迁移至 GLM-5.2

本文介绍如何将调用从 GLM-4.5 GLM-4.6 GLM-4.7 GLM-5.1 或其它早期模型迁移到我们迄今为止最强的编码模型 GLM-5.2，涵盖采样参数差异、流式工具调用等要点。

GLM-5.2 的特性

• 支持更大上下文与输出：最大上下文 1M，最大输出 128K。
• 新增支持工具调用过程的流式输出（tool_stream=true），实时获取工具调用参数。
• 同 GLM-4.7 系列支持深度思考（thinking={ type: "enabled" }）。开启后，GLM-5.2 为模型自动判断是否思考，GLM-4.7 为强制思考。
• 新增 reasoning_effort 参数用于控制模型在开启“思维链”下的推理程度。
• 更卓越的代码性能和先进的推理能力。

迁移清单（Checklist）

• 更新模型编码为 glm-5.2
• 采样参数：temperature 默认值 1.0, top_p 默认值 0.95，建议只选一个进行调参
• 深度思考：按需关闭或启用 thinking={ type: "enabled" }，用于复杂推理/编码
• 控制推理程度: 配置 reasoning_effort 来决定 high - 增强推理 还是 max - 深度推理（默认值）
• 流式响应：启用 stream=true 并正确处理 delta.reasoning_content 与 delta.content
• 流式工具调用：启用 stream=true 和 tool_stream=true 并流式拼接 delta.tool_calls[*].function.arguments
• 最大输出与上下文：合理设置 max_tokens（GLM-5.2 最大输出 128K，上下文 1M）
• Prompt 优化：配合深度思考，采用更明确的指令与约束
• 开发环境验证：进行用例测试与回归，关注随机性、延迟、工具流中的参数完整性

开始迁移

1. 更新模型编码

• 将 model 更新为 glm-5.2。

resp = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "简述 GLM-5.2 的优势"}]
)

2. 更新采样参数

• temperature：控制随机性；数值更高更发散，数值更低更稳定。
• top_p：控制核采样；更高值扩大候选集，更低值收敛候选集。
• temperature 默认为 1.0, top_p 默认为 0.95, 不建议同时调整两者。

# Plan A：使用 temperature（推荐）
resp = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "写一段更具创意的品牌介绍"}],
    temperature=1.0
)

# Plan B：使用 top_p
resp = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "生成更稳定的技术说明"}],
    top_p=0.8
)

3. 深度思考（可选）

• GLM-5.2 延续支持深度思考能力，默认为开启。
• 在复杂推理、编码任务中，建议开启：

resp = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "为我设计一个三层微服务架构"}],
    thinking={"type": "enabled"}
)

• 控制推理程度，默认 max 深度推理：

resp = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "为我设计一个三层微服务架构"}],
    thinking={"type": "enabled"},
    reasoning_effort="max"
)

4. 流式输出与流式工具调用（可选）

• GLM-5.2 支持工具调用过程的实时流式构建与输出，默认 False 关闭，需同时打开：
  • stream=True：开启响应的流式输出
  • tool_stream=True：开启工具调用参数的流式输出

response = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "北京天气怎么样"}],
    tools=[
        {
            "type": "function",
            "function": {
                "name": "get_weather",
                "description": "获取指定地点当前的天气情况",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "location": {"type": "string", "description": "城市，例如：北京、上海"},
                        "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                    },
                    "required": ["location"]
                }
            }
        }
    ],
    stream=True,
    tool_stream=True,
)

# 初始化流式收集变量
reasoning_content = ""
content = ""
final_tool_calls = {}
reasoning_started = False
content_started = False

# 处理流式响应
for chunk in response:
    if not chunk.choices:
        continue

    delta = chunk.choices[0].delta

    # 流式推理过程输出
    if hasattr(delta, 'reasoning_content') and delta.reasoning_content:
        if not reasoning_started and delta.reasoning_content.strip():
            print("\n🧠 思考过程：")
            reasoning_started = True
        reasoning_content += delta.reasoning_content
        print(delta.reasoning_content, end="", flush=True)

    # 流式回答内容输出
    if hasattr(delta, 'content') and delta.content:
        if not content_started and delta.content.strip():
            print("\n\n💬 回答内容：")
            content_started = True
        content += delta.content
        print(delta.content, end="", flush=True)

    # 流式工具调用信息（参数拼接）
    if delta.tool_calls:
        for tool_call in delta.tool_calls:
            idx = tool_call.index
            if idx not in final_tool_calls:
                final_tool_calls[idx] = tool_call
                final_tool_calls[idx].function.arguments = tool_call.function.arguments
            else:
                final_tool_calls[idx].function.arguments += tool_call.function.arguments

# 输出最终的工具调用信息
if final_tool_calls:
    print("\n📋 命中 Function Calls :")
    for idx, tool_call in final_tool_calls.items():
        print(f"  {idx}: 函数名: {tool_call.function.name}, 参数: {tool_call.function.arguments}")

详见：工具流式输出文档

5. 测试与回归

在开发环境中先行验证迁移后的调用是否稳定，关注：

• 响应是否符合预期、是否出现过度随机或过度保守的输出
• 工具流式构建与输出是否正常
• 长上下文与深度思考场景下的延迟与成本

更多资源

核心参数

模型常见参数概念与采样建议

工具流式输出

查看工具流式输出使用详情

API 参考

查看完整的 API 文档

技术支持

获取技术支持和帮助