أطلقت اثنتان من أكثر مختبرات الذكاء الاصطناعي طموحًا في الصين نموذجين جديدين مفتوحي الوزن للبرمجة خلال يومٍ واحدٍ هذا الشهر. فقد أطلقت شركة Moonshot Kimi K2.7 Code في 12 يونيو؛ بينما ردَّت شركة Zhipu (Z.ai) في اليوم التالي بإطلاق GLM 5.2 في 13 يونيو. وكلا النموذجين من نوع «مزيج الخبراء» (MoE) الضخم، وكلاهما يحمل رخصةً مرنة، وكلاهما موجَّهٌ مباشرةً إلى نفس المهمة: البرمجة ذات الأفق الطويل والقائمة على الوكلاء دون تكبُّد تكلفة استخدام أنظمة Claude أو GPT.
التحويل يكمن في كيفية تعامل كل مختبر مع القياسات. Moonshot نشرت مجموعة من الأرقام من الطرف الأول لـ K2.7 Code في اليوم الأول. Zhipu نشرت GLM 5.2 على مستويات Coding Plan الخاصة بها أولاً بدون جدول قياسات على الإطلاق، ثم أطلقت مجموعة قياسات كاملة جنباً إلى جنب مع API والأوزان المفتوحة MIT بعد أيام. إذاً اعتباراً من هذه اللحظة، كلا النموذجين لديهما الآن درجات برمجة منشورة من البائع — لكن لا أحدهما يملك مجموعة عميقة من أرقام SWE-bench المستقلة تماماً، وأرقام Moonshot الرئيسية تستند على أجنحة ملكية داخلية بدأ الممارسون بالفعل في التشكيك فيها. إليك كيف يقفان بالفعل، ما يمكننا التحقق منه، وما لا يزال علامة استفهام.
أبرز النقاط المستخلصة
- أشكال مختلفة، وهدف واحد. Kimi K2.7 Code هو MoE بـ 1T معاملة مع 32B نشطة وسياق 256K؛ GLM 5.2 تقريباً 744-753B إجمالي مع حوالي 40B نشطة وسياق 1M كامل.
- كلا النموذجين يمتلك الآن نتائج اختبارات قياسية منشورة من قِبل الشركات المطورة. Moonshot تبلغ عن +21.8% على Kimi Code Bench v2 الخاصة بها (62.0 مقابل 50.9) بالإضافة إلى حوالي 30% أقل من رموز التفكير. Zhipu نشرت لاحقاً درجات GLM 5.2 أيضاً — SWE-bench Pro 62.1، Terminal-Bench 2.1 81.0، FrontierSWE 74.4 — متفوقة على GPT-5.5 على عدة أجنحة أفقية طويلة. تعامل مع أرقام كلا البائعين بحذر حتى تصل التشغيلات المستقلة.
- التسعير يميل لصالح Kimi من حيث التكلفة لكل رمز، ولصالح GLM من حيث التكلفة الشهرية. سعر Kimi يُحسب حسب عدد الرموز الداخلة والخارجة: 0.95 دولار أمريكي لكل مليون رمز داخلي، و4.00 دولارات لكل مليون رمز خارجي؛ أما سعر GLM فيتراوح حول 1.40 دولار لكل مليون رمز داخلي و4.40 دولارات لكل مليون رمز خارجي، أو عبر خطة «GLM Coding Plan» ثابتة تبدأ من 10 دولارات شهريًّا (النسخة Lite).
- كلا النموذجين مفتوحان حقًّا ومرحبٌ باستخدامهما تجاريًّا. ترخيص GLM 5.2 هو ترخيص MIT؛ أما ترخيص Kimi فهو ترخيص MIT معدل (يسمح بالاستخدام التجاري، مع شرط الإسناد فقط في حال تجاوز عدد المستخدمين النشطين شهريًّا 100 مليون مستخدم أو تجاوز الإيرادات الشهرية 20 مليون دولار أمريكي).
- نموذج GLM يتكامل بسلاسة مع نظام Claude Code. توفر شركة Z.ai نقطة نهاية (Endpoint) متوافقة مع واجهة Anthropic، لذا تعمل وكلاء Claude Code / SDK الخاصين بـ Anthropic مباشرةً مع تغيير بسيط في عنوان URL الأساسي (base-URL) ومفتاح الوصول (API key).
- تشغيل الأوزان (Weights) ليس ممكنًا على أجهزة اللابتوب. سعة 744 مليار معامل وأكثر، وتريليون معامل تعني الحاجة إلى خوادم متعددة وحدات معالجة رسومية (Multi-GPU) أو تطبيق تقنيات تكمين (Quantization) متقدمة جدًّا — لذا سيبدأ معظم المستخدمين بالاعتماد أولًا على واجهات البرمجة السحابية (Cloud APIs).
النسخة المختصرة في 30 ثانية
إذا كنت تبحث عن أطول سياق ممكن، وأعلى درجات برمجية منشورة ومفتوحة المصدر، وترخيص معهد ماساتشوستس للتكنولوجيا (MIT)، وفاتورة شهرية ثابتة، والتوافق التام مع Claude Code، فإن نموذج GLM 5.2 يُعَدّ الحزمة الأكمل اليوم. أما إذا كنت تبحث عن أرخص سعر لكل رمز (token)، وأفضل خصم للذاكرة المؤقتة (cache) في الحلقات البرمجية الوكيلية (agent loops) التي تستهلك عددًا كبيرًا من الرموز، ومكاسب مُقاسَة في كفاءة استهلاك الرموز، فإن نموذج Kimi K2.7 Code هو الخيار الأكثر اقتصادية. ومع أن مقاييس الأداء المنشورة من قِبل كلا المورِّدين هي مقاييس أولية (first-party) حتى الآن، فإن مقارنة مباشرة في مهمة واحدة أعطت GLM تفوّقًا طفيفًا — لذا فإن أي شخصٍ يُعلِّن فائزًا نهائيًّا هذا الأسبوع يعتمد على تسويق المورِّد لا على بيانات مستقلة.
الهندسة والمُعاملات النشطة
بني هذان النموذجان على نفس الفكرة العامة: وهي نموذج ضخم قائم على التخصص المتناثر (sparse MoE)، حيث لا يتم تفعيل سوى جزء صغير من المعاملات (parameters) لكل رمز — لكنهما يضبطان هذه الفكرة بشكل مختلف.
يبدو نموذج Kimi K2.7 Code أكبر على الورق: فهو يحتوي على إجمالي مليار معامل (1 تريليون)، مع تفعيل 32 مليار معامل لكل رمز، مستمدًّا من 384 خبيرًا (8 خبراء يتم توجيه الرمز إليهم زائد خبير مشترك واحد لكل رمز). وهذه التفعيلات المتفرقة (sparse activation) هي السبب في إمكانية تشغيل نموذج يتضمّن مليار معامل بتكلفة معقولة. أما نموذج GLM 5.2 فهو أصغر إجمالًا (تشير وثائق Z.ai إلى نحو 753 مليار معامل، بينما تشير أدوات التتبع مثل vLLM إلى نحو 744 مليار)، لكنه يُفعِّل عددًا أكبر قليلًا من المعاملات لكل رمز (حوالي 40 مليار)، ويعتمد على سياق أطول ونظام مزدوج للجهد التفكيري: وضع «عالي» (High) للأعمال الروتينية، ووضع «أقصى» (Max) للمهام الأصعب المتعلقة بالهندسة المعمارية والتصحيح (debugging).
الاستنتاج العملي: قد يساعد حجم مجموعة الخبراء الأكبر لدى Kimi في توسيع نطاق المعرفة، بينما يركّز GLM عبر عدده الأكبر من المعاملات النشطة لكل رمز وأنماط الجهد التفكيري على العمق في حل مشكلة واحدة صعبة. وتتجه مقاييس الأداء المنشورة حاليًّا لصالح GLM في المهام الهندسية الطويلة الأمد، لكن هذه المقاييس أُجريت من قِبل المورِّد، لذا ينبغي اعتبار القصة المعمارية دليلًا داعمًا لا حكمًا نهائيًّا.
نافذة السياق: مليون رمز مقابل 256 ألف رمز
هذه هي أوضح فروقٍ يمكن التحقق منها بسهولة. فنموذج GLM 5.2 يوفّر سياقًا حقيقيًّا بسعة مليون رمز (1,000,000-token context) — وهو الإصدار glm-5.2[1m] — مع حد أقصى للإخراج يبلغ نحو 128 ألف إلى 131 ألف رمز. أما نموذج Kimi K2.7 Code فيعمل ضمن سياق 256 ألف رمز (262,144 رمزًا)، وحد أقصى افتراضي أصغر بكثير للإخراج يبلغ 32,768 رمزًا.
وبالنسبة لأعمال الوكلاء (agentic work) على نطاق المستودعات البرمجية (repo-scale) — مثل تحميل قاعدة برمجية كبيرة، أو تتبع عمليات التخطيط ثم التنفيذ الطويلة، أو إعادة هيكلة ملفات متعددة دفعة واحدة — فإن نافذة الـ 1 مليون رمز الخاصة بـ GLM تمثّل ميزة حقيقية، وتتطابق مع ما تقدّمه الآن أحدث النماذج المفتوحة مثل DeepSeek V4 و Qwen 3.6 Plus توفران الآن. ومع ذلك، فإن 256K لا تزال سعة كبيرة، وفي حلقات العوامل الذاتية، تسترجع الأدوات المبنية بشكل جيد وتقسم السياق بدلاً من حشو المستودع كاملاً. السياق الأكبر يساعد؛ لكنه ليس تلقائياً أفضل للكود.
الاختبارات القياسية الخاصة بالبرمجة (والفجوة في الشفافية)
وهنا بالتحديد يجب أن تحافظ على شكوكك، لأن كل رقم بارز أدناه منشور من قِبل المورِّد.
أفادت شركة Moonshot بأن نموذج K2.7 Code حقّق درجة 62.0 في اختبار Kimi Code Bench v2 الداخلي الخاص بها، مسجّلًا ارتفاعًا بنسبة 21.8% مقارنةً بدرجة 50.9 التي حقّقها الإصدار K2.6، إلى جانب مكاسب في اختبارات Program Bench ومجموعات الاختبارات الوكيلية المرتكزة على MCP، وخفضًا بنسبة ~30% في استخدام رموز الاستنتاج (reasoning-token). وهذه ادعاءات محددة — لكنها تُجرى على مقاييس أداء خاصة بشركة Moonshot، وقد أفاد أحد المنشورات (VentureBeat) بأن ممارسين ذكروا أن هذه الأرقام لا تتطابق تمامًا مع الأداء الفعلي. أما أرقام SWE-bench Verified أو SWE-bench Pro المستقلة لنموذج K2.7 Code فهي غير متوفرة وقت كتابة هذا التقرير.
GLM 5.2 جاءت بطريقة معاكسة: أطلقت على مستويات Coding Plan لـ Zhipu بدون جدول قياسات، ثم نشرت Z.ai مجموعة كاملة جنباً إلى جنب مع API والأوزان المفتوحة. تلك الدرجات قوية — SWE-bench Pro 62.1 (مقابل 58.6 لـ GPT-5.5 و58.4 لـ GLM 5.1)، Terminal-Bench 2.1 (Terminus-2) 81.0 (مقابل 84.0 لـ GPT-5.5)، FrontierSWE 74.4% (مقابل 72.6% لـ GPT-5.5)، بالإضافة إلى انتصارات الأفق الطويل على PostTrainBench (34.3 مقابل 28.4) و SWE-Marathon (13.0 مقابل 12.0). عدة من تلك تم تشغيلها بواسطة محيمين خارجيين (Proximal، فريق PostTrainBench، Abundant AI)، لكن يتم عرضها وتنسيقها بواسطة Z.ai، لذا تعاملها كمنشورة من البائع بدلاً من مستقلة تماماً. الخلاصة: GLM 5.2 تنشر أقوى أرقام الكود المفتوح الوزن على الورقة، بينما تتخلف حالياً عن Claude Opus 4.8 في معظمها.
وتوجد نقطة بيانات واحدة أقرب إلى الحياد. ففي مقارنة مباشرة على طريقة التقييم المستقل أجرتها شركة Kilo، حقّق GLM 5.2 تفوّقًا في التخطيط: 9.0 مقابل 8.1 لـ Kimi في مهمة خدمة تبديل الميزات (feature-flag service) للواجهة الخلفية، حيث نجح GLM في اجتياز جميع الاختبارات البالغ عددها 15، بينما نجح Kimi في 14 من أصل 15، وأنتج كلا النموذجين بنىً تشغيلية متطابقة تقريبًا. وهذه إشارة مفيدة، لكنها تتعلّق بمهمة واحدة فقط أجرتها جهة تقييم واحدة، وليس مجموعة مقاييس شاملة.
| المواصفات | GLM 5.2 (Zhipu / Z.ai) | Kimi K2.7 Code (Moonshot) |
|---|---|---|
| أُطلِقَ | 13 يونيو 2026 | 12 يونيو 2026 |
| إجمالي المعلَّمات / المعلَّمات النشطة | ~744–753 مليار معامل في نموذج التخصص المتناثر (MoE) / ~40 مليار معامل نشطة | تريليون معامل في نموذج التخصص المتناثر (MoE) / 32 مليار معامل نشطة (من 384 خبيرًا) |
| نافذة السياق | مليون رمز (Token) | 256 ألف رمز (262,144 رمزًا) |
| الحد الأقصى للإخراج | ~128–131 ألف رمز | ~32 ألف رمز (32,768 رمزًا) |
| مقاييس الأداء البرمجية الرسمية | SWE-bench Pro 62.1؛ Terminal-Bench 2.1 81.0؛ FrontierSWE 74.4% (منشورة من قِبل المورِّد، وبعضها أُجري من قِبل أطراف ثالثة) | +21.8% في Kimi Code Bench v2 (62.0 مقابل 50.9، مُبلَّغ عنها من قِبل المورِّد) |
| SWE-bench المستقل | غير متوفر بعد (مجموعات مقاييس عامة) | غير متوفر بعد |
| سعر واجهة برمجة التطبيقات (لكل مليون رمز) | ~1.40 دولار أمريكي للإدخال / ~4.40 دولار أمريكي للإخراج؛ وخطة شهرية ثابتة تبدأ من 10 دولارات أمريكي شهريًّا | 0.95 دولار أمريكي للإدخال / 4.00 دولار أمريكي للإخراج؛ و0.19 دولار أمريكي لكل مليون رمز مخزّن مؤقتًا (cached) |
| الترخيص | MIT | ترخيص MIT معدل (مسموح بالاستخدام التجاري؛ ويشترط الإسناد إذا تجاوز عدد المستخدمين النشطين الشهريين 100 مليون أو تجاوز الإيراد الشهري 20 مليون دولار أمريكي) |
| التوافق مع نقاط النهاية (Endpoint compatibility) | متوافق مع OpenAI وAnthropic | متوافق مع OpenAI (Moonshot / OpenRouter) |
التسعير والقيمة المقدمة
تختلف نماذج التسعير بشكل جذري، لذا فإن الإجابة عن السؤال «أيّها أرخص؟» تعتمد على طريقة الاستخدام.
يتم تسعير Kimi K2.7 Code بطريقة مباشرة عبر واجهة برمجة التطبيقات: 0.95 دولار أمريكي لكل مليون رمز إدخال، و4.00 دولارات أمريكية لكل مليون رمز إخراج، وسعر ملحوظ يبلغ 0.19 دولار أمريكي لكل مليون رمز مخزّن مؤقتًا. ويكتسب سعر التخزين المؤقت أهمية كبيرة في البرمجة الوكيلية، حيث يتم إعادة إرسال جزء كبير من السياق الثابت في كل خطوة. وبهذه الأسعار، يكون Kimi أرخص بكثير من النماذج الرائدة الغربية — فحسب سعر الإخراج وحده، يكون أرخص من الخيارات الممتازة بأكثر من عشر مرات.
أما GLM 5.2 فيُسعَّر عند حوالي 1.40 دولار أمريكي للإدخال و4.40 دولارات أمريكية للإخراج لكل مليون رمز (وهو ساري حاليًّا عبر مزوّدي الخدمة مثل FriendliAI وNovita وZ.ai)، لكن شركة Zhipu تروّج أيضًا لخطة التخطيط البرمجي (GLM Coding Plan)، وهي اشتراك شهري ثابت يشمل الطبقات التالية: Lite وPro وMax وTeam. وتبدأ خطة Lite من 10 دولارات أمريكية شهريًّا (ما يعادل نحو 400 طلبية أسبوعيًّا)، وPro من 30 دولارًا أمريكيًّا شهريًّا، وMax من 80 دولارًا أمريكيًّا شهريًّا — وهي قيمة ممتازة جدًّا إذا كنت تبرمج يوميًّا باستخدامه وتريد فواتير متوقعة.
فإذا كنت مطوّرًا فرديًّا تعمل داخل وكيل برمجي طوال اليوم، فقد تكون الخطة الشهرية الثابتة لـ GLM هي الخيار الأرخص عمليًّا. أما إذا كنت تدير أعباء عمل متغيرة أو متقطعة، أو تبني منتجًا فوق هذا النموذج، فإن نظام Kimi القائم على التسعير بالرمز مع تخزين مؤقت رخيص يجعل التكاليف أسهل في التقدير. ولرسم صورة أوسع عن التكلفة عبر الخيارات القابلة للاستضافة الذاتية، فإن ملخّصنا لـ أفضل نموذج لغوي محلي متخصص في البرمجة في 2026 يضع كلا النموذجين في سياقهما.
الترخيص والانفتاح
كلا النموذجين مفتوحا الوزن (open-weight) فعلاً، مما يميّزهما عن المختبرات الرائدة المغلقة — لكن البنود الدقيقة تختلف.
يستخدم GLM 5.2 ترخيص MIT القياسي: يمكنك استخدامه، وتعديله، وتوزيعه تجاريًّا دون أي قيود. أما Kimi K2.7 Code فيستخدم ترخيص MIT معدلًا يسمح أيضًا بالاستخدام التجاري، لكنه يضيف شرطًا واحدًا: إذا تجاوز منتجك 100 مليون مستخدم نشط شهريًّا أو 20 مليون دولار أمريكي من الإيراد الشهري، فيجب عليك عرض عبارة «Kimi K2.7 Code» بوضوح في واجهة المستخدم. وهذا الشرط ليس مشكلة تقريبًا لأي فريق تقريبًا؛ لكنه شرط حقيقي بالنسبة لمزوّدي الخدمات الضخمة جدًّا (hyperscalers). وبالتالي، من حيث الترخيص الأقل تقييدًا، يتفوّق GLM 5.2 بترخيص MIT الكامل.
نقاط قوة GLM 5.2
- سياق كامل بسعة مليون رمز لأعمال المستودعات البرمجية
- أعلى درجات برمجية منشورة بين النماذج المفتوحة من حيث الوزن (open-weight)
- ترخيص MIT غير المقيد
- التوافق التام مع نقاط النهاية الخاصة بـ Anthropic وOpenAI
- خطة برمجية شهرية ثابتة تبدأ من 10 دولارات أمريكية شهريًّا
- تحكم في مستوى الجهد التفكيري: وضع «عالي» (High) ووضع «أقصى» (Max)
تحذيرات حول GLM 5.2
- جميع مقاييس الأداء منشورة من قِبل المورِّد (وبعضها أُجري من قِبل أطراف ثالثة)؛ ولا توجد حتى الآن مجموعة مقاييس SWE-bench مستقلة واسعة النطاق
- سعر واجهة برمجة التطبيقات لكل رمز أعلى قليلًا من Kimi
- إجمالي عدد المعاملات أقل
البرمجة الذاتية (Agentic coding) واستخدام الأدوات
يستهدف كلا النموذجين صراحةً وكلاء البرمجة الطويلة الأمد (long-horizon coding agents)، وليس مجرد إكمال أجزاء صغيرة من الكود، وكلاهما يدعم استدعاء الأدوات (tool-calling) بكفاءة عالية.
أما الميزة البارزة لـ GLM 5.2 بالنسبة لبناة الوكلاء فهي التوافق: فبما أن Z.ai تقدّم نقطة نهاية متوافقة مع Anthropic (إلى جانب نقطة نهاية متوافقة مع OpenAI)، يمكنك توجيه وكيل Claude Code أو وكيل يستخدم SDK الخاص بـ Anthropic إليه مباشرةً عبر تغيير عنوان URL الأساسي ومفتاح الوصول — دون الحاجة لإعادة كتابة أي كود. كما أنه يتكامل تكاملاً طبيعيًّا مع أدوات التطوير مثل Cline وCursor وأكثر من 20 أداة أخرى، كما أن درجاته المنشورة في المهام الطويلة الأمد (FrontierSWE وPostTrainBench وSWE-Marathon) موجّهة تحديدًا لأعباء العمل الوكيلية التي تمتد لساعات متعددة. أما Kimi K2.7 Code فيركّز على الكفاءة الوكيلية المُقاسة: فالانخفاض المبلغ عنه من قِبل Moonshot بنسبة ~30% في استخدام رموز الاستنتاج يهدف مباشرةً إلى خفض التكلفة والتأخير في الحلقات الوكيلية متعددة الخطوات، ويحقّق النموذج مكاسب في مجموعات الاختبارات المرتبطة بـ MCP. وإذا كنت تختار إطار عمل وكيل (agent harness) حول أحدهما، فإن دليلنا إلى أفضل إطارات عمل الوكلاء الذكية (AI agent frameworks) في 2026 يغطي طبقة التنسيق (orchestration layer).
كيفية تشغيل كل نموذج فعليًّا
هناك طريقتان، وللغالبية العظمى من الناس تكون الإجابة هي السحابة.
واجهة برمجية سحابية هي الطريق الأسهل. فنموذج Kimi K2.7 Code متاح عبر واجهة برمجة تطبيقات Moonshot ومجمّعات مثل OpenRouter؛ أما GLM 5.2 فهو متاح عبر خطة التخطيط البرمجي (GLM Coding Plan) وعبر نقاط النهاية المتوافقة مع OpenAI/Anthropic (عنوان URL الأساسي api.z.ai). وهنا يجب أن يبدأ الغالبية العظمى من المستخدمين.
أوزان مفتوحة المصدر منشورة — فنموذج Kimi K2.7 Code متاح على Hugging Face مع دعم vLLM وSGLang وKTransformers، كما يمكن تنزيل أوزان GLM 5.2 المرخصة بموجب MIT — لكن المتطلبات المادية جادة جدًّا. فنموذج بحجم تريليون معامل (حتى لو كان 32 مليار معامل نشطة فقط) أو نموذج بحجم نحو 750 مليار معامل يحتاج إلى خوادم متعددة وحدات معالجة رسومية (multi-GPU servers) أو تكميم GGUF مكثّف لتشغيله محليًّا؛ فهذان النموذجان ليسا مناسبين لبطاقة معالجة رسومية استهلاكية واحدة. فإذا كان هدفك هو استضافة نماذج برمجية أصغر على أجهزة استهلاكية عادية، فستكون خياراتك أفضل مع أفضل نماذج لغوية محلية (LLMs) لتشغيلها على منصة Ollama في عام 2026 مقارنةً بهذين العملاقين.
كيف يتناسبان بجانب DeepSeek V4 و Qwen 3.x
لا يوجد أي نموذج في فراغ معزول. DeepSeek V4-Pro (أطلق في أبريل 2026) يأتي بـ 1.6T معاملات مع سياق 1M ورخصة MIT، وينشر 80.6% موثق على SWE-bench Verified — حالياً أقوى رقم للأوزان المفتوحة. Qwen 3.6 Plus توفر أيضاً سياق 1M و78.8% منافس للحدود على SWE-bench Verified. بعبارة أخرى، GLM 5.2 و Kimi K2.7 Code يدخلان حقلاً مزدحماً وسريع التطور حيث للمنافسين بالفعل قياسات منشورة وغير تابعة جزئياً على الأجنحة العامة القياسية. أرقام البائع لـ GLM 5.2 تنافسية، لكن مقارنات SWE-bench Verified ذات المعيار الذهبي تنتمي حالياً إلى DeepSeek و Qwen. لنظرة أقرب على هذا الزوج، انظر مقارنتنا بين DeepSeek V4 وQwen3.
الأسئلة الشائعة
أيهما أفضل للبرمجة: GLM 5.2 أم Kimi K2.7 Code؟
لا توجد إجابةٌ مستقلةٌ تمامًا حتى الآن، لكن وفقًا للأرقام المنشورة يبدو أن GLM 5.2 أقوى في مهام البرمجة ذات الأفق الطويل: إذ تشير مقاييس شركة Zhipu إلى تحقيقه نسبة 62,1٪ في اختبار SWE-bench Pro ونسبة 74,4٪ في اختبار FrontierSWE، متقدِّمًا بذلك على GPT-5.5 في عدة مجموعات اختبار، مع نافذة سياق تبلغ مليون رمز وتوافقٍ مع نظام Claude Code. أما Kimi K2.7 Code فهو أرخص من حيث التكلفة لكل رمز، ويُبلِّغ عن تحسُّنٍ نسبته +21,8٪ في اختباره الخاص بالبرمجة. وفي اختبار مباشر واحد لمهمة واحدة (Kilo) أعطى الاختبار GLM تفوُّقًا طفيفًا في التخطيط (9,0 مقابل 8,1، و15 من أصل 15 مقابل 14 من أصل 15 في الاختبارات). وكل هذه النتائج الرئيسية نشرتها الشركات المصنِّعة، لذا يجدر الانتظار حتى تُجرَى اختبارات SWE-bench المستقلة قبل اعتبار أيٍّ منها نهائية.
هل نُشِرت مقاييس أداءٍ لـ GLM 5.2؟
نعم — لكن ليس عند الإطلاق. فقد نشرت شركة Zhipu نموذج GLM 5.2 أولًا في طبقات «التخطيط البرمجي» الخاصة بها في 13 يونيو 2026 دون جدول مقاييس أداء، ثم نشرت مجموعةً كاملةً من المقاييس بعد أيامٍ قليلةٍ بالتزامن مع إطلاق واجهة برمجة التطبيقات (API) وإتاحة الأوزان المفتوحة بموجب رخصة MIT: وهي 62,1٪ في اختبار SWE-bench Pro، و81,0٪ في اختبار Terminal-Bench 2.1، و74,4٪ في اختبار FrontierSWE، و34,3٪ في اختبار PostTrainBench، و13,0٪ في اختبار SWE-Marathon، متفوِّقًا بذلك على GPT-5.5 في عدة مجموعات اختبار ذات أفق طويل، وإن كان يتأخَّر عن Claude Opus 4.8 في معظمها. وقد أُجريت عدة اختبارات بواسطة جهات تقييم خارجية، لكنها خضعت لإشراف شركة Z.ai، وبالتالي فهي مقاييس نشرتها الشركة المصنِّعة، وليست مقاييس مستقلة تمامًا.
هل يمكنني استخدام GLM 5.2 مع نظام Claude Code؟
نعم. فشركة Z.ai توفِّر نقطة نهاية متوافقة مع منصة Anthropic (تحت api.z.ai، مثل https://api.z.ai/api/anthropic أو نقطة النهاية الخاصة بالبرمجة)، لذا يمكنك توجيه نظام Claude Code أو وكيل يستخدم مكتبة Anthropic SDK نحو نموذج GLM 5.2 عبر ضبط ANTHROPIC_BASE_URL ومفتاح واجهة برمجة التطبيقات (API) الخاص بـ Z.ai، ثم تحديد نموذج glm-5.2 أو glm-5.2[1m]) — دون الحاجة إلى إعادة كتابة أي كود. ويتوقَّع أن ترفع حد زمن انتظار الطلبات، لأن زمن ظهور الرمز الأول في نافذة السياق البالغة مليون رمز أطول من القيمة الافتراضية في نظام Claude.
ما تكلفة كل نموذج؟
يُحتسَب سعر Kimi K2.7 Code وفق معدلات تدريجية: 0,95 دولار أمريكي لكل مليون رمز مُدخَل، و4,00 دولارات لكل مليون رمز مُخرَج، و0,19 دولار لكل مليون رمز مُخبَّأ. أما سعر GLM 5.2 فيتراوح بين 1,40 دولار لكل مليون رمز مُدخَل و4,40 دولارات لكل مليون رمز مُخرَج، أو يُباع ضمن خطة «البرمجة بـ GLM» بأسعار شهرية تبدأ من 10 دولارات (النسخة الخفيفة)، و30 دولارًا للنسخة الاحترافية، و80 دولارًا للنسخة القصوى.
هل يُسمح باستخدام Kimi K2.7 Code مجانًا في الاستخدام التجاري؟
نعم، عمليًّا. فهو يعتمد رخصة MIT المعدَّلة التي تسمح بالاستخدام التجاري؛ والشرط الإضافي الوحيد هو أن تظهر عبارة «Kimi K2.7 Code» في واجهة المستخدم لأي منتج يتجاوز عدد مستخدميه النشطين الشهريين 100 مليون مستخدم، أو إيراده الشهري 20 مليون دولار أمريكي. أما رخصة GLM 5.2 البسيطة بموجب MIT فلا تتضمَّن مثل هذا الشرط.
هل يمكن تشغيل هذين النموذجين محليًّا؟
نعم، الأوزان متوفرة — فنموذج Kimi K2.7 Code متاح على منصة Hugging Face (يدعمه محركات vLLM/SGLang/KTransformers)، ونموذج GLM 5.2 متوفر بموجب رخصة MIT — لكن كلا النموذجين كبير جدًّا باعتبارهما نموذجين من نوع «مزيج الخبراء» (MoE). لذا يتوقَّع أن تحتاج إلى خوادم متعددة وحدات معالجة رسومية (GPU) أو تطبيق تقنيات تكمين (quantization) شديدة التشدُّد؛ ولا يمكن تشغيل أيٍّ منهما بسلاسة على وحدة معالجة رسومية استهلاكية واحدة.
أيهما يمتلك نافذة سياق أكبر؟
GLM 5.2، وبفارقٍ كبيرٍ جدًّا: مليون رمز مقابل 256 ألف رمز لدى Kimi K2.7 Code. وهذا يجعل GLM الخيار الأفضل لسياقات تتضمَّن مستودعات برمجية كاملة أو تتبعات وكلاء طويلة جدًّا، رغم أن أدوات الوكلاء القوية تقلِّل من الحاجة المتكرِّرة لاستخدام النافذة الكاملة.
الخلاصة
هذان نموذجان ممتازان حقًّا ومفتوحا المصدر للبرمجة، أُطلِقا في يومٍ واحد، والحكم الصادق هو أن التنافس بينهما وثيقٌ جدًّا — مع تمتع GLM 5.2 حاليًّا بميزة نظرية على الورق. فكلا الشركتين المطوِّرتين نشرتا مقاييس أداءٍ خاصة بالبرمجة، وتتفوَّق مقاييس شركة Zhipu على نظيرتها (62,1٪ في SWE-bench Pro و74,4٪ في FrontierSWE، متقدِّمةً على GPT-5.5 في عدة مجموعات اختبار ذات أفق طويل)، بالإضافة إلى نافذة سياق تبلغ مليون رمز، ورخصة MIT غير المقيدة، ونظام فوترة ثابت وواضح، وتكامل سلس مع نظام Claude Code. أما Kimi K2.7 Code فيردّ بسعر أقل لكل رمز، وخصم قوي على الرموز المُخبَّأة، ودورات وكلاء فعَّالة من حيث استهلاك الرموز، ومكاسب مُبلَّغ عنها ذاتيًّا.
إذا كنت تُطلِق منتجًا أو تدير أحمال عمل متغيرة كثيفة، فابدأ باستخدام واجهة برمجة التطبيقات (API) التدريجية الخاصة بـ Kimi واستفد من خصم التخزين المؤقت. أما إذا كنت تعمل داخل وكيل برمجي طوال اليوم وترى أن نافذة السياق البالغة مليون رمز ذات قيمة عالية، وأن أعلى النتائج المنشورة مهمة لك، وأن التوافق السلس مع منصة Anthropic أمرٌ بالغ الأهمية، فإن خطة البرمجة الخاصة بـ GLM 5.2 تكاد تكون لا تُضاهى. وأيًّا كان اختيارك، تذكَّر أن كل رقمٍ رئيسيٍّ هنا نشرته الشركة المصنِّعة — لذا انتظر نتائج SWE-bench Verified المستقلة قبل اعتبار أي ادعاء تسويقي حقيقةً راسخة. ففي مجالٍ حقَّق فيه DeepSeek V4-Pro بالفعل نسبةً مُوثَّقةً قدرها 80,6٪ في اختبار SWE-bench Verified، فإن معيار «أفضل نموذج برمجي مفتوح المصدر» يُقاس بواسطة جهات تقييم محايدة، وليس عبر ادعاءات المختبرات التي طوَّرت تلك النماذج.