GLM 5.2 w Claude Code — otwarty model, który robi ogromne wrażenie

O czym jest ten film

1. Autor cały dzień testował GLM 5.2 — otwarty model Z.ai — jako silnik Claude Code: w części zadań bywa szybszy od Claude Opus 4.8 i kosztuje około pięć razy mniej.
2. Intro samego filmu zostało zmontowane przez GLM 5.2 z jednego promptu /goal: godzina i kwadrans pracy oraz ok. 357 tys. tokenów przy oknie kontekstu 1 mln.
3. W pojedynku na design z jednego promptu GLM skończył w 3:59, Opus w 14:59 — przy zbliżonej jakości; Opusa zdradza ulubiony krój pisma z charakterystycznymi literami „F”.
4. W „zadaniu domowym” pisanym i ocenianym przez Codex wygrał Opus — obsłużył subtelny przypadek brzegowy (duplikaty „true” vs 1, 1 vs 1.0), który GLM pominął.
5. Wniosek autora: moc Opusa jest potrzebna w 10–20% zadań; ponad 80% pracy intelektualnej obsłuży tańszy model klasy GLM 5.2 czy Sonnet.
6. GLM 5.2 ma 753 mld parametrów i okno 1 mln tokenów; jest otwarty, ale lokalne uruchomienie wymaga poważnej infrastruktury — w praktyce korzysta się z API Z.ai.
7. W benchmarkach GLM 5.2 wyprzedził GPT 5.5 w teście SWE i wygrywa z Opusem 4.7 oraz najnowszym Sonnetem w wielu ewaluacjach; sam autor zaleca czytać je z rezerwą.
8. Głos rozsądku: Fable wycofano użytkownikom z dnia na dzień, a Anthropic i OpenAI nie są rentowne — dostęp do zamkniętych modeli to wynajem bez gwarancji.
9. Cała konfiguracja sprowadza się do konta na z.ai, planu (16/64/144 USD miesięcznie), klucza API i kilku linijek w settings.local.json — przekierowanie ANTHROPIC_BASE_URL działa osobno dla każdego katalogu projektu.
10. Teza finałowa: trwała przewaga przesuwa się z samych modeli w usługi i integracje, a luka między modelem otwartym a zamkniętym zacieśnia się w oczach.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Dobór modelu do zadania to nowa kluczowa umiejętność

Na czym polega: Autor szacuje, że moc Opusa jest mu faktycznie potrzebna w 10–20% codziennych zadań. Resztę — ponad 80% pracy intelektualnej — spokojnie obsłuży model klasy GLM 5.2 albo Sonnet.

Jak stosować: Przejrzyj swój typowy dzień i podziel zadania na „lekkie” (generowanie interfejsów, research, proste zmiany w kodzie) oraz „ciężkie” (synteza, decyzje, subtelna logika). Lekkie kieruj do tańszego silnika, ciężkie zostaw najmocniejszemu.

Na co uważać: Pozornie banalne zadanie bywa logicznie zdradliwe — zanim przełączysz się na stałe, przepuść tańszy model przez własne przypadki testowe.

2.Otwarty GLM 5.2 trzyma się czołówki — i kosztuje około pięć razy mniej

Na czym polega: Opus 4.8 pobiera 5 USD za tokeny wejściowe i 25 USD za wyjściowe; GLM 5.2 — odpowiednio 1,40 i 4,40 USD. W benchmarkach GLM 5.2 wyprzedził GPT 5.5 w teście SWE i wygrywa z Opusem 4.7 oraz najnowszym Sonnetem w wielu ewaluacjach.

Jak stosować: Przy zadaniach pochłaniających mnóstwo tokenów licz różnicę na miesięczniku — długie sesje i duże konteksty to przypadki, w których tańszy model realnie zmienia rachunek. Trzymaj go jako drugi silnik, obok Claude.

Na co uważać: Benchmarki czytaj z rezerwą — sam autor powtarza, że więcej mówi praca na żywo niż pozycja w tabeli.

3.Szybkość to loteria: im więcej rozumowania, tym wolniej

Na czym polega: Pomiary autora były rozstrzelone. Projekt strony z jednego promptu: GLM 3:59 wobec 14:59 Opusa. Ale w zadaniu na logikę Opus skończył w ok. 5 minut, GLM w ok. 24; w teście kreatywnym było odpowiednio 11 i 35 minut.

Jak stosować: Klasyfikuj zadanie przed zleceniem: „wykonywalne” (design, szablony, zbieranie materiału) częściej szybciej załatwi tańszy model; „rozumujące” oddawaj mocniejszemu.

Na co uważać: Na czas wpływa też godzina szczytu w API i długość kontekstu — pojedynczy pomiar niczego nie dowodzi.

4.Przypadki brzegowe to przewaga mocniejszego modelu

Na czym polega: W zadaniu domowym pisanym i ocenianym przez Codex Opus wygrał jednym szczegółem: obsłużył duplikaty rekordów z wartościami „true” kontra 1 oraz 1 kontra 1.0, które GLM przeoczył.

Jak stosować: Zanim wdrożysz tańszy model w pipeline pracujący na danych, przepuść przez niego zestaw przypadków brzegowych znanych zespołowi i porównaj wyniki z mocniejszym modelem.

Na co uważać: Jeden przeoczony przypadek brzegowy potrafi przekreślić całą oszczędność — miej pod ręką testy regresyjne.

5.Zbieranie zostaw tańszemu, syntezę mocniejszemu

Na czym polega: Autor bez wahania odda GLM-owi research — gromadzenie opinii, danych i źródeł, także przez chmurę podagentów. Żeby na gruncie tych danych przemyśleć, co naprawdę ma znaczenie, sięga po Opusa.

Jak stosować: W projektach wieloetapowych przypisuj role wprost, najlepiej w skillach: tańszy model zbiera i szkicuje, mocniejszy ocenia, syntetyzuje i decyduje.

Na co uważać: Role muszą być zapisane jawnie — inaczej oba modele będą dublować tę samą pracę i podwójnie palić tokeny.

6.Liczy się orkiestracja, nie sam model

Na czym polega: Raport ze skilla STORM wyszedł rzetelny mimo tańszego silnika, bo proces zakładał wielu agentów w różnych personach oraz drugie, weryfikacyjne przejście (stąd dopisek „V2”).

Jak stosować: Do ważnych zadań dodawaj mechanizmy kontroli: drugą turę agentów czytających wynik, „sceptyka” podważającego tezy, punktowe listy kontrolne.

Na co uważać: Każdy dodatkowy agent to koszt i czas — pełny protokół rezerwuj dla zadań, w których błąd naprawdę boli.

7.Otwarty model to polisa na nagłe decyzje dostawców

Na czym polega: Wycofanie Fable z subskrypcji pokazało, że dostęp do zamkniętych modeli może zniknąć z dnia na dzień. Anthropic i OpenAI nie są rentowne — plan za 200 USD daje według autora nawet ok. 8 tys. USD obliczeń.

Jak stosować: Miej drugi silnik skonfigurowany i przetestowany na zawołanie; workflow buduj tak, by wymiana modelu była jedną zmienną w konfiguracji, a nie przebudową projektu.

Na co uważać: „Otwarty” nie znaczy „darmowy lokalnie” — model o 753 mld parametrów uruchomisz u dostawcy chmury, nie na laptopie.

8.Podmiana silnika w Claude Code to kilka linijek konfiguracji

Na czym polega: W katalogu .claude znajduje się settings.local.json. Zmienna ANTHROPIC_BASE_URL kieruje ruch do API z.ai, klucz Z.ai podstawiamy jako ANTHROPIC_AUTH_TOKEN (pole klucza Anthropic zostaje puste), a domyślne modele zamieniamy na GLM 5.2.

Jak stosować: Skopiuj konfigurację z opisu filmu, wpisz własny klucz API — albo po prostu poleć samemu Claude Code, żeby zapisał ją w pliku.

Na co uważać: Ustawienie działa per katalog: sesja odpalona w folderze bez tego pliku wróci do zwykłego Claude. Pilnuj, w którym katalogu pracujesz.

9.Dwa plany i przełączanie zamiast jednego wyeksploatowanego

Na czym polega: Z.ai oferuje plany 16/64/144 USD miesięcznie (taniej przy płatności rocznej), a limity działają jak w subskrypcji Claude Code: pięciogodzinny, tygodniowy, godziny szczytu oraz osobny limit na wyszukiwanie w internecie.

Jak stosować: Trzymaj plan Claude do zadań „ciężkich” i tańszy plan Z.ai do masy tokenów. Po czterech–pięciu godzinach intensywnej pracy autor miał pięciogodzinny limit zużyty nieco ponad połowę, a tygodniowy w ok. 10%.

Na co uważać: W godzinach szczytu limit schodzi szybciej, a research z wyszukiwaniem wyczerpie osobny limit — wtedy podłącz np. Perplexity.

10.Fosa przesuwa się z modeli w usługi

Na czym polega: Autor prognozuje, że sam model przestanie być trwałą przewagą konkurencyjną — dlatego Anthropic i OpenAI inwestują w usługi i integracje, m.in. w inżynierów osadzonych bezpośrednio u klientów. Luka między otwartym a zamkniętym zacieśnia się bardzo szybko.

Jak stosować: Buduj to, czego nie da się skopiować jednym plikiem wag: własne skille, procesy, dane i integracje. Modele traktuj jak wymienne części.

Na co uważać: Dziś różnica między otwartym a zamkniętym wciąż jest duża — w krytycznych zadaniach mocniejsze modele nadal wygrywają.

Redakcyjne tłumaczenie

Wstęp: intro zmontowane jednym promptem

Cały dzień spędziłem na zabawie GLM-em 5.2 wewnątrz Claude Code i jestem pod ogromnym wrażeniem. Wydaje się szybszy, jest wyraźnie tańszy i zaskakująco dobrze odnajduje się w tej otoczce. Radzi sobie tak dobrze, że to wprowadzenie, które właśnie oglądacie, zmontował on sam — od surowego nagrania aż po gotową wersję. W tym odcinku pokażę, jak szybko i bezboleśnie uruchomić GLM 5.2 w Claude Code, więc nie przedłużajmy i bierzmy się do roboty.

Intro oczywiście nie jest idealne, ale powstało dosłownie z jednego promptu — jednej komendy /goal. Zajęło to nieco ponad godzinę, dokładnie godzinę z kwadransem, jak na 23 sekundy materiału, więc błyskawicznie nie było. Oto sesja, w której to się działo: GLM 5.2, okno kontekstu miliona tokenów, zużycie około 357 tysięcy tokenów. Im dłużej z nim pracuję, tym wyraźniej rysuje się prawidłowość: są zadania, które kończy znacznie szybciej niż Opus, i są takie — jak to intro — w których Opus dałby sobie radę dużo prędzej. Zanim pokażę konfigurację, zerknijmy na kilka rzeczy, które zdążyłem przetestować.

Design z jednego strzału: GLM kontra Opus

GLM 5.2 jest naprawdę mocny w projektowaniu. Popatrzcie na te dwie wersje i zgadnijcie, która wyszła spod GLM-a, a która spod Opusa. Obie trzymają ten sam styl marki — to oczywiście ta sama firma — po obu stronach dynamicznie pojawiają się podobne elementy, a na dole króluje przycisk CTA. Rozszyfrowanie jest banalne: prawa strona to Opus, bo posłużył się swoim ulubionym krojem z tymi dziwacznymi literami „F”, które tak lubi. Tak czy inaczej, oba warianty są bardzo porządne jak na efekt jednego promptu — zwłaszcza gdy uwzględnicie, że ten po lewej wyszedł jakieś pięć razy taniej.

Oto sesje terminalowe, w których powstawały te projekty. GLM skończył w 3 minuty i 59 sekund, Opus w 14 minut i 59 sekund. GLM zużył przy tym mniej tokenów, a każdy z nich jest z grubsza pięciokrotnie tańszy. Czyli: szybciej, dużo taniej, a rezultat bardzo zbliżony.

Zadanie domowe ocenione przez Codex

Obu modelom rozdałem też identyczne zadanie domowe — tu GLM, tu Opus 4.8. Treść zadania napisał Codex, żeby wykluczyć jakiekolwiek „przenikanie”: żaden z uczestników nie mógł znać rozwiązania z góry. Gdy obaj skończyli, ten sam Codex ocenił obie prace. Jego zdaniem lepiej wypadł agent 2, czyli Opus, bo obsłużył jeden subtelny przypadek brzegowy pominięty przez agenta 1: duplikaty rekordów z wartościami typu „true” kontra 1 albo 1 kontra 1.0. Krótko mówiąc, GLM 5.2 zrobił to dobrze, ale Opus był bardziej precyzyjny.

Kiedy naprawdę potrzebujesz mocy Opusa

Jak na razie oceniam to tak: GLM 5.2 jest bardzo solidny i szybki w większości zadań, które nie wymagają ciężkiego rozumowania. Koniec końców Opus 4.8 jest po prostu lepszym modelem — zamkniętym. Ale zadajcie sobie szczerze pytanie: jak często faktycznie potrzebujecie tej mocy? U mnie to najwyżej 10–20 procent codziennych zadań, nie więcej. Z pozostałymi 80 i więcej procentami pracy intelektualnej dałoby sobie radę coś w rodzaju GLM 5.2 albo Sonnet 3.7. I właśnie to — umiejętność doboru modelu do konkretnego zadania — będzie kluczową kompetencją w najbliższej przyszłości.

Bo bywa i odwrotnie: oto zadanie, w którym Opus potrzebował około 5 minut, a GLM 5.2 około 24. Wszystko testowałem na planie Z.ai za 60 dolarów miesięcznie. Po czterech–pięciu godzinach nieprzerwanego szturmu — miałem otwartych pięć różnych sesji — pięciogodzinny limit mam zużyty nieco ponad pół, a tygodniowy w około 10 procentach. O rozliczeniach i konfiguracji opowiem za chwilę.

Test kreatywności: anatomia uwagi i Gwiazda Śmierci

Puściłem kilka kolejnych promptów /goal. Pierwszy brzmiał mniej więcej tak: „Zaszalej. Pokaż, na co cię stać w projektowaniu, i zbuduj mi dowolny dokument HTML”. W odpowiedzi dostałem „Anatomię uwagi”: w tle krążą gwiazdy, góra wygląda odrobinę „vibe coded”, ale całkiem nieźle. Niżej widnieje myśl, że model językowy nie ma podręcznika gramatyki ani słownika. Potem interaktywny element ze zdaniem „Zwierzę nie przeszło przez ulicę, bo było zbyt zmęczone”: widzimy słowo z pytania i wskazanie, do czego się odnosi — „zmęczone” wskazywało na zwierzę, „przeszło” na ulicę. (Informacja dodatkowa: to klasyczne zdanie testowe z tzw. schematów Winograda — bada, czy model poprawnie rozwiąże niejednoznaczne odniesienie.) Dalej mamy wyjaśnienie, że najpierw zdanie zostaje rozbite i każdy token dostaje swoje miejsce w przestrzeni — do tego mały graf powiązań, kilka wykresów i innych elementów. Tak wygląda to, co GLM uznał za ciekawe, gdy dostał wolną rękę.

Ten sam prompt poszedł do Opusa. Ten wymyślił „Życie Gwiazdy Śmierci” — i znowu widać ten klasyczny font z „F”. Tym razem to raczej oś czasu prowadząca przez cały cykl życia stacji. Też zrobione przyzwoicie. Ale zatrzymajcie się na chwilę i zapytajcie: czy z perspektywy designu, z jednego promptu, Opus jest aż pięć razy lepszy? Bo tyle właśnie za niego dopłacacie. Co ciekawe, u GLM-a to zadanie zajęło około 35 minut, a u Opusa zaledwie 11. Kiedy GLM okaże się szybszy — to loteria. Jest za to reguła: im więcej rozumowania wymaga zadanie, tym wolniej.

Warto przy tym pamiętać, że Claude Code to harness, czyli otoczka, w której pracują modele. Najlepiej wykorzystują ją oczywiście modele Claude, ale GLM 5.2 radzi sobie przyzwoicie: obsługuje komendę /goal, czyta mojego CLAUDE.md, korzysta z moich skillów (Skills — zdefiniowanych przeze mnie procedur, które model może wywoływać).

Skill STORM: raport z pięciu perspektyw

Kolejne polecenie: „/goal — użyj skilla STORM (wkrótce o nim osobny film), zbadaj otwarte modele AI kontra zamknięte; produktem końcowym jest raport w HTML”. Model ruszył do pracy z całą chmarą podagentów — wszystkie również na GLM 5.2 — wcielających się w różne persony. Całość trwała około 27 minut i przyniosła taki raport. Dopisek „V2” oznacza, że najpierw było jedno przejście, a potem druga ekipa agentów przeczytała wynik i wniosła poprawki. Nie będę czytał tego słowo po słowie, ale raport jest bardzo rzetelny i dobrze wygląda. Przeglądało go pięć różnych perspektyw — widać je w tle całości. Mamy streszczenie w 60 sekund i pięć kluczowych wniosków: jeden poparli „akademik” i „sceptyk”; inny poparli „praktyk”, „ekonomista” i „akademik”, a podważyli „sceptyk” i „historyk”. Jest też „ukryte powiązanie”, „założenie, na którym opiera się cała analiza” i sekcja „co zrobić inaczej”. Możecie zapauzować i przeczytać sami — naprawdę jest co. Idea jest prosta: mnożymy perspektywy, czyli zestawiamy agentów o różnych temperamentach, żeby wspólnie badali temat i spierali się o to, jak powinien być skonstruowany.

Który model do którego kroku procesu

To skłoniło mnie do refleksji: gdzie w praktyce sięgnę po GLM 5.2 zamiast po Opusa 4.8? Po całym dniu testów wiem jedno — do czegoś takiego jak to badanie sięgnę po GLM bez wahania, bo ufam sposobowi, w jaki zorkiestrowałem skill STORM: wielu agentów, mnóstwo punktów kontrolnych. A to ostatecznie znaczy więcej niż sam model. Liczy się to, jak go pobudzasz, jak z niego korzystasz, jak ułożone są twoje skille, otoczka i warstwa kontekstu. GLM 5.2 ufam też w kwestii researchu — przez który rozumiem zbieranie opinii, danych i źródeł. Ale żeby na gruncie tych danych przemyśleć, co naprawdę ma znaczenie i jak zastosować to w życiu, już bym sięgnął po cięższy model rozumujący, po Opusa. I moim zdaniem każdy powinien zadawać sobie takie pytania. To nie jest wybór „albo–albo”; to pytanie o to, który krok procesu powinien obsłużyć który model.

Dlaczego GLM 5.2 budzi takie poruszenie

Dlaczego w ogóle o tym mówię? Bo GLM 5.2 to model otwarty. ChatGPT czy Claude to modele zamknięte: je wynajmujecie i płacicie dostawcy za dostęp. Tak, przed chwilą widzieliście, że i ja płacę subskrypcję za dostęp do GLM 5.2 — ale wyłącznie dlatego, że ten model jest kolosalny: 753 miliardy parametrów. Na moim sprzęcie by go nie było. Model jest otwarty i teoretycznie można go uruchomić lokalnie, ale trzeba by mieć na to odpowiednią infrastrukturę — a większość z nas nie trzyma takiej w szafie. Można go natomiast wynająć online, analogicznie jak Claude u Anthropic — tylko że wielokrotnie taniej. I właśnie dlatego wszyscy szaleją z zachwytu: model jest w gruncie rzeczy wasz. Możecie go pobrać albo korzystać z niego za ułamek ceny. Jest bardzo sprytny — zaraz pokażę benchmarki — i jest bardzo tani: przy ciężkim dniu kodowania wyjdzie około pięć razy taniej niż Opus 4.8 przy tej samej robocie. Zestawienie cen: Opus 4.8 pobiera 5 dolarów za tokeny wejściowe i 25 za wyjściowe; GLM 5.2 — odpowiednio 1,40 i 4,40 dolara. Stąd moje „około pięć razy taniej”.

Na Ollamie — platformie do ściągania i uruchamiania lokalnych modeli — GLM 5.2 figuruje z oknem miliona tokenów i rozmiarem 756 miliardów parametrów. Pobrać go tam się nie da: uruchamia się go z ich chmury, co przy tej skali jest zresztą rozsądne. Ale popatrzcie na benchmarki obok Claude Opus 4.8 i GPT 5.5, czyli dwóch najlepszych modeli chwili. GLM 5.2 trzyma się z nimi łeb w łeb — i stąd całe zamieszanie.

Wynajem, który może się skończyć

Przypomnijcie sobie, że Fable odebrano nam z dnia na dzień. (Informacja dodatkowa: Fable — model, który według autora był wcześniej dostępny w subskrypcji, a został nagle wycofany.) To najlepszy dowód, że wynajmujemy coś, co może nam zniknąć bez uprzedzenia. Niepokoi mnie też to, że ani Anthropic, ani OpenAI nie są dziś rentowne. Płacimy 200 dolarów miesięcznie za plan Claude Max, a przy pełnym wykorzystaniu wyciągamy z niego obliczenia (inference) warte jakieś 8 tysięcy dolarów. Tak nie da się zarabiać. Załóżmy więc, że Fable jednak do nas wróci — na nim też będą tracić. Mogą więc oddać go z zastrzeżeniem: „w subskrypcji niedostępny, tylko przez API” — i to drożej niż Opus. Dlatego kto połapie się w otwartych modelach i nauczy je wdrażać lokalnie, w praktyce za darmo, ten wyraźnie zyska przewagę.

Benchmarków jest więcej — zerknijcie choćby na SWE: GLM 5.2 wypadł w nim lepiej niż GPT 5.5, co brzmi nieprawdopodobnie. Jeśli lubiliście Opusa 4.7 — wielu z was lubiło, niektórzy nie — to GLM 5.2 wyprzedzał go w całej serii ewaluacji. Z najnowszym Sonnetem wygrywa w mnóstwie testów. Przemyślcie, co to mówi o realnej klasie tego modelu. Dalszych benchmarków programistycznych nie będę omawiać — wszyscy wiemy, że trzeba do nich podchodzić z rezerwą. Liczy się wrażenie z realnej pracy, choć rzut oka na tabele co jakiś czas nie zaszkodzi.

Konfiguracja: konto, plan, klucz

Przechodzimy do konkretów. Wchodzimy na z.ai; możecie trafić na coś takiego. Od razu pogadacie z modelem: zrobicie landing page’a, modelowanie 3D, własną mini-grę — i te front-endowe rzeczy robi naprawdę dobrze, więc warto potestować dla poczucia, jak model pracuje. A gdy zechcecie podpiąć go do Claude Code, OpenCode, Hermes Agenta czy innego narzędzia, klikacie przycisk w prawym górnym rogu i trafiacie do konsoli API.

Są dwa modele rozliczeń. Pierwszy: płacenie za tokeny — ceny już znacie, 1,40 dolara za wejście i 4,40 za wyjście, czyli niedrogo. Drugi: abonament — 16, 64 albo 144 dolary miesięcznie, a przy płatności rocznej taniej. Nie są sponsorami tego kanału i z nimi nie współpracuję; po prostu opcja istnieje. Można np. siedzieć na planie Claude za jakieś 100 dolarów i dołożyć plan Z.ai za 64 — a potem przełączać się między nimi zależnie od zadania. Wtedy obie subskrypcje pracują na pełnych obrotach, zamiast jednej wyzyskiwanej do granic.

Po wyborze planu wchodzicie w zakładkę API keys i generujecie klucz. Dzięki niemu od razu zaczniecie korzystać z modelu w Claude Code — i tam też będziecie podglądać zużycie limitów. Działają bardzo podobnie do subskrypcji Claude Code: jest limit pięciogodzinny i tygodniowy. Obowiązują też godziny szczytu, w których limit zużywa się z większym mnożnikiem. Ciekawostka: jest jeszcze osobny limit na wyszukiwanie w internecie — przy intensywnym researchie łatwo go wyczerpać, ale można podpiąć np. Perplexity albo inne API do przeszukiwania sieci i temat znika.

Wymiana silnika w Claude Code

Cała dalsza konfiguracja to edycja pliku ustawień w Claude Code. Brzmi groźnie i technicznie, ale nic z tych rzeczy. W katalogu .claude powinien znajdować się plik settings.local.json — to w nim ustawiacie uprawnienia, serwery MCP i tak dalej, a także zmienne środowiskowe. Jeśli aktywowaliście agent teams, odpowiedni wpis może mieszkać właśnie tutaj (jak u mnie) albo globalnie — gdziekolwiek jest, to zmienna środowiskowa. Konfigurację, którą widzicie u mnie, wklejam do opisu filmu. Wystarczy ją skopiować do zmiennych środowiskowych — albo po prostu polecić Claude Code, żeby sam wpisał ją do pliku — i podmienić klucz na własny, pobrany z zakładki API keys na z.ai.

Co właściwie robimy? Zmienna ANTHROPIC_BASE_URL kieruje ruch do API Z.ai zamiast do Anthropic. Mówiąc obrazowo: Claude Code to samochód, model to silnik — a my wymieniamy silnik. Pole z kluczem Anthropic zostawiamy puste, klucz Z.ai podstawiamy jako ANTHROPIC_AUTH_TOKEN, a wszystkie domyślne modele zamieniamy na GLM 5.2. Po otwarciu nowej sesji Claude zobaczymy: GLM 5.2, milion tokenów kontekstu, rozliczenie po API.

Różny silnik w każdym projekcie

To ustawienie działa osobno dla każdego projektu. U mnie wygląda to tak: po lewej GLM, po prawej Opus — ale oba środowiska to po prostu dwa katalogi. W katalogu „GLM” siedzi settings.local.json z opisanym przekierowaniem; w katalogu „Opus” nie ma go wcale. Dzięki temu Claude odpalony w drugim katalogu sam sięga po zwykłego Opusa z mojego planu Max. I właśnie tak sterujesz tym, który projekt pracuje na którym modelu.

A, i gdyby kto pytał: cała ta prezentacja również powstała w GLM 5.2. Zabawne, że wciąż nazywa mnie „Herk” — domyślam się, że chodzi o „Herk 2”, mój projekt. Slajdy wyglądają jak wszystkie moje poprzednie, bo model skorzystał z mojego skilla.

Na koniec: fosa przesuwa się w usługi

Wiem, że odcinek wyszedł krótki — taki był zamiar: pokazać konfigurację, żebyście mogli zacząć się bawić. Planuję sporo więcej materiałów o modelach lokalnych i o narzędziach pokroju OpenCode, bo nie każdy chce być przykuty do otoczki Claude Code. Dajcie znać w komentarzach, co chcielibyście zobaczyć w temacie otwartego AI. Bo spokojnie widzę przyszłość, w której każda firma po prostu uruchamia własne modele lokalnie. Anthropic, sądzę, zaczyna to odkrywać; OpenAI również — dlatego inwestują w usługi i inne formy wchodzenia do firm, choćby w forward deployed engineers, czyli inżynierów osadzonych bezpośrednio u klientów. Wiedzą, że sam model może okazać się fosą — trwałą przewagą konkurencyjną — tylko na chwilę. Dziś przepaść między otwartym a zamkniętym jest ogromna, ale widać gołym okiem, jak szybko się zacieśnia. I to jest przedstawienie, które warto oglądać na żywo. Zacznijmy więc częściej bawić się otwartymi modelami. Jeśli dowiedzieliście się czegoś nowego, zostawcie łapkę w górę — bardzo mi to pomaga. Dziękuję, że dotrwaliście do końca, i do zobaczenia w następnym odcinku.