Frente a frente
GLM-5.2 vs Mistral Large 3: qual modelo de IA vence em 2026?
GLM-5.2 ($4.40/1M out) e Mistral Large 3 ($1.50/1M out) estão entre os modelos de IA mais usados de 2026. Em 4 votos da comunidade, GLM-5.2 lidera com 50% de aprovação.
Veredicto rápido
Em Raciocínio, escolha GLM-5.2: a arena o avalia em 4.5/5 contra 3/5 de Mistral Large 3. No orçamento, Mistral Large 3 vence: começa em $1.50/1M out contra $4.40/1M out de GLM-5.2.
Comparação linha por linha
Pontos fortes e fracos
GLM-5.2
- Primeiro entre os modelos de pesos abertos no Artificial Analysis Intelligence Index (pontuação 53, 4.º entre 106): o modelo mais forte que pode realmente descarregar e alojar por si próprio, sob licença MIT
- 62,1 no SWE-Bench Pro, à frente dos 58,6 do GPT-5.5, com 82,7 no Terminal-Bench 2.1 e 91,2 no GPQA-Diamond: código e raciocínio ao nível da fronteira, não uma aproximação barata
- 1,40 $ por milhão de tokens de entrada e 4,40 $ de saída (0,26 $ na entrada com acerto de cache), cerca de um sexto do custo por token do GPT-5.5 ou do Claude Opus 4.8
- Realmente rápido: 153,2 tokens de saída por segundo e 1,39 s até ao primeiro token, muito à frente dos 33 tokens/s do Kimi K3 na mesma classe
- Um milhão de tokens de contexto com 128K de saída máxima, e uma arquitetura IndexShare que divide por 2,9 os FLOPs por token no comprimento total de contexto
- Licença MIT e pesos publicados: alojá-lo por conta própria elimina tanto a dependência do fornecedor como a questão da jurisdição dos dados que se coloca na API alojada
- O mais prolixo dos modelos de topo: 43 000 tokens de saída por tarefa da Artificial Analysis (37 000 dos quais de raciocínio), 1,8 vezes a média, pelo que o preço baixo de tabela se traduz em 0,32 $ por tarefa e cerca de 75 segundos de ponta a ponta no OpenRouter
- Fraco em conhecimento corrigido por alucinações: 4 no AA-Omniscience contra 27 do Claude Opus 4.8, 23 do Gemini 3.5 Flash e 20 do GPT-5.5, ou seja, responde com confiança onde modelos melhores se abstêm
- Apenas texto: sem entrada de imagem ou áudio, enquanto a maioria dos concorrentes diretos é multimodal de origem
- A Artificial Analysis considera-o caro face a outros modelos de pesos abertos de dimensão comparável: o argumento do preço vale contra a fronteira norte-americana fechada, não contra o campo aberto
- 753 mil milhões de parâmetros exigem uma infraestrutura multi-GPU para alojamento próprio; para a maioria das equipas, «pesos abertos» significa portabilidade e direito de auditoria mais do que a capacidade real de o executar
Mistral Large 3
- Open weights sob Apache 2.0 com deploy em um único nó via quantização FP8/NVFP4, apesar dos 675B de parâmetros totais
- Janela de contexto de 256K, no topo da faixa para modelos de open weights, muito adequada a RAG de documentos longos
- Preço agressivo de carro-chefe a $0.50 de entrada / $1.50 de saída por 1M de tokens, cerca de 3-4x mais barato que os carros-chefes proprietários ocidentais
- Estreou em #2 entre os modelos open source sem raciocínio no LMArena (Elo ~1418)
- Multimodalidade nativa (encoder de visão de 2.5B de parâmetros) e mais de 40 idiomas nativos
- Desenvolvedores no HN elogiam a formatação estrita, o seguimento de instruções e a confiabilidade em produção
- Raciocínio profundo fraco: GPQA Diamond de ~44% contra a faixa dos 70 altos do DeepSeek V3.2 e do Kimi K2 Thinking; sem variante de raciocínio no lançamento
- Fica atrás de GLM-4.6, Kimi K2 e DeepSeek nos benchmarks modernos de código (LiveCodeBench v6 mediano); devs do HN o colocam em uma 'categoria de peso diferente', abaixo de Gemini 3, GPT-5.1 e Claude Opus 4.5
- Propenso a alucinações em QA factual (SimpleQA ~24%) com tuning de abstenção fraco
- Velocidade de saída medida em ~49 tok/s na Artificial Analysis, abaixo da mediana de ~58 tok/s de modelos comparáveis
- Crítica no HN de que a arquitetura espelha de perto o DeepSeek V3, levantando dúvidas sobre P&D original
Dê seu veredicto
Uma recomendação por ferramenta por gladiador. Ela redefine a pontuação da multidão que todos veem.
O veredicto da arena sobre o GLM-5.2
O GLM-5.2 é o melhor modelo que pode descarregar hoje. Lidera o campo dos pesos abertos na Artificial Analysis, bate o GPT-5.5 no SWE-Bench Pro e custa por token cerca de um sexto da fronteira norte-americana fechada. Escolha-o para programação agêntica, trabalho de fundo sobre repositórios e análise com um milhão de tokens, sobretudo se o alojamento próprio ou a liberdade de licença pesarem no seu plano. Atenção à prolixidade: consome 43 000 tokens de saída por tarefa, pelo que a fatura real ronda os 0,32 $ por tarefa e as respostas demoram cerca de 75 segundos, o que o exclui de produtos interativos. E não o use como oráculo de conhecimento: a pontuação de 4 no AA-Omniscience, contra 27 do Opus 4.8, significa que responderá com confiança quando deveria abster-se, por isso coloque uma camada de verificação à frente de tudo o que for factual. Em puro custo por token, o DeepSeek V4 continua mais barato; a proposta do GLM-5.2 é uma capacidade de fronteira que pode possuir.
O veredicto da arena sobre o Mistral Large 3
Escolha o Mistral Large 3 se você quer um carro-chefe de open weights com governança europeia para RAG multilíngue, trabalho com documentos longos ou deploys auto-hospedados: em relação ao Mistral Large 2 (denso de 123B, licença de pesquisa restritiva, API a $2/$6) ele é um upgrade claro em contexto, multimodalidade, licenciamento e custo. Evite-o como seu motor principal de código ou de raciocínio profundo; DeepSeek V3.2, GLM-4.6 ou os modelos proprietários de fronteira pontuam materialmente mais alto nisso. Trate-o como um pau para toda obra barato e confiável, não como um performer de fronteira.
O que a multidão diz
Sobre o GLM-5.2
“yok”
“The verbosity is not a detail. 43k output tokens for a task Opus does in 15k means my cheap model is not cheap, and 75 seconds per answer killed it for our support bot. Great for batch, useless interactive.”
“1M context that actually stays coherent. Fed it a 400k-token monorepo and the cross-file reasoning was better than anything else I can self-host. 153 tokens/s makes the long reasoning bearable.”
“Swapped it in for our agentic refactor jobs and it held up against Opus 4.8 at a fraction of the bill. The MIT weights are what sold my CTO: we can move it in-house if Z.ai ever changes the terms.”
Sobre o Mistral Large 3
Nenhum veredicto ainda. Seja o primeiro a falar.
Continue comparando
Perguntas frequentes
O GLM-5.2 é melhor que o Mistral Large 3?
Em Raciocínio, o GLM-5.2 pontua mais alto (4.5/5 vs 3/5). A escolha certa depende do seu caso de uso. A comparação linha por linha nesta página detalha preços, especificações principais e notas da arena.
Qual é mais barato, GLM-5.2 ou Mistral Large 3?
O Mistral Large 3 é mais barato: começa em $1.50/1M out, enquanto o GLM-5.2 começa em $4.40/1M out.
Quanto custam GLM-5.2 e Mistral Large 3 por 1M de tokens?
GLM-5.2: $1.40/1M in (cache hit $0.26) por 1M de tokens de entrada, $4.40/1M out por 1M de tokens de saída. Mistral Large 3: $0.50/1M in por 1M de tokens de entrada, $1.50/1M out por 1M de tokens de saída.