GLM 5.2: Built for Long Horizon Tasks

Source #

• Workflow version: v2.1
• Material type: blog
• Analysis modules: experiment, system, model-report, safety, docs
• Canonical source: https://z.ai/blog/glm-5.2
• Title: GLM-5.2: Built for Long-Horizon Tasks
• URL: https://z.ai/blog/glm-5.2
• Documentation: https://docs.z.ai/guides/llm/glm-5.2
• Code/Project: https://github.com/zai-org/GLM-5
• Model: https://huggingface.co/zai-org/GLM-5.2
• Config snapshot: https://huggingface.co/zai-org/GLM-5.2/blob/b4734de4facf877f85769a911abafc5283eab3d9/config.json
• Weight index snapshot: https://huggingface.co/zai-org/GLM-5.2/blob/b4734de4facf877f85769a911abafc5283eab3d9/model.safetensors.index.json
• Weight metadata: https://huggingface.co/api/models/zai-org/GLM-5.2/revision/b4734de4facf877f85769a911abafc5283eab3d9
• Transformers config implementation: https://github.com/huggingface/transformers/blob/e0e7504bca2bfd1b85bb0eedb148f7b250226f06/src/transformers/models/glm_moe_dsa/configuration_glm_moe_dsa.py
• Transformers implementation: https://github.com/huggingface/transformers/blob/e0e7504bca2bfd1b85bb0eedb148f7b250226f06/src/transformers/models/glm_moe_dsa/modeling_glm_moe_dsa.py
• SGLang GLM-DSA/MTP loader: https://github.com/sgl-project/sglang/blob/ee1736f39ab62b15fcb276d3ff9090ff13c60fc6/python/sglang/srt/models/glm4_moe.py
• SGLang MTP fusion module: https://github.com/sgl-project/sglang/blob/ee1736f39ab62b15fcb276d3ff9090ff13c60fc6/python/sglang/srt/models/glm4_moe_nextn.py
• ModelScope: https://modelscope.cn/models/ZhipuAI/GLM-5.2
• Authors: Z.ai / GLM-5 Team
• Published: 2026-06-16
• Current version read: blog bundle last modified 2026-06-17；Hugging Face BF16 checkpoint commit b4734de4facf877f85769a911abafc5283eab3d9；Transformers v5.12.0 implementation commit e0e7504bca2bfd1b85bb0eedb148f7b250226f06；SGLang implementation commit ee1736f39ab62b15fcb276d3ff9090ff13c60fc6
• Accessed: 2026-07-27
• Key figure decision: omit
• Key figure rationale: 本次架构补充的直接证据来自机器可读配置、Safetensors 元数据和权重张量形状；分层参数表和数据流说明已经保留关键结构信息，无需引入发布图。
• Review status: page-type=not-found; match-confidence=high; observed-at=2026-07-27; venue-status=release blog and open-weight model card
• Related paper: 2602.15763
• Related method: IndexCache
• Subjects: long-horizon coding agents, 1M context, sparse attention, speculative decoding, agentic RL, anti-hack training
• Review / OpenReview: 截至 2026-07-27，未发现 GLM-5.2 release blog 对应的官方公开审稿 forum；OpenReview 检索主要返回其它论文或材料对 GLM-5.2 和 GLM-5 系列的引用。

作者与关系 #

• Z.ai / GLM-5 Team: Z.ai / GLM-5 Team.
• GLM-5 Team / Zhipu AI / Tsinghua University: 2602.15763 的作者结构已经在本地建档。GLM-5.2 延续同一开源仓库和同一 GLM-5 series citation。
• slime / THUDM: 博文明确说 GLM-5.2 的 agentic RL 和 parallel OPD 使用 slime，形成直接工程关系。
• IndexShare / IndexCache 相关作者线：博文链接 IndexCache。该论文作者包括 Yushi Bai、Qian Dong、Ting Jiang、Xin Lv、Zhengxiao Du、Aohan Zeng、Jie Tang、Juanzi Li，与 GLM-5 / GLM-5.2 团队存在明显人员重叠。

阅读目标与判断边界 #

本笔记关注：

1. GLM-5.2 相对 GLM-5 / GLM-5.1 的关键变化是什么。
2. 1M context 的瓶颈如何从 attention FLOPs 转向 indexer、KV cache、kernel、CPU scheduling 和 rollout infrastructure。
3. IndexShare、MTP/KVShare、slime、critic-based PPO 和 anti-hack module 分别解决哪一层问题。
4. 这篇 release blog 和本地已有 GLM-5、slime、Bebop、TIM/VeXact、Seer、DeepSeek-V4、reward hacking 论文之间的关系。

判断边界：

• 这是 release blog 与模型卡，信息粒度低于完整技术报告。许多训练数据、RL reward、anti-hack classifier、OPD 细节和 serving benchmark setup 没有完全展开。
• benchmark 表来自官方发布，跨模型比较依赖 harness、effort level、上下文长度、tool policy、judge 和运行预算。后续需要第三方复测。
• 文章包含 coding agent reward hacking 示例。本笔记只沉淀风险类别、防御机制和评测启发，不记录可执行滥用流程。

论文脉络 #

1. 研究问题、背景和价值 #

GLM-5.2 面向的问题是：coding agent 已经从短上下文 bug fix / unit test 任务，进入持续数小时甚至数十小时的 long-horizon engineering。模型需要读大仓库、维护长期计划、调用工具、运行实验、做性能优化、处理失败恢复，并在超长会话中保留有效上下文。

这类任务把“长上下文”从静态 benchmark 推到工程压力下：

• context 要能容纳仓库、日志、工具返回、历史决策和中间产物。
• 模型要能在长轨迹中持续推进任务，避免有效行动只集中在前几轮。
• serving engine 要能承受 1M prompt 下的 KV cache、prefill、decode 和调度压力。
• RL 训练要能处理长轨迹 compaction、工具反馈、子任务分解和奖励作弊。

GLM-5.2 的价值在于把这些问题放在同一条 release 中处理：模型架构处理 1M sparse attention，MTP 处理推理吞吐，slime 处理 agentic RL 基础设施，PPO/compaction 处理训练数据形态，anti-hack 处理可验证 coding reward 的信号污染。

2. 已有解决方案与不足 #

GLM-5 已经提供 744.0B total / 40.0B active MoE、DSA、slime 异步 RL 和 200K context。GLM-5.1 进一步增强 coding / agentic capability，但从 GLM-5.2 博文看，长时工程任务仍有四类不足：

1. 200K context 对仓库级、长日志、长工具轨迹仍偏紧。
2. DSA core attention 已被稀疏化，但 indexer 自身还会在每层做高成本 top-k 选择。
3. MTP speculative decoding 有训练-推理差异，draft acceptance 仍可提升。
4. coding RL 的 pass/fail reward 容易被 agent 通过环境或评测漏洞优化，导致 reward 上升但能力没有同步提升。

已有 Reinforcement Learning with Verifiable Rewards (RLVR) / Group Relative Policy Optimization (GRPO) 类 group-wise 方法也面临形态错配。长轨迹经过 compaction 后，一个 prompt 下的 rollout 会被切成数量不定、长度不同的 sub-traces，组内比较的结构变弱；这会推动系统从 group-wise optimization 转向 critic-based PPO。

3. 作者可能的思考路径 #

如果从 GLM-5 到 GLM-5.2 的演进看，作者可能先遇到的是 1M context 的经济性问题。DSA 已经把主 attention 从 $O(L^2)$ 降到 $O(Lk)$，但 indexer 仍要为每层、每个 query 做选择。连续层的 top-k 选择高度相似，于是自然想到跨层复用 indexer：每 4 层只让第一层运行 indexer，后 3 层复用 top-k indices。

第二条思路来自 speculative decoding。GLM-5 已有 parameter-sharing MTP，但多步 draft 在推理时会混入由 MTP 自己生成的 hidden state / KV，而训练时又希望行为和目标模型对齐。IndexShare 的“后续 token 只能 attend 到之前 token”的结构给了一个机会：复用第一步的 top-k indices 和 target model KV，让后续 MTP step 更接近训练态，并减少 draft model 成本。

第三条思路来自 agentic RL 训练数据。long-horizon task 会产生很长、很乱、被 compaction 切开的轨迹。组内 GRPO 适合固定 prompt group 的若干完整 responses；compacted sub-traces 的数量和长度都变了，critic-based PPO 可以把每条 rollout / sub-trace 作为独立训练对象，用 critic 估计 token-level advantage。

第四条思路来自 reward hacking。coding agent 有工具权限、仓库访问、测试反馈和网络/文件系统操作；pass/fail reward 会鼓励捷径。直接丢弃整条 trajectory 会造成训练不稳定，在线拦截单个非法 tool call 并返回 dummy observation，让 rollout 继续进行，是更平滑的防御入口。

4. 核心假设或切入点 #

GLM-5.2 的核心假设包括：

1. 1M context 的真实价值体现在 long-horizon coding agent，同时覆盖长文本读取。
2. DSA 的连续层 top-k indices 有足够相似性，可以跨层复用。
3. MTP draft model 的 acceptance 同时取决于模型容量和训练-推理路径一致性。
4. compaction 后的长轨迹训练更适合 critic-based PPO，对固定 group structure 的依赖更低。
5. coding RL 的 anti-hack 需要在线化，防御模块要参与 rollout，并和离线清洗形成互补。

5. GLM-5.2 结构参数速览与阅读方法 #

面向读者的模型参数表优先展示五类信息：存储规模、激活规模、网络深度、残差流宽度，以及 MoE 和注意力的实际执行路径。分片数、张量数和逐矩阵求和主要用于核验，放在结果证据中即可。参数量统一保留一位小数并使用 M/B；层数、维度、头数、专家数和上下文长度继续保留精确整数。

5.1 模型规模 #

展示项	GLM-5.2	阅读方式
BF16 checkpoint 总参数	753.3B	下载、存储和完整权重驻留的主要口径
Target backbone	743.4B	78 个生成主干 block，包含输入词嵌入与输出头
MTP 模块	10.0B	独立保存的 layer 78，用于 speculative decoding
报告口径激活参数	39.9B	单个 token 经过所选专家时涉及的参数规模
GLM-5 报告口径	744.0B total / 40.0B activated	系列级报告数字，统计范围与当前 checkpoint 有差异
权重精度	BF16；另有 FP8 release	本节计数基于 BF16 checkpoint
最大上下文	1,048,576 tokens	max_position_embeddings=2^{20}

这张表应同时保留“总参数”和“激活参数”。GLM-5.2 的全部专家都需要存储；每个 token 只调用其中一部分专家，因此 39.9B 描述计算路径，753.3B 描述 checkpoint 规模。MTP 的 10.0B 参数也要单列，因为普通 target-model forward 与 speculative decoding 对它的使用方式不同。

Hugging Face commit b4734de4facf877f85769a911abafc5283eab3d9 的模型 API、权重索引和张量形状共同支持 753.3B、743.4B 与 10.0B 三个数字。GLM-5 技术报告 Appendix A Table 10 报告 744.0B/40.0B，并声明总参数计入 MTP、排除词嵌入与输出层；该脚注无法直接复现当前 GLM-5.2 checkpoint。部署容量使用 753.3B，引用论文架构时注明 744.0B/40.0B 的报告口径。

5.2 网络深度、宽度与专家 #

结构参数	值	对模型结构的影响
Target backbone blocks	78	自回归生成主干，对应 layers 0–77
Dense blocks	3	layers 0–2 使用 dense SwiGLU FFN
MoE blocks	75	layers 3–77 使用稀疏 MoE
MTP blocks	1	layer 78，跨多个 draft steps 共享参数
hidden_size	6,144	每个 token 的 hidden state 和残差流宽度
Dense FFN intermediate size	12,288	前 3 层 dense SwiGLU 的中间宽度
Expert intermediate size	2,048	路由专家与共享专家的中间宽度
路由专家数	256 / MoE block	每层保存的候选专家
激活路由专家数	8 / token	router 为每个 token 选择的专家数
共享专家数	1 / token	每个 token 固定经过的共享专家
Vocabulary size	154,880	输入词嵌入与输出头不共享，各约 951.6M 参数

一层 backbone 先让 6,144 维 hidden state 通过注意力，再进入 FFN。前三层使用完整 dense FFN；后 75 层由 router 从 256 个路由专家中选择 8 个，同时执行 1 个共享专家，最后把结果写回 6,144 维残差流。单个专家约 37.7M 参数，每个 MoE block 保存约 9.7B 路由专家参数；当前 token 的专家 FFN 路径约涉及 339.7M 参数。

这组数字解释了总参数与激活参数的差距。75 个 MoE blocks 保存全部专家，使 backbone 达到 743.4B；单个 token 在每层只走 8 个路由专家和 1 个共享专家，按报告口径汇总约为 39.9B active。MTP layer 78 复用相同宽度和完整 MoE 结构，额外保存约 10.0B 参数。

5.3 注意力、hidden state 与稀疏选择 #

注意力参数	值	数据流含义
hidden_size	6,144	注意力和 FFN 共享的输入、输出及残差流宽度
Query heads	64	64 个 query heads
Logical K/V heads	64	MLA 展开后的逻辑头数，缓存仍使用低维 latent
Q/K head dimension	256	192 维 no-PE 子空间加 64 维 RoPE 子空间
Value head dimension	256	每个 value head 的宽度
Q LoRA rank	2,048	query 先压到低秩空间，再展开到多头空间
Compressed KV width	512	MLA 缓存的低维 KV latent
MLA logical cache width	576	512 维 KV latent 加 64 维 RoPE key
DSA indexer	32 heads × 128 dims	为历史位置计算轻量相关性分数
Sparse attention top-$k$	2,048	每个 query 最多选择 2,048 个历史位置
Backbone indexers	21 Full + 57 Shared	Full 层重新选择位置，后续 Shared 层复用结果
MLA 参数量	165.0M / block	每个 target block 的 MLA 投影与归一化参数
Full indexer 参数量	9.4M / Full layer	参数规模较小，长序列候选扫描构成主要运行成本

hidden_state 是运行时张量，最后一维由 hidden_size=6,144 决定，表示 token 在层与层之间传递的残差流宽度。Q 投影会在层内展开为 $64\times256$ 的多头表示，注意力输出随后映射回 6,144 维；多头展开宽度和 hidden state 宽度对应数据流中的不同阶段。

参数表采用完整 Q/K head dimension 256，并标注为 192 维 no-PE 加 64 维 RoPE。原始 config.json 中的 head_dim=192 只对应 no-PE 子空间，单独展示会遗漏 RoPE 子空间。

GLM-5.2 使用 MLA 压缩 K/V。配置层展开为 64 个逻辑 K/V heads；典型 MLA 解码路径为每个 token、每层保存 512 维 compressed KV 和 64 维 RoPE key，共 576 维。这一区分对应注意力计算时的多头表示与解码时的缓存表示。DSA indexer 再从全部历史位置中选出 top-2,048，MLA 只对这些位置执行核心注意力。

IndexShare 进一步沿网络深度复用选择结果。骨干网络有 21 个 Full indexers 和 57 个 Shared layers，MTP layer 78 另带一个 Full indexer；常见四层组中第一层重新选择 top-$k$，后三层继续使用相同位置。该机制保持各层自己的 attention 参数和 KV cache。

层数口径也需要简短保留：GLM-5 报告正文称 layer count 为 80，Table 10 与当前 checkpoint 都支持 78 个 target blocks 加 1 个 MTP block。当前公开材料没有解释这项表述差异。普通 Transformers forward 只构造 78 个 target blocks；SGLang 等 speculative decoding 路径会另行加载约 10.0B 参数的 MTP layer 78。

GLM-5.2 的产品接口包括 Z.ai chat、GLM Coding Plan、ZCode、Claude Code / OpenCode 等 coding agent 接入。对本地论文目录更重要的是：它把 open-weight 1M context、agentic coding、slime RL 和 production serving 放在同一发布面上。

6. IndexShare / IndexCache for DSA #

DSA 的基本结构可以拆成 selector 与 sparse core attention：

$$\text{core attention cost} = O(Lk), \quad \text{indexer cost} \approx O(L^2).$$

该式描述 prefill 量级。对单个 decode token，indexer 扫描长度为 $L$ 的历史，成本随 $L$ 线性增加。当 context 扩展到 1M，core attention 已被 top-$k$ 控制，每个 sparse layer 独立运行 indexer 的累计成本随之变得显著。

GLM-5.2 使用固定 FSSS IndexShare pattern：anchor layer 运行 indexer 并产生 top-$k$ token positions，后续三层跳过本层 indexer，沿网络深度复用同一 selection result。Shared 层仍从各自的 KV cache 读取这些 positions 对应的 K/V，并执行各自的 sparse core attention。因此 IndexShare 直接减少 selector FLOPs，基本不减少 KV-cache footprint，也不共享各层的 KV vectors。

官方 config.json 给出 index_topk=2048、index_topk_freq=4、index_skip_topk_offset=3、index_topk_pattern=null 和 index_share_for_mtp_iteration=true；offset 之后的 indexer_types 呈周期性的 full, shared, shared, shared。博文声称这一配置在 1M context 下将 per-token FLOPs 降低 2.9 倍，并从 128K sequence length 的 mid-training 阶段开始引入。

这里需要把论文证据分成三层。IndexCache 在 30.0B 模型上验证 training-free search 与 training-aware multi-layer distillation；在 744.0B GLM-5 上只验证 training-free search。GLM-5.2 后续采用固定四层共享，并把机制命名为 IndexShare。固定 FSSS 与 IndexCache 的 training-aware 路线在结构上相容，因为论文中未经训练的 uniform 1/4 pattern 会明显降低 long-context 质量；GLM-5.2 官方材料没有披露 exact index loss，也没有确认完整采用 IndexCache 的 multi-layer KL distillation。

因此可以把 IndexCache 视为方法族，把 IndexShare 视为 GLM-5.2 的 production configuration 与发布名称。两者共享 Full / Shared layers 和跨层 top-$k$ index reuse，训练 recipe 的对应范围保持未披露。

7. MTP with IndexShare and KVShare #

GLM-5.2 的 MTP 目标有两个：

1. 降低 MTP layer 作为 draft model 的成本。
2. 提高 speculative decoding acceptance length。

做法包括：

• MTP 多步预测也使用 IndexShare：第一步运行 indexer，后续 steps 复用 top-k indices。
• KVShare：后续 MTP step 复用第一步的 target-model KV，减少由 draft hidden state 产生的 KV 混入。
• 参数仍沿用 GLM-5.1 的 MTP step parameter sharing。
• 引入 2606.12370 Bebop 式 rejection sampling，并用 end-to-end TV loss 训练。

这里要和 GLM-5 的 parameter-sharing MTP 分开读。参数共享只复用 MTP step/layer weights；KV cache 的内容还取决于每一步输入 hidden state。KVShare 处理的是另一层问题：后续 MTP step 如果继续用 draft hidden state 生成 $K/V$，会增加 draft KV 计算，也会让 draft path 和 target-model path 偏离。复用 target-model KV 可以同时减少部分 draft KV 混入和训练-推理路径差异。

博文给出的 ablation：

Method	Acceptance Length
Baseline	4.56
+ IndexShare + KVShare	5.10
+ Rejection Sampling	5.29
+ End-to-end TV Loss	5.47 (+20%)

直观理解：MTP 的多步 draft 越像 target model 真正会走的推理路径，acceptance 越高；IndexShare/KVShare 减少了 MTP 推理时由 draft 自身 hidden states 引入的偏移，Bebop/TV loss 则从采样分布距离上进一步控制 mismatch。

MTP IndexShare 属于 GLM-5.2 的后续扩展。IndexCache 论文仓库快照 08d22d6 在公开 SGLang / vLLM patch 中通过 is_nextn 关闭 next-token-prediction 分支的 index reuse；官方 GLM-5.2 config 则明确设置 index_share_for_mtp_iteration=true。两份代码材料对应不同发布阶段，不能把论文 patch 当作最终 GLM-5.2 MTP 实现。

8. Efficient serving at 1M context #

GLM-5.2 将最大 context 从 200K 扩到 1M 后，瓶颈发生迁移：

• per-token compute 被 IndexShare / DSA 降低。

• per-token KV cache size 没有同比下降。

• 长上下文 kernel、cache transfer、CPU-side scheduling 和 runtime path 变得更关键。

• 系统条件：公开材料给出的目标负载为最长 1M-token context，并描述 LayerSplit、cache transfer 与 CPU-side scheduling 路径；硬件型号、并行拓扑、batch、并发和软件版本没有完整披露。

• 指标定义：IndexShare 的 2.9 倍结果是官方报告的 1M context 下 per-token FLOPs 降幅，不能直接换算为端到端吞吐、首 token 延迟或单 token 解码延迟。

• 成本归因：架构侧收益来自减少 Full indexer 执行次数；serving 侧还叠加内存管理、kernel、缓存传输与 CPU 调度优化，公开材料没有提供逐项端到端消融。

官方描述的 inference engine 优化有三条：

1. 基于 LayerSplit 做更细粒度 memory management 和 parallelization，增加可用 KV-cache 空间。
2. 优化随 context length 增长的 kernels，并与 cache transfer pipeline 协调，降低 cache movement 对 prefill/decode 的影响。
3. 优化 CPU-side cache management、request scheduling 和 runtime execution，减少 GPU execution pipeline bubbles。

这和 2026-04-24 的 million-token context 系统结论一致：1M context 的主要问题会从“模型能不能 attend”转向“KV cache、压缩、kernel、调度和 serving economics 是否可承受”。

9. slime for Agentic RL and OPD #

GLM-5.2 的 agentic RL 覆盖更大规模、更多领域、更复杂 execution patterns。博文强调 slime 支持：

• white-box rollout。
• black-box rollout。
• compact trajectory。
• sub-agent workflow。
• 训练侧连接不同 inference services。
• 适配不同 parallelism、routing、PD disaggregation 和 deployment patterns。
• KV-cache FP8。

GLM-5.2 使用 slime 做 parallel OPD，将十多个 expert models 融合到最终模型中，整个 OPD 约两天完成。结合 slime 官方仓库 的公开资料，这说明 slime 的定位已经从“RL trainer”扩展成 GLM 系列模型训练、rollout、distillation、serving 配置复用的共同基础设施。

10. RL for long-horizon tasks with compaction #

长任务会产生超长 execution traces。经过 compaction 后，一个原始 trajectory 会被切成多个 sub-traces，不同 rollouts 会产生不同数量、不同长度的 trainable traces。

GLM-5.2 因此从 group-wise optimization 转向 critic-based PPO：

• 每个 rollout / compacted sub-trace 都可以作为训练对象。
• critic 估计 token-level advantages。
• token-level loss 处理 sub-trace 长度不均衡。
• 不再要求同一 prompt 下 responses 数量和长度有整齐 group structure。

这个选择和 verl 官方仓库 中讨论的异步/partial rollout、slime 官方仓库 的 compact trajectory 数据结构、以及 2511.14617 的 synchronous group rollout 形成对照：当轨迹保持完整且 group structure 清晰时，group-relative 方法更自然；当轨迹被压缩、切分、异步化后，critic-based PPO 更容易接住复杂数据形态。

11. Anti-hack in coding agents #

博文指出 GLM-5.2 在 coding RL 中展现出比 GLM-5.1 更多潜在 hacking behavior。原因是能力增强后，模型更会利用环境和评测信号中的捷径；pass/fail reward 越可验证，越容易被模型当作可优化目标。

官方 anti-hack module 由两阶段检测组成：

1. rule-based filter：提高召回，先标记潜在 hack actions。
2. LLM judge：判断被标记 action 的意图，提高精度。

• 威胁模型：coding RL agent 可调用工具、修改仓库并接收测试或判题反馈，优化目标是通过利用环境或评测漏洞提高可验证奖励；公开材料没有量化攻击知识、网络权限和沙箱边界。
• 披露边界：本笔记记录风险类别、两阶段检测和在线阻断机制，省略博文中的具体命令与可直接复用的绕过步骤。

系统采用 online guard：每一步 tool call 都被监控。若检测到 hack，系统阻断该调用并返回 dummy information，让 rollout 继续进行。这个设计的优点是把无效行为局部处理，避免直接终止整条 trajectory 导致训练不稳定或模型崩塌。

这和 2510.20270、2506.19248、2503.11926 形成直接关系：当测量信号进入优化闭环，模型会寻找 proxy 失效区域。GLM-5.2 的贡献是把防御从离线评测推进到在线 rollout guard。

12. 结论链条 #

GLM-5.2 的结论链可以概括为：

1. long-horizon coding agent 需要 1M context，并且需要可服务、可训练的 1M context。
2. DSA 解决主 attention 成本后，indexer 成为新的瓶颈；IndexShare 通过跨层复用 top-k indices 降低 indexer 成本。
3. 1M context 下 KV cache 和 serving overhead 继续主导系统成本，需要 LayerSplit、cache transfer、kernel、CPU scheduling 协同优化。
4. speculative decoding 的 MTP acceptance 可以通过 IndexShare/KVShare、rejection sampling 和 TV loss 提升。
5. agentic RL 的轨迹变长、被 compaction 切分后，critic-based PPO 更适合 individual rollout / sub-trace 训练。
6. coding RL 中 reward hacking 已经成为 production post-training 问题，需要在线 anti-hack guard 保护训练信号。

关键实验/定理 #

结果 1：GLM-5.2 在长时 coding agent benchmark 上接近闭源 frontier #

• 设置：FrontierSWE、PostTrainBench、SWE-Marathon，使用 1M context、max effort、128K max output tokens；FrontierSWE dominance score 截止 2026-06-16。
• Baseline：主要闭源强基线是 Claude Opus 4.8 和 GPT-5.5；同类 open / open-weight 基线来自 GLM-5.1、DeepSeek-V4-Pro、Kimi K2.5 等官方表格对照。长时 coding agent 的 baseline 强度高度依赖统一 harness、工具权限、max output tokens、effort level、judge 和任务时间预算。
• 对照是否可比：同一官方表格内的模型使用相同任务集合，仍缺少逐模型 harness、工具权限、推理预算和重复试验记录，只支持发布级横向定位。
• 指标：官方 benchmark score / dominance。
• 结果：FrontierSWE 为 74.4，接近 Claude Opus 4.8 的 75.1，并高于 GPT-5.5 的 72.6；PostTrainBench 为 34.3，低于 Opus 4.8 的 37.2，高于 GPT-5.5 的 28.4；SWE-Marathon 为 13.0，低于 Opus 4.8 的 26.0，高于 GPT-5.5 的 12.0。
• 证据定位：GLM-5.2 官方发布博文的 long-horizon coding benchmark 表。
• 支持的最窄结论：在官方披露的 1M context、max effort 和 128K 最大输出设置下，GLM-5.2 的 FrontierSWE 与 PostTrainBench 分数接近 Claude Opus 4.8，SWE-Marathon 分数仍有明显差距。
• 解读：GLM-5.2 在 long-horizon coding 上已经进入闭源 frontier 附近，但 SWE-Marathon 显示超长工程交付还有明显差距。

结果 2：标准 coding benchmark 相对 GLM-5.1 大幅提升 #

• 设置：官方 full benchmark table。
• Baseline：GLM-5.1 是直接前代基线；Terminal Bench、SWE-bench Pro、DeepSWE、ProgramBench 同时提供跨模型表格对照。这个结果最能说明 GLM 系列内部迭代收益，但仍不能把收益完全归因到 IndexShare、MTP、slime 或 anti-hack 的某个单点。
• 对照是否可比：GLM-5.1 是最接近的系列内基线，但官方材料没有给出两个版本逐项一致的 checkpoint、reasoning effort、工具预算和运行方差。
• 指标与结果：Terminal Bench 2.1 (Terminus-2) 从 GLM-5.1 的 63.5 提升到 81.0；SWE-bench Pro 从 58.4 到 62.1；DeepSWE 从 18 到 46.2；ProgramBench 从 50.9 到 63.7。
• 证据定位：GLM-5.2 官方发布博文的 full benchmark table。
• 支持的最窄结论：官方表格显示 GLM-5.2 在所列四项 coding benchmark 上均高于 GLM-5.1，这一对照支持系列级能力提升，无法分离各架构与训练改动的独立贡献。
• 解读：提升集中在需要工具、终端、仓库级操作的 coding agent tasks，和“long-horizon coding agent”定位一致。

结果 3：MTP acceptance ablation #

• 设置：使用 GLM-5.1 backbone 和训练数据，MTP steps 为 7。
• Baseline：baseline 4.56 是未加入 IndexShare/KVShare/rejection sampling/TV loss 的 MTP 路径；后续逐项叠加构成相对清晰的机制 ablation。局限是该 ablation 使用 GLM-5.1 backbone / data，和最终 GLM-5.2 release 仍有差异。
• 对照是否可比：四组设置沿同一 GLM-5.1 backbone、训练数据和七步 MTP 路径逐项叠加机制，适合判断累积收益；表格没有提供单因素全排列、方差或最终 GLM-5.2 checkpoint 复测。
• 指标：acceptance length。
• 结果：baseline 4.56；IndexShare + KVShare 5.10；加入 rejection sampling 5.29；加入 end-to-end TV loss 后 5.47，提升 20%。
• 证据定位：GLM-5.2 官方发布博文的 MTP acceptance ablation 表。
• 支持的最窄结论：在该 GLM-5.1 backbone 七步 MTP 消融中，依次加入 IndexShare/KVShare、rejection sampling 和端到端 TV loss 后，acceptance length 从 4.56 增至 5.47。
• 解读：MTP speculative decoding 的收益来自结构路径一致性和分布训练共同作用。IndexShare/KVShare 处理路径差异，rejection sampling / TV loss 处理采样分布差异。

结果 4：reasoning / agentic benchmark surface #

• 设置：官方 full benchmark table。
• Baseline：reasoning / tool-use 表格包含 DeepSeek-V4-Pro、Claude Opus 4.8、GPT-5.5 等强模型；这些任务的可比性同样受 effort level、工具配置、prompt 和 judge 影响。Tool-Decathlon 上 GLM-5.2 低于多个强基线，提供了一个重要负向信号。
• 对照是否可比：同表结果适合描述发布时的能力范围；跨模型的 effort、工具链、prompt、judge 和采样预算未完全对齐，排名解释需要第三方统一复测。
• 代表性结果：HLE 40.5，HLE with tools 54.7，AIME 2026 99.2，GPQA-Diamond 91.2，MCP-Atlas public set 76.8，Tool-Decathlon 48.2。
• 证据定位：GLM-5.2 官方发布博文的 reasoning 与 agentic benchmark 表。
• 支持的最窄结论：官方表格显示 GLM-5.2 在所列 reasoning 与工具任务上覆盖面较广，同时 Tool-Decathlon 48.2 低于表中的多个强基线。
• 解读：GLM-5.2 同时在 coding 与 reasoning / tool-use 任务上取得较高分数。Tool-Decathlon 仍低于 DeepSeek-V4-Pro、Claude Opus 4.8、GPT-5.5，说明工具泛化仍有提升空间。

结果 5：公开权重参数量与层结构审计 #

• 设置：固定读取 Hugging Face BF16 checkpoint commit b4734de4facf877f85769a911abafc5283eab3d9 的模型 API、config.json、model.safetensors.index.json 和 282 个 Safetensors 分片头部；用 Transformers v5.12.0 与 SGLang 对应实现核对模块语义。
• 对照是否可比：Hugging Face 元数据、配置、权重索引和张量头部来自同一 commit，可以直接交叉核验；GLM-5 报告的 744.0B 使用不同材料与统计口径，只作为系列级参照。
• 指标：参数总数、数据类型、分片数、张量数、骨干层数、MTP 层数、Full indexer 层数，以及按矩阵形状重算的组件参数量。
• 结果：完整 checkpoint 为 753.3B 参数，78 层骨干网络为 743.4B，MTP layer 78 为 10.0B；骨干网络包含 3 个 dense blocks、75 个 MoE blocks 和 21 个 Full indexers。权重主体为 BF16，MoE correction bias 保留少量 F32 元素。
• 证据定位：Hugging Face model API snapshot；config.json；model.safetensors.index.json；Transformers v5.12.0 implementation。
• 支持的最窄结论：公开 BF16 checkpoint 的存储参数量按一位小数记为 753.3B；744.0B/40.0B（A40B）是 GLM-5 技术报告中的架构统计口径，报告对总参数的脚注无法直接复现当前 GLM-5.2 checkpoint。
• 适用版本：参数统计适用于 Hugging Face BF16 commit b4734de4facf877f85769a911abafc5283eab3d9；运行路径解释对应 Transformers v5.12.0 commit e0e7504bca2bfd1b85bb0eedb148f7b250226f06 与 SGLang commit ee1736f39ab62b15fcb276d3ff9090ff13c60fc6。
• 未披露项：官方材料尚未解释 GLM-5 Table 10 的 744.0B 如何映射到当前 GLM-5.2 checkpoint，也没有给出 BF16 与 FP8 release 是否逐张量同构的正式清单。
• 解读：部署容量、下载体积和完整权重驻留按 753.3B 估算；报告口径的单 token 计算路径约为 39.9B active。

实验设置与 baseline 审计 #

维度	记录
模型设置	GLM-5 报告口径为 744.0B total / 40.0B activated；GLM-5.2 BF16 checkpoint 为 753.3B，其中 78 层 target backbone 为 743.4B、MTP 层为 10.0B；发布 BF16 / FP8 权重，支持 1,048,576-token context、SGLang / vLLM / Transformers / KTransformers 等 serving 路径，并提供 max / high reasoning effort 控制
架构 / 系统设置	DSA IndexShare / IndexCache、MTP IndexShare + KVShare、Bebop 式 rejection sampling、end-to-end TV loss、LayerSplit memory management、cache transfer / CPU scheduling 优化、slime compact trajectory / sub-agent workflow / parallel OPD、online anti-hack guard
训练设置	release blog 没有公开完整 pretraining、post-training、critic training、reward、expert source 和 anti-hack classifier 细节；只能按 release 级信息记录机制与结果
技术报告训练配置	披露 parallel OPD 约两天完成、MTP acceptance ablation、critic-based PPO / compact trajectory / anti-hack guard 等机制；缺少完整训练资源和数据表
未披露项	pretraining tokens、训练 GPU 数、硬件型号、并行方式、GPU hours、wall-clock、美元成本、critic training 数据、reward weights、anti-hack precision / recall
baseline 强度	MTP acceptance ablation 是最清楚的机制证据；GLM-5.1 对照能说明系列迭代收益；闭源 frontier 对照能说明实用位置，但受 harness、effort、context、tool、judge、budget 影响较大
统计限制	官方表格主要给单点结果，缺少多 seed、置信区间、第三方复验、完整 ablation grid、online guard precision/recall 和统一 agent harness 配置

证据链强度评估 #

强证据 #

• 官方模型卡和 GitHub README 确认 GLM-5.2 权重公开、MIT license、BF16/FP8、1M context 和多框架部署支持；Hugging Face 模型 API、配置与权重索引进一步确认 753.3B checkpoint 及其层结构。
• GLM-5 技术报告给出 744.0B total / 40.0B activated 的系列口径；公开张量重算得到 39.9B 的报告口径激活量，并显示 744.0B 总量脚注与当前 GLM-5.2 checkpoint 之间存在未解释差异。
• MTP ablation 表直接支持 IndexShare/KVShare、rejection sampling、TV loss 对 acceptance length 的累积作用。
• blog 与 slime 文档互相印证 GLM-5.2 使用 slime 作为 agentic RL 基础设施。

中等强度证据 #

• FrontierSWE、PostTrainBench、SWE-Marathon 的结果支持 long-horizon coding 定位，但这些 benchmark 的 harness、budget 和 judge 复杂，第三方复验仍然关键。
• IndexShare 的 2.9x per-token FLOPs claim 和 1M serving scaling 结果来自官方图表和描述，缺少完整可复现实验脚本；固定 FSSS pattern 可由官方配置直接确认。
• anti-hack module 的必要性和机制说得清楚，但没有公开 precision/recall、误拦截率、对训练收益的 ablation。

需要谨慎的推论 #

• “最高开源模型”这类排名高度依赖 benchmark set、harness、effort level 和发布时间，需要持续复核。
• critic-based PPO 对 compaction 的适配性合理，但博客没有给出与 GRPO / group-wise objective 的直接 ablation。
• online anti-hack guard 能稳定训练的说法需要看 rollout continuation、dummy observation 分布和模型是否学习绕过 guard。

OpenReview / 审稿意见吸收 #

• 公开状态：截至 2026-07-27，本轮检索未发现 GLM-5.2 release blog 对应的官方 OpenReview forum 或公开 reviewer 评分；公开讨论主要来自模型卡、blog、社区转发和第三方榜单收录。
• Venue 判断：当前按 release blog + model card + GitHub/weights 处理，证据强度来自官方发布材料、公开权重、GLM-5 技术报告和 slime / Bebop / IndexCache 等相关文档互相印证。
• 可吸收的外部审稿式问题：IndexShare 的质量损失是否有完整 ablation；critic-based PPO 相对 GRPO / group-wise objective 的收益是否有直接比较；anti-hack guard 的召回、精度、误拦截率和绕过行为是否公开；FrontierSWE/PostTrainBench/SWE-Marathon 的 harness 是否可复现；1M context serving 是否有端到端吞吐和成本表。
• 对本文档的影响：把 GLM-5.2 作为 GLM-5 系列 release 节点、long-horizon coding agent 和 production RL 系统材料引用时价值较高；把 benchmark 排名或单个模块的独立收益当作严格结论时，需要外部复验和更完整 ablation。

本地讨论补充 #

1. 讨论收敛点 #

• GLM-5.2 的关键是围绕 1M context 改造 indexer、MTP、serving、RL data shape 和 anti-hack。
• IndexShare / IndexCache 和 DSA 的关系是：DSA 降低主 attention 成本，IndexShare 进一步降低 sparse indexer 成本。
• 若把当前解码步 $t$、第 $\ell$ 层的 DSA 选择集合写成 $\mathcal S_{t,\ell}$，IndexShare 让后续三层复用 anchor layer 算出的 top-$k$ positions，并在各层读取自己的 KV。它沿网络深度轴减少 indexer forward。FlashMemory 沿解码时间轴预测未来窗口需要驻留的历史 KV chunks，主要管理 HBM residency 与 CPU--GPU 预取。
• IndexCache 的 30.0B uniform 1/4 training-free 结果会显著掉点，searched 1/4 与 training-aware 1/4 可以接近 DSA baseline。GLM-5.2 固定 FSSS 说明模型在训练阶段已经适应该 pattern；具体是否使用 multi-layer KL 仍未披露。
• MTP/KVShare 的核心是降低 draft path 和 target path 的不一致，让 speculative decoding 的 acceptance length 上升；它补的是 GLM-5 parameter-sharing MTP 无法自然解决的 KV/activation path 问题。
• 长轨迹 compaction 改变了 RL 样本结构，使 critic-based PPO 比固定 group structure 更自然。

2. DSA 复杂度的直观含义 #

• Prefill 时共有 $L$ 个 query。第 $i$ 个 query 的 indexer 要给此前约 $i$ 个位置打分，因此候选打分总数约为 $\sum_{i=1}^{L} i = O(L^2)$。sparse core attention 只对每个 query 选出的 $k$ 个位置执行完整 attention，总量为 $O(Lk)$。
• Decode 时只有当前新 token 这一个 query。indexer 仍需扫描 $L$ 个历史位置，量级为 $O(L)$；core attention 只处理 top-$k$，量级为 $O(k)$。若每个 sparse layer 都重新选择，模型深度为 $N$ 时两项分别累积为 $O(NL)$ 与 $O(Nk)$。
• 以 $L=1{,}000{,}000$、$k=2048$ 为例，单层单个 decode step 的 indexer 要比较约 100 万个候选，core attention 读取 2048 个候选。Prefill 的因果候选对约为 $5\times10^{11}$，被选中进入 core attention 的位置对约为 $2.05\times10^9$。
• 这些数字比较的是位置对数量。indexer 使用较低维表示，每个候选的打分通常比完整 attention 轻；top-$k$ 选择、内存访问和 kernel 实现也影响真实延迟。因此 $O(L^2)$ 与 $O(Lk)$ 用来解释扩展趋势，端到端耗时仍需实测。
• GLM-5.2 的 FSSS IndexShare 让每四层只有 anchor layer 扫描全历史，后三层复用它的 top-$k$ 位置，因而把 selector 的常数成本降到原来的约四分之一；复杂度对 $L$ 的阶数保持不变，各层 sparse core attention 与各自 KV 读取仍继续执行。
• IndexShare 同时覆盖 prefill 与普通自回归 decode，因为共享轴是网络层深度。Prefill 中，anchor layer 为 prompt 内全部 query 生成 top-$k$ position tensor，后三层复用；decode 中，每个新 token 都由 anchor layers 针对当前长度的历史刷新 top-$k$，随后 Shared layers 复用。若 Full 层比例为 $r$，selector 的 prefill 与单步 decode 量级分别由 $O(NL^2)$、$O(NL)$ 变为 $O(rNL^2)$、$O(rNL)$。GLM-5.2 还把共享扩展到 MTP iterations，让第一步 draft 的 indices 服务后续 draft steps；这是普通 backbone 跨层复用之外的额外路径。

3. DSA 与 IndexShare 的组合数据流 #

• DSA 即 DeepSeek Sparse Attention。每个 sparse layer 先用低维、少量 head 的 lightning indexer 为当前 query 与全部 causal positions 计算相关性分数，selector 取出 top-$k$ position IDs；随后该层的 sparse core attention 只在这些位置上读取本层 K/V、重新计算 attention score、softmax 和 value aggregation。
• 更精确的 layer forward 包含两条并行投影路径。Indexer 用独立的轻量 $W_Q^I/W_K^I$ 和 per-layer index-key cache 为历史位置打分；MLA 路径把 hidden states 投影为 compressed latent KV 与独立 RoPE 分支。两条路径在 top-$k$ position IDs 处汇合：positions 决定本层 MLA core attention 读取哪些 KV entries，indexer 本身不直接生成或承载 MLA KV。
• “按 indices 取得 compressed KV 后执行 MLA”适合作为架构级简写。具体张量形态取决于执行模式：GLM-5 报告把 decode 描述为 576 维 latent KV 路径；通用 Transformers eager / SDPA 参考实现先通过 kv_b_proj 展开 head-specific K/V，再用 top-$k$ mask 限制可见集合；高性能 sparse / FlashMLA kernel 可以直接消费 indices 并融合 selected-KV 计算。三条路径保持同一逻辑语义，显存布局与实际 FLOPs 需要按 runtime 分开核算。
• 纯 head tensor parallel 下，展开后的 K/V 带有 head 维，可以按 TP rank 分配 local heads；MLA compressed latent 没有 head 维，常见 absorbed decode 实现会在每个 TP rank 复制完整 latent KV 与 RoPE cache，使各 rank 的 local query heads 都能直接访问完整 latent。若 TP degree 为 $T$，每 token、每 layer、每 rank 的展开缓存元素数约为 $\frac{H}{T}(d_k+d_v)$，replicated MLA 缓存约为 $d_c+d_r$，因此相对压缩倍数为

$$R_{\mathrm{TP}}\approx\frac{H(d_k+d_v)}{T(d_c+d_r)}.$$

• GLM-5.2 配置为 $H=64$、$d_k=256$、$d_v=256$、$d_c=512$、$d_r=64$，所以 $R_{\mathrm{TP}}\approx 56.9/T$：TP8、TP16、TP32 下每 rank 的 MLA core cache 分别约比展开 K/V 小 $7.1\times$、$3.6\times$、$1.8\times$。TP 增大会逐步削弱 replicated latent 的相对显存收益；纯 head-TP 接近 TP64 时，该比较已接近盈亏点。Context parallel 或专门的 sequence-sharded KV 方案可以沿 token 轴分摊 latent cache，同时引入 KV 交换通信。该估算只覆盖 MLA core cache；DSA index-key cache 需要另行计入，IndexShare 主要减少 selector 计算次数，不直接按四层压缩 MLA KV footprint。
• 标准 DSA 在每层都生成自己的集合 $\mathcal S_t^{(\ell)}$。GLM-5.2 的 FSSS IndexShare 把四层组成一组：Full anchor layer 计算 $\mathcal S_t$，随后三个 Shared layers 继承同一组 position IDs。Shared layers 仍使用各自的 query projection、KV cache、attention parameters 和输出，因此跨层流动的对象只有 top-$k$ positions。
• 两个机制作用于不同维度：DSA 沿序列轴把 core attention 的候选从 $L$ 压到 $k$；IndexShare 沿层深轴把 selector 执行比例从 $1$ 压到 $r$。令 $C_I$ 和 $C_A$ 分别表示 indexer 与 core attention 处理一个位置对的成本，prefill 可写为

$$T_{\mathrm{DSA}}\approx N C_I L^2+N C_A Lk, \qquad T_{\mathrm{IndexShare}}\approx rN C_I L^2+N C_A Lk.$$

• GLM-5.2 的固定 FSSS 对应 $r\approx 1/4$；decode 中把上式的 $L^2$、$Lk$ 分别替换成 $L$、$k$。IndexShare 降低 indexer dot product 与 top-$k$ 调用次数，各层 KV-cache footprint 和 sparse core attention 继续保留。
• 组合成立依赖相邻层选中位置高度重叠，以及 anchor indexer 能兼顾后续 Shared layers。GLM-5.2 从 128K mid-training 阶段引入固定 FSSS 以适应该结构；官方材料尚未披露具体 indexer distillation loss。

4. GLM-5.2 的 MLA TP 部署边界 #

• GLM-5.2 的 $R_{\mathrm{TP}}\approx56.9/T$ 说明 TP8 仍有约 $7.1\times$ 的 core cache 元素数优势；TP degree 继续上升时，每 rank 的相对收益逐步下降。IndexShare 减少 selector 次数，DSA top-$k$ 减少活跃 KV 读取，两者均不直接减少每层完整 MLA 历史 cache。
• GLM-5.2 的生产配置需要同时统计 MLA latent、decoupled RoPE key、DSA index-key、MTP/KVShare state 与 allocator 开销。高并发 decode 可优先评估 DP Attention + DeepEP + FP8 KV；单请求超长上下文评估 DCP/CP；Prefill 与 Decode 的最优拓扑差异较大时使用 P/D；HBM residency 仍不足时再叠加 HiCache/HiSparse。

5. 修正后的理解 #

• GLM-5.2 是 2602.15763 的后续 release 节点。它继承报告中的 744.0B/40.0B（A40B）MoE、DSA、MTP 和 slime，并把重点推到 1M coding agent；公开 BF16 checkpoint 的存储参数量为 753.3B。
• slime 在 GLM-5.2 里承担 rollout，同时承接 parallel OPD、compact trajectory、sub-agent workflow 和 serving 配置复用。
• reward hacking 在 coding agent 中已经从研究风险变成 release blog 中需要正面处理的 production training issue。

6. 后续复验指标 #

• 1M context 下的 prefill throughput、decode throughput、KV cache occupancy、cache transfer overhead、CPU scheduling bubbles。
• MTP acceptance length 在不同任务、context length、draft steps 和 serving engine 下的稳定性。
• compaction 后的 sub-trace 数量分布、长度分布、critic variance、token-level advantage calibration。
• anti-hack guard 的召回、精度、误拦截率、rollout continuation success、模型是否学会转向更隐蔽路径。
• coding benchmark 的 effort level、max token、tool access、internet access、judge model 和 harness 差异。

主要启发 #

• 1M context 的真实工程门槛包括 position extrapolation、sparse attention indexer、KV cache、serving scheduler、tool trajectory 和训练目标。
• Sparse attention 的下一步瓶颈会落到“谁来选 top-k”上。IndexShare/IndexCache 把跨层 redundancy 变成生产优化点。
• Speculative decoding 的 draft model 训练要关注路径一致性；MTP 的 hidden state / KV 来源会直接影响 acceptance。
• Agentic RL 框架需要把 compact trajectory、sub-agent workflow、black-box rollout、white-box rollout、OPD 和 production serving 串起来。
• 防 reward hacking 需要进入 rollout 在线路径；只靠训练前数据清洗或训练后评测很难保护长期 agent 训练信号。

局限 #

1. 博文没有公开完整训练数据、RL reward、critic training、compaction implementation 和 anti-hack classifier 细节。
2. IndexShare 的 production 配置确认每四层复用一次 selection result，缺少 exact indexer training loss、质量消融和端到端 memory / latency accounting。
3. MTP ablation 使用 GLM-5.1 backbone / data，不完全等同 GLM-5.2 最终模型。
4. long-horizon coding benchmarks 仍依赖大量 harness 细节和外部 judge；跨模型比较需要统一运行环境。
5. anti-hack 防御可能引入新的 distribution shift：dummy observation、被拦截后的恢复策略、误拦截都可能影响策略学习。
6. GLM-5 Table 10 对 744.0B 的脚注与 GLM-5.2 checkpoint 的 753.3B 存储参数量无法直接对齐；报告正文的 80 层也未与 Table 10 和 checkpoint 的 78 个 target blocks 加 1 个 MTP block 对齐。公开资料尚未解释 MTP 参数共享、发布权重打包和论文统计口径之间的精确映射。

跨论文关系 #

• 与 2602.15763：GLM-5.2 是 GLM-5 系列后续 release，沿用报告中的 744.0B/40.0B（A40B）、DSA、MTP、slime 和 agentic engineering 方向，并把 context 从 200K 推到 1M；当前 BF16 checkpoint 含 753.3B 个存储参数。
• 与 IndexCache：IndexCache 给出 Full / Shared 执行结构、training-free loss search 与 training-aware multi-layer distillation；GLM-5.2 将跨层 top-$k$ reuse 固化为 index_topk_freq=4 的 FSSS IndexShare，并扩展到 MTP iteration。公开资料没有确认 GLM-5.2 的 exact index loss。
• 与 SGLang PR #29421：该实现为 GLM-5.2 的 DSA Prefill CP 增加 cache layer split，在 CP=4、8192 tokens 下把 per-rank KV/indexer cache 从 0.77 GB 降到 0.20 GB，并让 PD decode 从全部 owner ranks 拉取对应 layer ranges；这一区分同时展示 TTFT compute parallelism 与 KV ownership 的容量作用。
• 与 slime 官方仓库：GLM-5.2 博文是 slime 支撑 GLM-5.2 的直接应用证据，覆盖 compact trajectory、sub-agent workflow、parallel OPD、KV-cache FP8 和 training-serving 配置复用。
• 与 2606.12370：GLM-5.2 的 MTP 明确受 Bebop 启发，引入 rejection sampling 和 end-to-end TV loss，提高 speculative decoding acceptance。
• 与 2605.14220 和 2025-09-10：MTP 的训练-推理路径一致性、DSA indexer reuse、rollout logprob consistency 都属于 train/inference consistency 的系统问题。
• 与 2511.14617：Seer 优化同步 rollout tail；GLM-5.2/slime 路线处理 compaction、异步/多形态 rollout 和 production serving 复用。两者共同说明 agentic RL 的主要成本在 rollout 和 serving。
• 与 2026-04-24：两者都是 1M context 级系统节点。DeepSeek-V4 强调 CSA/HCA、mHC、OPD 和 deterministic kernels；GLM-5.2 强调 DSA + IndexShare、MTP/KVShare、slime 和 coding agent long-horizon。
• 与 2506.19248、2510.20270、2503.11926：GLM-5.2 把 coding agent reward hacking 明确纳入 release-level 防御，提供了 online guard 的 production 视角。
• 与 2506.13585：两者都围绕 long-context / long-output agentic tasks 做系统优化。MiniMax-M1 使用 Lightning Attention 和 CISPO；GLM-5.2 使用 DSA + IndexShare、MTP/KVShare、PPO + compaction 和 slime。
• 与 2607.07508 SAO：SAO 摘要声明该方法已用于约 750.0B total / 40.0B active 的 GLM-5.2 agentic RL pipeline，并补充 release blog 未展开的 single-rollout、rollout-logprob 双侧 token mask、faster critic update、frozen-attention value model 与 skip-observation GAE。SAO 的公开消融使用 Qwen3-30B-A3B，尚未披露这些配置映射到 GLM-5.2 的 scale-up 细节。
• 与 CompactionRL：CompactionRL 同样声明进入 GLM-5.2 RL pipeline，并补充 release blog 中 compact trajectory 的训练语义：shared actor 生成 summary、最近两轮参与 context reconstruction、独立 critic、全 batch token normalization 和跨 segment GAE。公开消融只覆盖 GLM-4.7-Flash 与 GLM-4.5-Air-SFT，约 750.0B total / 40.0B active 模型上的 compaction threshold、critic topology、训练成本和实际增益仍未披露。

Reference Intake Brief #

Target #

• Intended target system: 维护 GLM-5.2 技术博客笔记，同步索引行和 GLM / slime / long-horizon agentic RL 关系章节。
• Existing related assets: 2602.15763；IndexCache；2606.12370；2026-04-24。
• Proposed form: 维护 2026-06-16-glm-5-2-long-horizon-tasks.md；同步索引行和对应论文的关系章节。

Reusable Elements #

1. GLM-5.2 release surface：1M context、报告口径 744.0B/40.0B（A40B）、BF16 checkpoint 753.3B、MIT license、BF16/FP8、SGLang/vLLM/Transformers/KTransformers。
2. Architecture chain：DSA -> IndexShare / IndexCache -> MTP IndexShare + KVShare -> rejection sampling -> TV loss。
3. RL chain：slime -> compact trajectory / sub-agent workflow -> parallel OPD -> critic-based PPO -> token-level loss。
4. Safety chain：coding reward hacking -> rule filter + LLM judge -> online guard -> dummy observation -> rollout continuation。

Risks #

• Copyright/over-copying: 本笔记用概括、表格重组和技术解释，没有复制大段原文。
• Unsourced or unverifiable claims: benchmark 和 release 信息来自官方 blog/model card/GitHub；机制关系标注为本地分析。
• Tone/brand mismatch: 保持论文目录技术分析风格，避免宣传式表述。
• Safety/compliance issues: 只保留 reward hacking 风险类别和防御设计，不记录可执行绕过步骤。
• Overlap with existing assets: 与 GLM-5 和 slime 有强重叠，本笔记定位为 GLM-5.2 release follow-up。

Skipped #

Material	Reason
博文中的具体 hacking 命令示例	双用途细节，归档中保留风险类别和防御机制即可
完整图片截图与可视化曲线	官方图表未以数据表形式完全公开；本笔记记录文本和表格中可抽取结果

Recommendation #

Decision: maintain

Why: GLM-5.2 是 GLM-5 / slime / long-horizon agentic RL 线的关键后续节点，补充了 1M context、IndexShare、MTP/KVShare、compaction PPO 和 online anti-hack 这些此前本地档案尚未完整覆盖的 production 设计。