В последнее время рынок языковых моделей развивается настолько стремительно, что новые релизы выходят почти каждый день, а «громкие» — каждую неделю. Пальма первенства в генерации текста, программировании или агентных сценариях постоянно переходит из рук в руки.
В этот раз поговорим о китайской компании Z.ai и о ее новом поколении линейки GLM, а также об агентной среде разработки ZCode 3.0, ориентированной на написание кода. Заменит ли она привычные Cursor и Open WebUI, став полноценным агентом «все в одном» — разберемся ниже.
Взлет и становление GLM
Семейство GLM — это большие языковые модели, которые компания Z.ai развивает уже несколько поколений. Ранние версии моделей представляли собой чат-боты с поддержкой диалоговых сценариев, а современные модели значительно расширили область применения.
Уже всем знакомая новинка, GLM-5.2 — это следующий виток развития серии GLM. Предыдущая версия — GLM-5.1 — демонстрировала хорошие результаты в программировании, отлично работала с длинным контекстом, а доработанная архитектура новой модели улучшила ее скиллы и научила разбираться еще и в инженерных задачах. Модель стала лучше сохранять и точно понимать контекст, планировать решение, поэтапно реализовывать его.
На базе GLM-5.2 разработали ZCode 3.0 — кодинг-ассистента, способного создавать новые проекты с нуля, анализировать существующий код, искать ошибки, писать тесты, объяснять архитектуру и помогать при миграции. Вайб-кодинг (ну куда же без него?) не обделили вниманием: нас уверяют, что человек, мало знакомый с программированием, по описанию сможет сформировать игру или сайт, не прибегая к услугам специалистов.
Давайте же развернем, протестируем и поймем, что собой представляет ассистент от Z.ai.
Что по бенчмаркам
Компания Z.ai опубликовала результаты тестирования модели. GLM 5.2 набрала 62,1 балла в тесте SWE-bench Pro, опередив GPT-5.5, и 81 балл в Terminal-Bench 2.1 — это значительный скачок по сравнению с 63.5 баллами у предыдущей версии GLM 5.1, позволивший GLM 5.2 возглавить рейтинг этого бенчмарка для агентных систем, работающих с терминалом. С Humanity’s Last Exam модель справилась неплохо — с результатом в 54,7%.
На программных бенчмарках новое поколение GLM демонстрирует результаты, сопоставимые с ведущими коммерческими моделями. Но стоит основываться на своем опыте и выбирать модель под свой пул задач, так как небольшое преимущество в синтетических тестах не объективно, а разные модели сильны в разных направлениях.
Получаем API-ключ GLM-5.2
Для получения API-ключа для работы с ZCode переходим в панель управления, вверху нажимаем на Продукты. Далее выбираем ИИ-роутер в разделе «AI-платформа».
Затем нажимаем по кнопке Создать ИИ-роутер.
Далее указываем имя роутера и имя ключа, нажимаем Создать.
Сохраняем API-ключ в надежном месте. Он доступен для просмотра один раз.
Теперь переходим на сайт ZCode, скачиваем файл и приступаем к установке.
Устанавливаем ZCode
Установка — в моем случае это Windows-версия — была понятной и быстрой.
После окончания установки запускаем ZCode:
Нас просят подключиться к Z.ai или BigModel либо использовать свой API.
Нажимаем Use API key.
У нас кастомный провайдер, так что подключение API пока пропускаем, нажимаем Skip for now.
Теперь необходимо выбрать модель, через которую и будем делать запросы. Кликаем по раскрывающемуся списку моделей:
Выбираем Manage models:
Тут стоит сперва вернуться в панель управления Selectel и открыть ранее созданный роутер. В нем находим модель и копируем Base URL и название модели:
Возвращаемся в ZCode, вставляем скопированные данные в соответствующие поля, не забываем добавить созданный ранее API-ключ в поле API key. Должно получиться вот так:
Далее снова открываем список моделей и выбираем нашу:
Создаем игры и тестируем работу
Первый запрос к модели будет тестовый:
«Создай браузерную HTML игру стратегию. В игре должны быть постройки, валюта золото и древесина. Должна быть казарма для армии и сражения с врагами.»
Менее чем за 7 рублей ZCode создал мне простую браузерную игру-стратегию. К слову, игра мне понравилась. Вот скриншот расходов:
Модель реализовала валюту, ресурс (древесину), население. Есть краткие описания построек. Проработана логика открытия новых панелей — нанять воинов без казарм не получится. Проработана и система налетов — каждые 30 секунд приходят захватчики, с которыми придется сражаться, чтобы отстоять ресурсы и население. Весь прогресс записывается в хронике, что тоже приятно.
Во втором запросе я попросил модель:
«Создай браузерную 3D-игру про гонки, где есть выбор гоночных машин, заезды по трассе, соперники и таймер для фиксации времени прохождения круга.»
Ожидание:
Реальность:
Генерация заняла около семи минут рассуждений модели, после которых я получил HTML-файл с результатом. Для одного запроса вышло вполне недурно: все, что я описал, модель исполнила.
Попробовал покататься с ботами и понял — баланса в этой игре нет, соперники с легкостью обгоняли меня.
К чему идут нейросети
Созданные генерации показали, насколько быстро модели прогрессируют — еще год назад с первого промпта получить вменяемый результат не получалось. Но полностью заменить программиста нейросети пока не могут, хоть и очень стараются. Они все еще допускают ошибки, подтасовывают данные и требуют проверки результатов. Однако объем задач, который можно делегировать модели, продолжает быстро расти.
Темп развития несомненно будет усиливаться, и в ближайшие годы основная работа разработчика будет постепенно смещаться от ручного написания простого и среднего уровня кода к постановке задач, фиксации генераций и проектировании сложных систем. ИИ-агенты, на мой взгляд, станут полноценными участниками процесса разработки.
