GLM-5.2 sai na frente do Kimi K2.7 Code nos primeiros testes práticos de código

Os dois modelos abertos mais fortes a chegar ao mercado em junho lançaram, com dias de diferença, e a mesma pergunta logo apareceu: qual funciona melhor quando você precisa escrever código de verdade? Cinco avaliadores independentes se anteciparam com a resposta. O GLM-5.2, da Z.ai, saiu na frente — mas raramente com facilidade.

Nas tarefas rápidas, os dois modelos trocaram vitórias. Nas tarefas que exigiram uma segunda olhada, uma diferença surgiu.

Nas tarefas rápidas, quase empate

Fahd Mirza rodou ambos dentro do agente Hermes contra um bug de desempate por diferença de gols num aplicativo de Copa do Mundo. Os dois modelos diagnosticaram o erro e construíram um novo chaveamento de 32 times em um único prompt. O Kimi terminou mais rápido — cinco minutos — e adicionou um detalhe de progressão do torneio por conta própria. Mirza pontuou os dois quase empatados.

Samuel Gregory chegou à mesma conclusão ao ver o enxame de agentes do Kimi propagar um redesign por um site inteiro. Chamou os dois de fantásticos e os colocou perto do Opus 4.5 em confiabilidade. Um terceiro avaliador dividiu uma tarefa de visualizador de ordenação: preferiu o design do Kimi e a funcionalidade do GLM — antes de assistir os dois construírem um aplicativo de arquivos Rust funcional a partir de um único prompt, embora o Kimi tenha entregado um erro no arquivo de dependências que precisou de correção manual.

Na segunda olhada, o GLM se afastou

Web3 Wesley rodou os dois em três tarefas — um site, um jogo e texto para redes sociais — e entregou o resultado ao Claude para inspecionar. O site de assinatura de café do Kimi ficou mais polido à primeira vista. A revisão de código encontrou algo diferente: menu mobile quebrado e um jogo cujo nível de dificuldade vinha de um cálculo de delta-time ausente, não de design intencional. Wesley deu ao GLM a vitória em dois dos três testes, com empate no texto.

"O site do Kimi parecia mais bonito — até que o código foi inspecionado. O menu mobile estava quebrado e a dificuldade do jogo era acidental."

— Web3 Wesley, avaliador independente

A avaliação da Better Stack chegou a uma divisão parecida. O GLM produziu um jogo de corrida em Three.js em um único prompt, usando cerca de 40.000 tokens. O Kimi precisou de um prompt de acompanhamento e consumiu cerca de 110.000. Num painel financeiro completo, o GLM conectou uma stack Next.js e Prisma sem erros. O Kimi montou uma estrutura React e Express gravando em um arquivo SQL local — uma escolha que o avaliador julgou menos escalável.

O que cada modelo faz melhor

O que os números dizem sobre os modelos

O GLM-5.2 carrega 744 bilhões de parâmetros com 40 bilhões ativos, licença MIT e uma janela de contexto de um milhão de tokens. O Artificial Analysis o nomeou o modelo aberto de maior pontuação no seu índice de inteligência este mês — 51 pontos, 11 a mais que o GLM-5.1. Ele superou o GPT-5.5 no benchmark GDPval e ficou em primeiro no Design Arena em web design HTML de um único turno, o primeiro modelo a ultrapassar a linha Claude nessa categoria, incluindo o Fable 5.

O Kimi K2.7 Code é o instrumento mais especializado dos dois: um trilhão de parâmetros com 32 bilhões ativos, modo de raciocínio sempre ativado e o único capaz de ler imagens. Sua janela de contexto de 256.000 tokens foi sinalizada por vários avaliadores como limitante para código de produção.

Em custo, o GLM saiu na frente também. O Artificial Analysis registrou uma média de US$ 0,50 por tarefa — o menor custo neste nível de inteligência. O avaliador da Better Stack disse que poderia substituir o Sonnet ou o Opus em trabalhos mais simples sem perceber diferença. A Moonshot lista o Kimi K2.7 Code a US$ 0,75 por milhão de tokens de entrada e US$ 3,50 por milhão de saída, com planos de assinatura a partir de US$ 15 mensais.

Para desenvolvedores escolhendo entre os dois modelos abertos chineses: os avaliadores deram ao GLM-5.2 a leve vantagem para código em geral. O Kimi K2.7 Code é a escolha quando a tarefa precisa de entrada de imagem ou do enxame de agentes.

Nenhum resultado aqui vem de benchmark padronizado. São cinco avaliadores, com seus próprios prompts, avaliando à sua própria maneira. O que importa não é nenhum teste isolado — é o padrão que aparece nos cinco.