始。

OpenRouter基于信用额度，很容易上手。充值20美元即可。设置一个模型无关的智能体工具，指向OpenRouter，放入几个开源模型，开始实验。

他最喜欢的做法是不断测试极限。用Opus规划，GLM 5.2执行，Composer 2.5或Codex 5.5审查。混搭直到输出出色且成本低廉。

最后的总结

有些构建者说他们不在乎Token成本，因为构建的回报太大了。如果你能花200美元并赚回1000美元，那就继续吧。

但廉价Token的狂欢靠的是补贴。迟早，补贴会耗尽。

接下来一年里获胜的构建者，不会是花费最多的那些人，而是那些以更低成本获得相同输出的人。

停止最大化Token，开始最大化输出。