GLM-5.2와 Claude Code ultracode: 무슨 일이 벌어지고 있는가

게시 2026/07/21 업데이트 2026/07/22

By BLUEBUG

55 분읽는 시간

작성일자: 2026-07-21

이 글의 배경 — Threads에 올라온 게시물이 담고 있는 내용
Claude Code 화면 속 정보 읽기: v2.1.185, ultracode, xhigh
GLM-5.2란 무엇인가 — 출시 배경과 기본 사양
Claude Code에서 GLM-5.2를 쓴다는 것의 실제 의미
Ultracode와 effort 체계 전체 구조
벤치마크 수치 상세 해설 — FrontierSWE / PostTrainBench / SWE-Marathon
실사용자 반응이 말해주는 것 — 속도, 캐시, 비용
지정학적 맥락 — 왜 하필 이 시점에 오픈소스로 나왔는가
하네스 엔지니어링 관점에서 본 함의
구조도(Mermaid)
확인된 사실과 미확인 주장의 구분
참고 자료

1. 이 글의 배경 — Threads에 올라온 게시물이 담고 있는 내용

https://www.threads.com/@voidlight00/post/DZ14bNcD18l
ClaudeCode 에서 기존에 4.7 쓰다가 이번에 GLM 5.2로 업데이트!! 했습니다
으흐흐 울트라코드로 웬만한 작업 야무지게 가성비 챙깁니다~~
https://www.threads.com/@voidlight00/post/DZ14bJ2j-Np
GLM-5.2는 허깅페이스 기준 753B 파라미터의 MoE 구조이고, 컨텍스트 윈도우가 1M 토큰입니다. 직전 GLM-5.1이 200K 수준이었으니 5배 확장입니다.
추론 강도를 High와 Max 두 단계로 고를 수 있는 것도 새로 들어왔습니다.
High는 성능과 토큰 효율의 균형을 잡고, Max는 어려운 작업에 연산을 더 쏟습니다.
그리고 이 모든 게 GLM-5.1과 동일한 API 가격으로 나왔습니다.
컨텍스트는 5배로 늘었는데 단가는 그대로입니다

공유해주신 두 건의 Threads 게시물(voidlight00 계정)과 첨부된 세 장의 화면은 하나의 흐름으로 연결되어 있습니다. 첫 번째 게시물은 Claude Code라는 도구에서 기존에 쓰던 Claude Opus 4.7 대신 중국 Z.ai(구 Zhipu AI)의 GLM-5.2 모델로 백엔드를 바꿔서 “울트라코드(ultracode)”라는 최고 효율 모드로 코딩 작업을 돌리고 있다는 실사용 후기이고, 여기에 달린 댓글들은 속도 저하, 캐시 파손, 비용 절감 효과 등 실무자들의 현실적인 반응을 담고 있습니다. 두 번째 게시물은 GLM-5.2의 기술 사양 — 753B 파라미터 MoE 구조, 1M 토큰 컨텍스트, High/Max 두 단계 추론 강도, GLM-5.1과 동일한 API 가격 — 을 정리한 내용입니다. 첨부된 벤치마크 차트는 Opus 4.8, GLM-5.2, GPT-5.5, Opus 4.7, Gemini 3.1 Pro 다섯 모델을 FrontierSWE, PostTrainBench, SWE-Marathon 세 가지 장시간 과제 벤치마크로 비교한 결과입니다.

아래에서는 이 세 가지 요소 — Claude Code의 도구적 맥락, GLM-5.2라는 모델 자체, 그리고 벤치마크 수치 — 를 각각 검증된 정보를 바탕으로 상세히 풀어드립니다.

2. Claude Code 화면 속 정보 읽기: v2.1.185, ultracode, xhigh

첨부된 첫 번째 화면은 Claude Code 버전 2.1.185가 실행 중인 터미널 인터페이스로, 상단에 “glm-5.2 with xhigh effort”라는 표시와 함께 /Users/voidlight라는 작업 경로가 나타나 있습니다. 하단에는 모델 표기가 [M] glm-5.2로, 브랜치 정보가 [D] voidlight git:(main)으로 표시되어 있고, bypass permissions on이라는 문구도 확인됩니다. 이는 Claude Code가 Anthropic 자사 모델뿐 아니라 호환 API를 제공하는 제3자 모델도 백엔드로 연결해서 쓸 수 있다는 것을 보여주는 장면입니다. 화면에 표시된 /effort 명령어는 “Set effort level to ultracode”라는 안내문과 함께 나타나 있어, 사용자가 효과(effort) 단계를 최상위인 ultracode로 설정하려는 시점임을 알 수 있습니다. 두 번째 화면은 단순히 “ultracode”라는 단어 자체를 강조해서 보여주는 장면입니다.

이 두 장면이 의미하는 바는, Claude Code가 ANTHROPIC_BASE_URL, ANTHROPIC_AUTH_TOKEN 같은 환경변수를 통해 백엔드 모델 제공자를 Anthropic 공식 API가 아닌 Z.ai의 호환 엔드포인트로 리다이렉트하고 있다는 것입니다. Claude Code 자체는 sonnet, opus, haiku라는 세 가지 모델 이름을 내부적으로 하드코딩해 두고 있는데, ANTHROPIC_MODEL과 ANTHROPIC_SMALL_FAST_MODEL 같은 환경변수로 이 이름들을 실제로는 GLM-5.2 같은 다른 모델 ID로 리매핑하는 방식이 커뮤니티에서 널리 쓰이고 있습니다. Z.ai는 자사 API가 Anthropic Messages 포맷을 그대로 지원하도록 만들어 두었기 때문에, 별도의 프록시 서버 없이도 Claude Code나 Cline 같은 도구에 설정 변경만으로 바로 연결됩니다.

한 가지 짚어드릴 부분은, Claude Code 공식 문서상 ultracode라는 이름 자체는 API가 받는 정식 effort 값이 아니라는 점입니다. Claude Code 문서는 ultracode를 “xhigh 효과 단계에 멀티에이전트 워크플로우를 자동으로 실행할 수 있는 상시 권한을 결합한 것”이라고 정의하고 있으며, API 차원에서는 low, medium, high, xhigh, max 다섯 단계만 존재합니다. 즉 화면에 보이는 “glm-5.2 with xhigh effort”라는 표시는, 모델이 실제로 받는 effort 파라미터는 xhigh이고, ultracode는 그 위에 얹힌 Claude Code 자체의 세션 설정(자동 워크플로우 오케스트레이션)이라는 의미로 해석하는 것이 정확합니다.

3. GLM-5.2란 무엇인가 — 출시 배경과 기본 사양

GLM-5.2는 중국 베이징 소재 Z.ai(옛 이름 Zhipu AI, 홍콩 증시 상장명 Knowledge Atlas Technology)가 2026년 6월 13일 자사 GLM Coding Plan 구독자들에게 먼저 공개하고, 이후 6월 16~17일경 Hugging Face에 오픈 가중치를 공개한 모델입니다. MIT 라이선스로 배포되어 지역 제한 없이 누구나 내려받아 상업적으로 활용할 수 있습니다.

모델 구조는 Mixture-of-Experts(MoE) 방식으로, 총 파라미터 수는 출처에 따라 744B 또는 753B로 표기되는데 이는 반올림 방식의 차이로 보이며, 실제로 활성화되는 파라미터는 토큰당 약 40B 수준으로 GLM-5.1과 동일합니다. 가장 큰 변화는 컨텍스트 윈도우로, GLM-5.1이 약 20만(200K) 토큰이었던 데 비해 GLM-5.2는 100만(1M) 토큰으로 다섯 배 확장되었고, 최대 출력 토큰은 128K 수준입니다. 추론 강도는 High와 Max(=xhigh) 두 단계로 선택할 수 있어, High는 성능과 토큰 효율의 균형을, Max는 어려운 과제에 더 많은 연산을 투입하는 방식으로 동작합니다.

가격 정책 면에서는 Z.ai의 공식 API 기준 입력 1M 토큰당 약 1.40달러, 출력 1M 토큰당 약 4.40달러로, 이는 GLM-5.1과 동일한 단가입니다. 즉 컨텍스트 용량은 다섯 배 늘었는데 단가는 그대로 유지된 셈이며, 이는 원게시물에서 언급한 내용과 정확히 일치합니다. 참고로 이 가격은 Anthropic의 Claude 계열 모델 대비 상당히 저렴한 편으로, 여러 매체에서 3배에서 7배가량 저렴하다고 분석하고 있습니다.

GLM-5.2 공개 시점은 공교롭게도 미국 상무부가 수출통제 차원에서 Anthropic의 Fable 5·Mythos 5 모델에 대한 해외 접근을 일시 중단시킨 시점과 겹쳤습니다(이 접근 중단은 2026년 6월 30일 수출통제가 해제되면서 7월 1일 복원되었습니다). 이 때문에 일부 실리콘밸리 관계자들 사이에서는 GLM-5.2의 등장이 “또 하나의 딥시크(DeepSeek) 모먼트”로 불리기도 했습니다. 실제로 전직 메타·구글 딥마인드 부사장 출신인 Matt Velloso는 X(트위터)에서 GLM-5.2를 종일 사용해본 뒤 “일상적으로 쓸 만한 수준을 처음으로 통과한 오픈 모델”이라고 평가했다고 South China Morning Post가 보도했습니다.

4. Claude Code에서 GLM-5.2를 쓴다는 것의 실제 의미

Claude Code는 원래 Anthropic 자사 모델을 위해 설계된 도구이지만, Bedrock·Vertex AI 등 호환 제공자를 통한 연결을 공식적으로 지원하는 구조를 갖고 있어, 이 구조를 활용하면 Z.ai처럼 Anthropic Messages 포맷과 호환되는 API를 제공하는 제3자 모델도 백엔드로 붙일 수 있습니다. 파일 읽기, 코드 편집, bash 실행, 멀티턴 대화 등 대부분의 핵심 기능은 정상 작동하지만, Claude 아키텍처에 종속된 일부 확장 사고(extended thinking) 방식 등은 그대로 재현되지 않을 수 있다는 점이 여러 가이드 문서에서 공통적으로 언급됩니다.

원게시물 작성자가 밝힌 것처럼 이 사용 방식은 “Proxy server, API로 호출”하는 형태이며, 이는 GLM Coding Plan을 구독하거나 Z.ai API 키를 발급받아 ANTHROPIC_BASE_URL을 Z.ai 엔드포인트로 돌리는 전형적인 패턴입니다. 댓글에서 언급된 “클로드코드 업데이트되면 캐시 깨져서 GLM 토큰 녹는” 현상은, Claude Code가 버전업될 때 프롬프트 캐시 관련 내부 구조가 바뀌면서 제3자 백엔드와의 캐시 정합성이 깨지고, 그 결과 캐시 할인 없이 풀토큰 단가로 과금되는 상황을 가리키는 것으로 이해하는 것이 합리적입니다. 이는 공식적으로 문서화된 동작이라기보다는 실사용자들 사이에서 공유되는 경험적 트러블슈팅 지식에 가깝습니다.

5. Ultracode와 effort 체계 전체 구조

Claude Code의 effort 체계는 /effort 명령으로 조절하며, API 차원에서는 low → medium → high → xhigh → max의 다섯 단계로 구성되어 있고, 기본값은 high입니다. 이 다섯 단계는 하나의 컨텍스트 윈도우 안에서 추론을 얼마나 깊게 하느냐만 조절하는 것으로, 확장 사고(extended thinking)의 깊이와 도구 호출의 정교함, 텍스트 설명의 상세도에 함께 영향을 줍니다.

Ultracode는 이 다섯 단계 위에 별도로 얹힌 Claude Code 전용 세션 설정입니다. Anthropic의 공식 Effort 문서는 “Ultracode는 xhigh 효과 단계와, 멀티에이전트 워크플로우를 실행할 수 있는 상시 권한을 결합한 것”이라고 설명하고 있으며, API가 받아들이는 정식 effort 값 목록에는 포함되지 않는다고 명시하고 있습니다. 즉 ultracode를 켜면 (1) 모든 메시지에 xhigh 추론 강도가 적용되고, (2) 평소에는 프롬프트에 “workflow”라는 단어를 넣어야 트리거되던 동적 워크플로우 오케스트레이션(여러 서브에이전트를 병렬로 fan-out하는 구조)이 세션 내 모든 실질적인 작업에서 자동으로 발동합니다. 하나의 ultracode 세션이 수백 개의 서브에이전트를 생성할 수 있다는 설명도 있어, 속도보다 철저함과 정확도를 최우선하는 모드로 이해하시면 됩니다.

이 설정은 세션에 한정되며 세션을 재시작하면 초기화됩니다. 또한 xhigh 효과 단계 자체는 Opus 4.8처럼 xhigh를 지원하는 모델에서만 정식으로 동작하며, 이를 지원하지 않는 구형 모델에서 ultracode를 설정하면 조용히 high로 대체(fallback)된다는 점도 여러 문서에서 공통적으로 확인됩니다. 원게시물 화면에서는 이 ultracode 설정을 GLM-5.2라는 제3자 모델에 적용하려는 상황이 포착된 것으로, Claude Code라는 하네스의 effort/오케스트레이션 로직이 백엔드 모델과 독립적으로 작동한다는 점을 보여주는 흥미로운 사례입니다.

flowchart LR
    L1[low] --> L2[medium] --> L3[high] --> L4["xhigh (Extra)"] --> L5[max]
    L5 --> L6["ultracode<br/>xhigh 효과 + 동적 워크플로우 자동 오케스트레이션"]

6. 벤치마크 수치 상세 해설 — FrontierSWE / PostTrainBench / SWE-Marathon

첨부된 벤치마크 차트는 Z.ai가 GLM-5.2를 공개하며 자사 Hugging Face 블로그에 게재한 “Long-Horizon Task Evaluation” 결과와 정확히 일치합니다. 세 벤치마크 모두 1M 컨텍스트, max 효과 단계, 128K 최대 출력 토큰 조건에서 평가되었다고 Z.ai는 명시하고 있으며, 평가는 각각 외부 벤치마크 운영 기관(FrontierSWE는 Proximal, PostTrainBench는 PostTrainBench 팀, SWE-Marathon은 Abundant AI)이 수행한 것으로 표기되어 있습니다.

FrontierSWE는 시스템 최적화, 대규모 코드 구축, 응용 ML 연구 등 수 시간에서 수십 시간 규모의 개방형 기술 프로젝트를 에이전트가 얼마나 잘 완수하는지를 “우세 확률(dominance)” 방식으로 측정하는 벤치마크입니다.

모델	FrontierSWE (%)
Opus 4.8	75.1
GLM-5.2	74.4
GPT-5.5	72.6
Opus 4.7	63.0
Gemini 3.1 Pro	39.6

GLM-5.2는 Opus 4.8에 단 0.7%p 뒤처지고, GPT-5.5보다는 앞서며 Opus 4.7보다 11.4%p 높은 점수를 기록했습니다.

PostTrainBench는 각 에이전트에게 H100 GPU 한 장을 주고 소형 모델을 얼마나 잘 사후학습(post-training)으로 개선하는지를 겨루는, 실험적 ML 엔지니어링 역량을 재는 벤치마크입니다.

모델	PostTrainBench (%)
Opus 4.8	37.2
GLM-5.2	34.3
Opus 4.7	28.6
GPT-5.5	25.0
Gemini 3.1 Pro	21.6

여기서는 GLM-5.2가 Opus 4.7과 GPT-5.5를 모두 앞지르고 Opus 4.8에만 뒤이어 2위를 기록했습니다.

SWE-Marathon은 컴파일러 제작, 커널 최적화, 프로덕션급 서비스 개발 등 수 시간에서 수십 시간에 걸친 초장시간 소프트웨어 엔지니어링 과제 20개로 구성된 벤치마크로, 관련 논문(arXiv 2606.07682)에 따르면 로그된 에이전트 시도들의 평균 토큰 사용량이 2,720만 토큰에 달할 만큼 기존의 SWE-bench류 벤치마크보다 훨씬 긴 호흡을 요구합니다.

모델	SWE-Marathon (%)
Opus 4.8	26.0
Opus 4.7	16.0
GLM-5.2	13.0
GPT-5.5	12.0
Gemini 3.1 Pro	4.0

이 벤치마크에서는 GLM-5.2가 GPT-5.5는 근소하게 앞섰지만 Opus 계열(4.8, 4.7 모두)에는 상당한 격차로 뒤처집니다. Opus 4.8과의 격차가 13%p로 세 벤치마크 중 가장 큰 폭입니다.

세 벤치마크를 종합하면, GLM-5.2는 과제의 지속 시간이 길어질수록(FrontierSWE → PostTrainBench → SWE-Marathon 순으로 평균 소요 시간이 늘어남) Opus 4.8과의 격차가 벌어지는 경향을 보입니다. 참고로 GLM-5.2는 이 밖에도 SWE-bench Pro에서 62.1점(GPT-5.5의 58.6점을 상회), Terminal-Bench 2.1에서 81.0점을 기록했다고 알려져 있으며, Artificial Analysis Intelligence Index v4.1에서는 51점으로 오픈웨이트 모델 중 1위를 차지했다고 여러 매체가 보도했습니다.

7. 실사용자 반응이 말해주는 것 — 속도, 캐시, 비용

원게시물에 달린 댓글들을 정리하면 다음과 같은 세 갈래의 현실적 반응이 확인됩니다.

첫째, 속도 이슈입니다. “다 좋은데 느려서 미치겠다”는 댓글이 있었는데, 이는 ultracode 모드가 xhigh 추론 강도와 멀티에이전트 오케스트레이션을 동시에 발동시키는 구조이기 때문에 구조적으로 지연시간이 늘어날 수밖에 없다는 점과 부합합니다. Ultracode는 애초에 “속도나 비용을 전혀 최적화하지 않고, 가장 철저하고 정확한 답을 최우선”하도록 설계된 모드이기 때문에, 체감 속도 저하는 사양이지 결함이 아니라고 보는 편이 정확합니다.

둘째, 캐시 파손 이슈입니다. “클코 업데이트되면 캐시 깨져서 GLM 토큰 녹는다”는 경고는, Claude Code라는 하네스가 자체 업데이트될 때 프롬프트 구조나 시스템 프롬프트가 미세하게 바뀌면서 제3자 백엔드(GLM)의 프롬프트 캐시가 무효화되고, 그 결과 캐시 할인 없이 전체 토큰이 과금되는 상황을 가리킵니다. 이는 하네스와 모델 백엔드가 분리된 구조에서 발생하는 전형적인 정합성 문제로, 하네스 엔지니어링 논의와 직접 맞닿아 있는 지점입니다.

셋째, 비용 절감 관점입니다. “GPT-5.5, Opus 4.8을 월 100억 토큰 쓰는 헤비 유저 입장에서는 큰 체감이라기보다 간단한 작업의 토큰 비용 절감이 1순위”라는 댓글은, 이번 GLM-5.2 도입이 최상위 난이도 작업의 품질을 끌어올리기 위한 선택이라기보다, 일상적인 소규모 개발 작업에서 기존에 Opus급 모델을 써야 했던 부분을 더 저렴한 모델로 대체하려는 비용 최적화 전략에 가깝다는 점을 보여줍니다. 이는 앞서 정리한 벤치마크에서도 뒷받침되는데, GLM-5.2는 상대적으로 짧은 과제(FrontierSWE)에서는 Opus 4.8과 거의 대등하지만 초장시간 과제(SWE-Marathon)에서는 격차가 커지므로, “가벼운 작업은 GLM, 무거운 작업은 Opus”라는 라우팅 전략이 합리적인 근거를 갖습니다.

8. 지정학적 맥락 — 왜 하필 이 시점에 오픈소스로 나왔는가

GLM-5.2의 오픈소스 공개 시점은 미국의 대중국 AI 수출통제 흐름과 맞물려 여러 매체에서 정치적 의미로도 조명되었습니다. 미 상무부 산하 CAISI(Center for AI Standards and Innovation)는 2026년 7월 8일 GLM-5.2에 대한 평가를 완료했는데, 이 평가에 따르면 GLM-5.2는 공개 당시 가장 역량이 뛰어난 오픈웨이트 모델이었을 가능성이 높고, 전반적 역량은 2025년 12월 출시된 GPT-5.2와 유사하며, 사이버 역량은 2026년 2월 출시된 Opus 4.6과 유사한 수준으로 평가되었습니다. 다만 안전장치(safeguard) 측면에서는 GLM-5.2가 에이전트형 사이버 공격 도구 개발 지원을 허용하는 등 혼재된 평가를 받았고, 생물학 관련 민감 질문에 대한 차단 수준도 미국 기준 모델들보다 낮았다는 것이 CAISI의 결론입니다. 이 부분은 모델을 실무에 도입할 때 반드시 별도의 안전성 검토가 필요하다는 점을 시사합니다.

또한 로이터 보도에 따르면 Z.ai는 2026년 1월 홍콩 증시에 상장한 이후 GLM-5.2 출시를 전후해 시가총액이 2,000% 넘게 급등해 약 1,280억 달러(1조 홍콩달러 이상) 규모에 도달했으며, 상하이 이중 상장 계획도 발표한 상태입니다. 아울러 GLM-5.2는 화웨이 어센드(Ascend), T-Head, Moore Threads, Cambricon 등 중국 국산 칩에서의 구동을 출시 첫날부터 지원한다고 밝혀, 반도체 수출통제 국면에서 자국산 하드웨어 생태계를 키우려는 전략적 의도도 함께 읽힙니다.

9. 하네스 엔지니어링 관점에서 본 함의

이번 사례는 “하네스가 모델보다 중요하다”는 논지를 뒷받침하는 흥미로운 사례로 볼 수 있습니다. 첫째, Claude Code라는 하네스의 effort/오케스트레이션 로직(ultracode)이 백엔드 모델(GLM-5.2)과 완전히 분리된 계층에서 작동한다는 점이 화면상으로 확인되는데, 이는 하네스 계층의 스케줄링·오케스트레이션 기능이 특정 모델에 종속되지 않고 이식 가능하다는 것을 시사합니다. 둘째, 댓글에서 지적된 캐시 파손 문제는 하네스(Claude Code)와 백엔드(GLM-5.2 프록시) 사이의 암묵적 계약이 하네스 업데이트만으로도 깨질 수 있다는 것을 보여주는 실전 사례로, 하네스 감사(harness audit)와 버전 간 호환성 검증이 왜 지속적으로 필요한지에 대한 근거가 됩니다. 셋째, 벤치마크상 GLM-5.2가 과제 길이가 길어질수록 Opus 4.8과의 격차가 벌어지는 패턴은, “어떤 모델을 쓸 것인가”보다 “어떤 작업 유형에 어떤 모델을 라우팅할 것인가”라는 하네스 설계 문제로 이어집니다. 실제로 댓글에서 나온 “간단한 작업은 저렴한 모델로, 복잡한 오케스트레이션은 상위 모델로”라는 전략은 GPT-5.6 계열(Luna/Terra/Sol)에서 이미 적용하고 계신 라우팅 전략과 구조적으로 동일한 패턴입니다.

10. 구조도(Mermaid)

flowchart TD
    subgraph ZAI["Z.ai (Zhipu AI)"]
        GLM["GLM-5.2 모델<br/>753B(활성 40B) MoE, 1M 컨텍스트<br/>2026-06-13 공개, MIT 라이선스"]
    end

    subgraph DIST["배포 경로"]
        CP["GLM Coding Plan<br/>(구독형, 세션당 프롬프트 한도)"]
        API["Z.ai 표준 API<br/>Anthropic Messages 포맷 호환"]
        HF["Hugging Face 오픈 가중치"]
    end

    subgraph HARNESS["Claude Code (하네스 계층)"]
        PROXY["ANTHROPIC_BASE_URL 리다이렉트"]
        EFFORT["/effort 명령: low~max 5단계"]
        ULTRA["ultracode<br/>xhigh + 동적 워크플로우 자동 오케스트레이션"]
    end

    subgraph RESULT["실사용 결과 (커뮤니티 보고)"]
        COST["경량 작업 토큰 비용 절감"]
        SPEED["체감 속도 저하"]
        CACHE["하네스 업데이트 시<br/>프롬프트 캐시 파손 위험"]
    end

    GLM --> CP
    GLM --> API
    GLM --> HF
    CP --> PROXY
    API --> PROXY
    PROXY --> EFFORT
    EFFORT --> ULTRA
    ULTRA --> COST
    ULTRA --> SPEED
    ULTRA --> CACHE

11. 확인된 사실과 미확인 주장의 구분

확인된 사실(복수의 독립적 출처로 교차 검증됨): GLM-5.2의 2026년 6월 13일 GLM Coding Plan 출시 및 6월 16~17일경 MIT 오픈 가중치 공개, 753B(또는 744B) 총 파라미터/약 40B 활성 MoE 구조, 200K에서 1M으로의 컨텍스트 확장, High/Max 추론 모드, GLM-5.1과 동일한 API 단가($1.40/$4.40 per M 토큰), FrontierSWE·PostTrainBench·SWE-Marathon 세 벤치마크 수치(Z.ai 공식 Hugging Face 블로그 게시 및 다수의 2차 매체 재확인), Claude Code의 ultracode/effort 체계(Anthropic 공식 문서 확인).
정부 기관의 독립 평가: CAISI(미 상무부 산하)가 2026년 7월 8일 공개한 평가 결과로, 벤더 자체 발표가 아닌 제3자 검증 성격을 가집니다.
커뮤니티/실사용자 보고 수준의 정보(벤더 공식 문서화는 아님): “Claude Code 업데이트 시 캐시가 깨진다”는 현상, ultracode 사용 시 체감 속도 저하 정도, 특정 개인의 토큰 사용량(“월 100억 토큰”)과 같은 개별 사용자 진술은 원게시물 작성자 본인의 경험담으로, 일반화된 공식 수치가 아니라는 점을 유의해서 참고하시기 바랍니다.
표기 차이: 총 파라미터 수가 744B로 표기된 자료와 753B로 표기된 자료가 공존하는데, 이는 반올림 기준 차이로 보이며 어느 쪽이 틀렸다고 단정할 근거는 확인되지 않았습니다.

12. 참고 자료

Z.ai 공식 GLM-5.2 블로그(벤치마크 원본 수치): https://huggingface.co/blog/zai-org/glm-52-blog
GLM-5.2 모델 카드: https://huggingface.co/zai-org/GLM-5.2-FP8
NIST CAISI GLM-5.2 평가: https://www.nist.gov/news-events/news/2026/07/caisi-assessment-zais-glm-52
South China Morning Post, “Zhipu AI releases harness for GLM-5.2 model as Chinese firm takes aim at Anthropic”: https://www.scmp.com/tech/tech-trends/article/3359170/zhipu-ai-releases-harness-glm-52-model-chinese-firm-takes-aim-anthropic
South China Morning Post, “China’s Zhipu AI sparks new ‘DeepSeek moment’”: https://www.scmp.com/tech/big-tech/article/3358434/chinas-zhipu-ai-sparks-new-deepseek-moment-cost-effective-coding-model
CGTN, “Chinese AI steps onto global stage as GLM-5.2 narrows frontier gap”: https://news.cgtn.com/news/2026-06-30/Chinese-AI-steps-onto-global-stage-as-GLM-5-2-narrows-frontier-gap-1OoU38NBLHO/p.html
SWE-Marathon 논문(arXiv 2606.07682): https://arxiv.org/html/2606.07682
Anthropic Claude Platform Docs, “Effort”: https://platform.claude.com/docs/en/build-with-claude/effort
Claude Code Docs, “Model configuration”: https://code.claude.com/docs/en/model-config
OpenRouter GLM-5.2 모델 페이지(가격·컨텍스트 사양): https://openrouter.ai/z-ai/glm-5.2
Morph, “Use a Different LLM (Custom Model) with Claude Code”: https://www.morphllm.com/use-different-llm-claude-code
원본 Threads 게시물: https://www.threads.com/@voidlight00/post/DZ14bNcD18l , https://www.threads.com/@voidlight00/post/DZ14bJ2j-Np

13. 별첨 — Claude Code를 GLM-5.2(Z.ai)에 연결하는 방법: 프록시·API 호출 상세 가이드

본문 4장에서 다룬 “Proxy server, Api로 호출합니다”라는 원게시물 답변을 실제로 재현하려면 어떤 절차를 거치는지, 그리고 그 과정에서 왜 캐시 파손이나 속도 문제가 발생하는지를 기술적으로 좀 더 깊이 풀어드립니다. 아래 내용은 Z.ai 공식 개발자 문서와 다수의 독립적인 커뮤니티 셋업 가이드를 교차 확인해 정리한 것이며, Anthropic이 공식적으로 지원·보증하는 기능이 아니라 Claude Code의 개방적인 백엔드 재지정 구조를 이용한 서드파티 활용법이라는 점을 먼저 밝혀둡니다.

13-1. “프록시”의 정확한 의미 — 별도 서버가 아니라 엔드포인트 리다이렉트

원게시물의 “프록시”라는 표현은 사용자가 직접 중계 서버를 세운다는 뜻이라기보다, Claude Code가 API를 호출하는 목적지 주소(base URL) 자체를 Anthropic 공식 서버에서 Z.ai 서버로 바꿔치기한다는 의미로 이해하는 것이 정확합니다. Claude Code는 원래 기업 환경에서 Amazon Bedrock이나 Google Vertex AI 같은 대체 백엔드로 요청을 우회시킬 수 있도록 설계되어 있는데, Z.ai는 이 우회 지점에 Anthropic Messages API와 동일한 요청·응답 스키마를 구현한 서버를 얹어 두었습니다. 그 결과 Claude Code 입장에서는 상대가 Anthropic인지 Z.ai인지 구분하지 못한 채 평소와 똑같은 방식으로 통신하고, 실제 추론은 Z.ai 서버 위의 GLM-5.2가 수행한 뒤 그 결과를 다시 Anthropic 응답 포맷으로 감싸서 돌려주는 구조입니다.

여기서 반드시 구분해야 할 것은, Z.ai가 실제로 두 종류의 서로 다른 엔드포인트를 운영하고 있으며 이 둘을 혼용하면 연결 자체가 깨진다는 점입니다.

엔드포인트	주소	포맷	용도
Anthropic 호환 엔드포인트	`https://api.z.ai/api/anthropic`	Anthropic Messages API	Claude Code, Claude Agent SDK 등 Anthropic 포맷을 그대로 쓰는 도구 전용
OpenAI 호환 엔드포인트	`https://api.z.ai/api/paas/v4/`	OpenAI Chat Completions	자체 애플리케이션에서 OpenAI SDK로 직접 통합할 때

Claude Code에는 반드시 /api/anthropic로 끝나는 첫 번째 주소를 넣어야 하며, 두 번째 주소를 잘못 넣으면 요청·응답 스키마 자체가 달라서 첫 호출부터 오류가 발생합니다.

13-2. 진입 경로 두 가지 — GLM Coding Plan 구독 vs Z.ai API 키 발급

이 연결 방식을 쓰려면 먼저 인증 수단이 있어야 하며, 여기에는 두 갈래 경로가 있습니다. 하나는 GLM Coding Plan을 구독해 발급받는 코딩 전용 키이고, 다른 하나는 Z.ai 콘솔에서 발급받는 일반 API 키(종량제)입니다. 두 경로 모두 최종적으로는 ANTHROPIC_AUTH_TOKEN 자리에 들어갈 키 하나를 얻는다는 점에서는 같지만, 과금 방식이 근본적으로 다릅니다.

GLM Coding Plan은 토큰이 아니라 “5시간 롤링 윈도우당 프롬프트 횟수”로 한도를 매기는 정액제 구조로, 2026년 7월 기준 확인된 가격은 다음과 같습니다.

티어	정가(월)	연간 결제 시(월 환산)	주간 프롬프트 한도(대략)
Lite	$18	약 $12.60	약 400회
Pro	$72	약 $50.40	약 2,000회
Max	$160	약 $112	약 8,000회

세 티어 모두 GLM-5.2·GLM-5-Turbo·GLM-4.7·GLM-4.5-Air를 동일하게 포함하며, 차이는 순전히 할당량과 피크시간 우선순위에 있습니다. 다만 이 가격은 2026년 6월 출시 초기 대비 인상된 수치이므로(초기에는 Pro가 더 저렴하게 소개된 자료도 있었습니다), 실제 구독 전에는 Z.ai 공식 구독 페이지에서 현재가를 재확인하시는 것이 안전합니다.

반면 종량제 API 키를 쓰면 GLM Coding Plan의 프롬프트 횟수 제한 없이 입력 1M 토큰당 약 1.40달러, 출력 1M 토큰당 약 4.40달러가 그대로 청구됩니다. 이는 본문 3장에서 언급한, GLM-5.1과 동일하게 유지된 Z.ai 공식 단가입니다. 다만 OpenRouter나 DeepInfra 같은 제3자 모델 마켓플레이스에서는 공급자 간 경쟁으로 인해 입력 0.90~3.00달러, 출력 3.00~10.25달러 수준의 서로 다른 가격이 형성되어 있으므로, “GLM-5.1과 동일한 가격”이라는 원게시물의 설명은 Z.ai가 직접 제공하는 공식 API 단가에 한정해서 성립하는 이야기이고, 제3자 재판매 경로까지 포함하면 가격이 달라질 수 있다는 점을 짚어드립니다.

13-3. 실제 설정 방법 — 세 가지 패턴

커뮤니티에서 실제로 쓰이는 설정 방식은 크게 세 가지이며, 뒤로 갈수록 평소 Anthropic 정식 계정 사용 환경과의 충돌 가능성이 낮아집니다.

(1) 세션 한정 환경변수 방식 — 터미널을 열 때마다 임시로 지정하는 가장 단순한 방법입니다.

  
export ANTHROPIC_BASE_URL="https://api.z.ai/api/anthropic"
export ANTHROPIC_AUTH_TOKEN="여기에_Z.ai_키_입력"
claude

(2) ~/.claude/settings.json 영구 설정 방식 — Z.ai 공식 개발자 문서가 권장하는 방식으로, 파일에 한 번 적어 두면 이후 claude 명령을 실행할 때마다 자동으로 적용됩니다.

  
{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "여기에_Z.ai_키_입력",
    "ANTHROPIC_BASE_URL": "https://api.z.ai/api/anthropic",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.7",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2[1m]",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
    "API_TIMEOUT_MS": "3000000"
  }
}

이 방식의 문제는, 평소 Anthropic 정식 계정으로 Claude Code를 쓰는 경우 이 파일을 그대로 덮어쓰면 전역 설정이 GLM 전용으로 바뀌어 버린다는 점입니다.

(3) 별칭(alias)·함수로 감싸서 기존 설정과 완전히 분리하는 방식 — 커뮤니티에서 가장 안전하다고 평가받는 패턴으로, 평소 쓰는 claude 명령은 그대로 Anthropic 정식 API를 바라보게 두고, GLM을 쓰고 싶을 때만 별도 명령으로 호출합니다.

  
# ~/.zshrc 또는 ~/.bashrc에 추가
function claude-zai() {
  ANTHROPIC_BASE_URL="https://api.z.ai/api/anthropic" \
  ANTHROPIC_AUTH_TOKEN="$ZAI_API_KEY" \
  ANTHROPIC_DEFAULT_SONNET_MODEL="glm-5.2[1m]" \
  ANTHROPIC_DEFAULT_OPUS_MODEL="glm-5.2[1m]" \
  ANTHROPIC_DEFAULT_HAIKU_MODEL="glm-4.7" \
  claude "$@"
}

이렇게 해두면 평소에는 claude, GLM-5.2로 작업하고 싶을 때는 claude-zai를 입력하는 식으로 두 백엔드를 명확히 구분해서 쓸 수 있습니다. 별도 설정 파일과 --bare --settings 경로 조합으로 완전히 격리된 프로필을 두는, 조금 더 정교한 커뮤니티 구현도 확인되지만 이는 개인이 만든 비공식 스크립트에 의존하는 방식이라 도입 전 코드 내용을 직접 검토하시길 권합니다.

13-4. 설정 필드 하나씩 뜯어보기

필드	의미
`ANTHROPIC_BASE_URL`	Claude Code가 요청을 보낼 목적지 주소. 기본값(Anthropic 공식 서버) 대신 Z.ai 주소로 재지정
`ANTHROPIC_AUTH_TOKEN`	Z.ai에서 발급받은 인증 키. GLM Coding Plan 키 또는 종량제 API 키 둘 다 이 자리에 들어감
`ANTHROPIC_DEFAULT_SONNET_MODEL` / `ANTHROPIC_DEFAULT_OPUS_MODEL` / `ANTHROPIC_DEFAULT_HAIKU_MODEL`	Claude Code 내부적으로 하드코딩된 `sonnet`·`opus`·`haiku` 세 별칭을 실제로는 어떤 GLM 모델 ID로 매핑할지 지정. `glm-5.2[1m]`의 대괄호 표기는 1M 컨텍스트 변형을 명시적으로 호출한다는 뜻
`CLAUDE_CODE_AUTO_COMPACT_WINDOW`	대화가 길어질 때 자동 압축(컨텍스트 요약)이 발동하는 토큰 기준선. GLM-5.2의 1M 컨텍스트를 온전히 활용하려면 기본값(Anthropic 모델 기준)보다 크게 잡아주는 것이 일반적
`CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC`	원격 측정(telemetry) 등 필수적이지 않은 부가 통신을 끄는 옵션
`API_TIMEOUT_MS`	요청 타임아웃(밀리초). GLM-5.2가 ultracode처럼 다수의 서브에이전트를 오케스트레이션하며 오래 응답을 생성할 때를 대비해 넉넉히 잡아두는 것이 일반적

13-5. 최초 실행 시 체크포인트와 버전 호환성

설정을 마쳤다고 바로 반영되는 것은 아닙니다. 환경변수는 터미널(또는 Claude Code) 프로세스가 시작되는 시점에 한 번 읽히기 때문에, 이미 열려 있던 세션에는 새 설정이 반영되지 않습니다. 따라서 설정을 바꾼 뒤에는 반드시 기존 창을 모두 닫고 새 터미널을 연 뒤 claude를 다시 실행해야 합니다. 처음 Z.ai 엔드포인트로 접속하면 “이 API 키를 사용하시겠습니까?”라는 확인 프롬프트가 뜨는데, 여기서 예(Yes)를 선택해야 정상적으로 연결됩니다.

버전 호환성도 짚어둘 부분입니다. Z.ai 공식 문서는 “Claude Code 2.0.14 및 이후 버전과의 호환성을 검증했다”고 명시하고 있는데, 원게시물 화면에 나온 버전은 2.1.185로 이 범위 안에 들어옵니다. 반대로 너무 오래된 Claude Code 빌드를 쓰면 “해당 모델이 존재하지 않는다”는 오류가 뜨는 경우가 있는데, 이는 GLM 쪽 문제가 아니라 Claude Code 자체가 구버전이라 생기는 문제일 때가 많으므로 claude --version으로 확인하고 claude update로 최신화하는 것이 먼저입니다.

13-6. “캐시가 깨진다”는 현상의 기술적 배경 — 본문 7장 내용 심화

본문 7장에서 다룬 “클코 업데이트되면 캐시 깨져서 GLM 토큰 녹는다”는 댓글을, 프롬프트 캐시가 실제로 어떻게 동작하는지와 연결해 조금 더 구체적으로 설명드립니다. Claude Code는 시스템 프롬프트, 도구(tool) 정의, 대화 이력 앞부분처럼 매 요청마다 반복되는 내용을 cache_control 브레이크포인트로 표시해 캐시 접두어(prefix)로 고정시키고, 이 접두어가 이전 요청과 바이트 단위로 완전히 동일할 때만 캐시가 적중해 90% 안팎의 할인된 단가가 적용됩니다. 커뮤니티 분석에 따르면 이 접두어에는 대화의 첫 메시지에 포함된 스킬 목록·MCP 서버 정보 같은 첨부 블록과, cc_version 형태의 버전 지문(fingerprint)이 함께 들어가는데, Claude Code가 업데이트되면 이 지문 값 자체가 바뀌면서 시스템 프롬프트 전체가 “새로운 내용”으로 취급되어 캐시가 한꺼번에 무효화됩니다.

문제는 Z.ai의 Anthropic 호환 엔드포인트가 이 캐시 채점 방식을 그대로 흉내 내어 구현되어 있다는 점입니다. 즉 Claude Code 자체의 업데이트 때문에 캐시가 깨지는 현상은 Anthropic 정식 백엔드를 쓰든 GLM 백엔드를 쓰든 동일하게 발생할 수 있는데, GLM Coding Plan처럼 프롬프트 횟수가 고정된 정액제 구조에서는 캐시 할인 없이 매 턴 전체 컨텍스트를 새로 처리하게 되면서 체감상 “토큰이 순식간에 녹는” 현상으로 나타나는 것입니다. 이를 완화하기 위해 요청 접두어를 인위적으로 안정화해주는 별도의 캐시 최적화 프록시를 만들어 쓰는 커뮤니티 사례도 있으나, 이는 어디까지나 비공식 서드파티 도구이므로 실제 도입 전에는 코드와 유지보수 상태를 직접 검토하시는 것이 안전합니다.

13-7. 구조도 — 전체 호출 경로

flowchart TB
    subgraph USER["개발자 로컬 환경"]
        ENVCFG["환경변수 또는 settings.json"]
        CLI["Claude Code CLI"]
    end

    subgraph ROUTE["base URL 분기"]
        ANTOFFICIAL["Anthropic 공식 API<br/>(기본 경로, 미설정 시)"]
        ZAIEP["Z.ai Anthropic 호환 엔드포인트<br/>api.z.ai/api/anthropic"]
    end

    subgraph ZBACKEND["Z.ai 백엔드"]
        AUTHCHK["ANTHROPIC_AUTH_TOKEN 인증<br/>(Coding Plan 키 또는 API 키)"]
        MODELMAP["모델 별칭 매핑<br/>sonnet/opus 요청 -&gt; glm-5.2[1m]<br/>haiku 요청 -&gt; glm-4.7"]
        GLMRUN["GLM-5.2 추론 실행"]
    end

    ENVCFG -->|"ANTHROPIC_BASE_URL 지정 여부"| CLI
    CLI -->|"미지정 시 기본값"| ANTOFFICIAL
    CLI -->|"지정 시 재지정"| ZAIEP
    ZAIEP --> AUTHCHK --> MODELMAP --> GLMRUN
    GLMRUN -->|"Anthropic Messages 포맷으로 응답 변환"| ZAIEP
    ZAIEP -->|"CLI는 Anthropic 정식 응답으로 인식"| CLI

13-8. 실무 체크리스트

반드시 /api/anthropic으로 끝나는 Anthropic 호환 주소를 쓸 것 (OpenAI 호환 주소와 혼용 금지)
설정 변경 후에는 기존 터미널을 닫고 새 세션에서 실행할 것
claude --version으로 2.0.14 이상 여부를 먼저 확인할 것
평소 Anthropic 정식 계정 워크플로우와 분리하고 싶다면 전역 settings.json을 직접 덮어쓰지 말고 별칭·함수로 감쌀 것
GLM Coding Plan(정액제)과 종량제 API의 과금 구조가 다르다는 점을 이해하고, 사용 패턴(짧고 잦은 작업 vs 소수의 장시간 세션)에 맞게 고를 것
Claude Code를 업데이트한 직후에는 캐시가 새로 형성되는 첫 턴에서 평소보다 많은 토큰이 소모될 수 있음을 감안할 것
이 연결 방식은 Anthropic이 공식 지원·보증하는 기능이 아니라 서드파티 활용법이라는 점을 전제로, 보안·안정성 측면의 최종 판단은 직접 검증할 것

13-9. 별첨 참고 자료

Z.ai 공식 개발자 문서, “Claude Code - Overview”: https://docs.z.ai/devpack/tool/claude
GitHub, ankurkakroo2/claude-code-glm-setup (settings.json 예시 및 트러블슈팅): https://github.com/ankurkakroo2/claude-code-glm-setup
GitHub, MG-Cafe/claudecode-glm-stack (격리된 --bare --settings 구성 예시): https://github.com/MG-Cafe/claudecode-glm-stack
Digital Applied, “Run GLM-5.2 Inside Claude Code: The Full Setup Guide”: https://www.digitalapplied.com/blog/run-glm-5-2-inside-claude-code-setup-guide
Hwee-Boon Yar, “Z.ai Claude Code Setup: Cheaper GLM Coding Plan”: https://hboon.com/using-z-ai-with-claude-code-for-cheaper/
AI Engineer Guide, “How to use GLM-5.2 with Claude Code”: https://aiengineerguide.com/til/glm-5-2-claude-code/
Larridin, “Use GLM-5.2 in Claude Code and Cut Costs by Up to 50%”: https://larridin.com/blog/use-glm-5-2-claude-code-cut-costs-50
TECHSY, “GLM 5.2 Coding Plan: Limits, Pricing & 3-Week Test”: https://techsy.io/en/blog/glm-5-2-coding-plan
AI Pricing Guru, “GLM Coding Plan Limits 2026”: https://www.aipricing.guru/z-ai-subscription-pricing/
GitHub, cnighswonger/claude-code-cache-fix (프롬프트 캐시 회귀 이슈 분석): https://github.com/cnighswonger/claude-code-cache-fix

AI, Model

AI GLM-5.2 claude-code Ultracode effort-control Claude.write

GLM-5.2와 Claude Code ultracode: 무슨 일이 벌어지고 있는가

목차

1. 이 글의 배경 — Threads에 올라온 게시물이 담고 있는 내용

2. Claude Code 화면 속 정보 읽기: v2.1.185, ultracode, xhigh

3. GLM-5.2란 무엇인가 — 출시 배경과 기본 사양

4. Claude Code에서 GLM-5.2를 쓴다는 것의 실제 의미

5. Ultracode와 effort 체계 전체 구조

6. 벤치마크 수치 상세 해설 — FrontierSWE / PostTrainBench / SWE-Marathon

7. 실사용자 반응이 말해주는 것 — 속도, 캐시, 비용

8. 지정학적 맥락 — 왜 하필 이 시점에 오픈소스로 나왔는가

9. 하네스 엔지니어링 관점에서 본 함의

10. 구조도(Mermaid)

11. 확인된 사실과 미확인 주장의 구분

12. 참고 자료

13. 별첨 — Claude Code를 GLM-5.2(Z.ai)에 연결하는 방법: 프록시·API 호출 상세 가이드

13-1. “프록시”의 정확한 의미 — 별도 서버가 아니라 엔드포인트 리다이렉트

13-2. 진입 경로 두 가지 — GLM Coding Plan 구독 vs Z.ai API 키 발급

13-3. 실제 설정 방법 — 세 가지 패턴

13-4. 설정 필드 하나씩 뜯어보기

13-5. 최초 실행 시 체크포인트와 버전 호환성

13-6. “캐시가 깨진다”는 현상의 기술적 배경 — 본문 7장 내용 심화

13-7. 구조도 — 전체 호출 경로

13-8. 실무 체크리스트

13-9. 별첨 참고 자료

인기 태그