Почему «контекст в четыре раза больше» не делает GLM 5.2 сильнее Kimi K2.7 Code

и Moonshot выпустили свои флагманские модели для кода почти день в день — GLM 5.2 и Kimi K2.7 Code. Каждая компания выбрала свою цифру для заголовка: у одной — контекстное окно в четыре раза больше, у другой — на треть меньше токенов на размышления. Маркетинг подаёт это как явную победу. На практике всё куда скучнее: ни одна цифра сама по себе не решает, какая модель лучше справится с вашей задачей.

«В четыре раза больше контекст» — не значит в четыре раза полезнее

Главный козырь GLM 5.2 — окно в миллион токенов против 256 тысяч у конкурента. GLM 5.2 обладает более убедительным публичным бенчмарк-треком и большим контекстным окном. Звучит как закрытый вопрос. Но независимые тесты показывают, что у Kimi K2.7 Code заявленная деградация recall начинается примерно после 180 тысяч токенов, что делает модель слабее подходящей для экстремальных объёмов. То есть миллион токенов у GLM реально пригодится только тем, кто регулярно скармливает модели целые монорепозитории. Для обычной сессии разработки — рефакторинг файла, разбор пул-реквеста, поиск бага — оба окна избыточны, и разница на бумаге не конвертируется в разницу на экране.

У каждого вендора — свой бенчмарк-двор

Проблема глубже, чем размер контекста. публикует результаты на общепринятых бенчмарках вроде SWE-bench Pro и Terminal-Bench, а Moonshot предпочитает собственные внутренние тесты вроде MCP Mark Verified. Независимые обозреватели прямо отмечают: таблицы двух вендоров физически нельзя свести в одну, потому что модели прогонялись по разным наборам тестов и с разными настройками. В итоге сравнительные таблицы, которые гуляют по интернету, — это склейка цифр, измеренных в разных условиях, а не честное сопоставление.

Независимый замер даёт другую картину, чем пресс-релиз

Когда третья сторона всё же прогнала обе модели по одному общему индексу, результат оказался не таким однозначным, как в рекламных материалах. Через несколько месяцев после релиза независимая оценка подтвердила: GLM действительно обходит конкурента по общему индексу интеллекта, но разрыв куда скромнее заявленного изначально, а по цене за выполненную задачу лидирует уже Kimi. Общий вывод один: GLM-5.2 даёт более сильную модель, но и более высокий счёт — выбор здесь не бесплатный в любую сторону.

Простая задача — не значит дешёвая

Отдельный миф — что модель с более скромными бенчмарками автоматически экономичнее. В ручном тесте на трёх алгоритмических задачах с единым промтом и температурой ноль обе модели дали верный результат, но GLM 5.2 потратил примерно в 7,5 раза больше выходных токенов и в 4,5 раза больше времени на решение. Причина простая: GLM по умолчанию включает тяжёлый режим рассуждения, и на задачах, которые в нём не нуждаются, это чистый оверхед. На сложных открытых задачах та же привычка «подумать подольше» окупается, но для рутинных багфиксов она превращается в лишний счёт и лишнее ожидание.

• Для коротких, чётко сформулированных задач — выигрывает модель, которая не разгоняет цепочку рассуждений без необходимости.
• Для длинных агентных сессий и правок по всему репозиторию — выигрывает та, что реально держит контекст, а не просто заявляет его.
• Для фронтенда и визуальной отладки — решает не бенчмарк, а то, принимает ли модель картинку на вход вообще.

Мультимодальность и стабильность важнее строчки в таблице

GLM 5.2 — текстовая модель, Kimi K2.7 Code принимает изображения и видео нативно. Для задач вроде отладки по скриншоту сломанного интерфейса это разница не в процентах, а в принципе «можно или нельзя». В одном из прямых сравнений на реальном бэкенд-проекте именно Kimi выдал более полную и работоспособную реализацию, хотя по общим бенчмаркам считался слабее. Добавьте сюда практические жалобы пользователей на лимиты и нестабильность API у линейки GLM в первые недели после релиза — и окажется, что «лучшая модель по индексу» и «модель, которая реально ответит в нужный момент», не всегда одно и то же.

Через месяц обе модели обогнали сами себя

Пока рынок спорил, кто сильнее — GLM 5.2 или Kimi K2.7 Code, — обе компании выпустили преемников. Обе модели были обойдены внутри собственных линеек: следующие версии от тех же вендоров опережают и GLM 5.2, и Kimi K2.7 Code по общему индексу. Любопытная деталь: GLM 5.2 вышла через 48 часов после того, как США ввели новые ограничения на экспорт чипов в Китай — то есть часть истории вокруг релиза была не про технологию, а про таймингом политического заявления. Строить стратегию работы вокруг конкретной версии модели в такой гонке — значит планировать на недели, а не на годы.

Что с этим делать на практике

Сравнение двух близких моделей редко даёт единственный правильный ответ — и это нормально. Разумнее смотреть не на заголовок пресс-релиза, а на тип своей задачи: разовый код-ревью, длинная агентная сессия или работа со скриншотами требуют разных сильных сторон. Если хотите без лишних обещаний попробовать разные модели на своих задачах — загляните в доступные инструменты в GEMERA AI: там можно сравнить подходы на практике, а не по чужим бенчмаркам.