GLM-5.2: das chinesische Open-Weight-Modell, das die Lücke schließt, zumindest beim Coding

Als Z.ai, das Labor, das in China jeder noch als Zhipu AI kennt, im vergangenen Februar GLM-5 veröffentlichte, war die Botschaft bereits klar: Die GLM-Serie zielte nicht darauf ab, einfach nur wettbewerbsfähig zu sein, sie zielte darauf ab, für Softwareentwickler relevant zu sein. Dieses Modell mit 744 Milliarden Parametern und Mixture-of-Experts-Architektur hatte Leistungen auf den Tisch gelegt, die sich neben den großen proprietären Modellen nicht verstecken mussten, mit dem alles andere als nebensächlichen Unterschied der offenen Gewichte unter MIT-Lizenz. Etwas mehr als vier Monate später, am 13. Juni 2026, hat Z.ai den Einsatz erneut erhöht: GLM-5.2 erschien zuerst auf den Tiers des GLM Coding Plan, den Abonnementplänen für Entwickler, und dann am 16. Juni über die öffentliche API und auf Hugging Face mit frei herunterladbaren Gewichten.

Der Sprung von 5.1 auf 5.2 könnte wie ein inkrementelles Update erscheinen, die Art von Release, die Unternehmen nutzen, um zwischen den Zyklen sichtbar zu bleiben. Das ist es nicht. GLM-5.2 bringt einen Kontext von einer Million Token mit, den Z.ai zum ersten Mal in der Serie als "solide" bezeichnet – ein sorgfältig gewähltes Wort im Gegensatz zum Branchentrend, riesige Fenster zu bewerben, die in der Praxis schon ab einhunderttausend Positionen degradieren. Und es bringt eine Reihe von Ergebnissen in Long-Horizon-Coding-Benchmarks mit sich, die es verdienen, aufmerksam gelesen zu werden, ohne Emphase, aber auch ohne sie zu minimieren.

Architektur: 753 Milliarden mit spärlichem Gehirn

GLM-5.2 ist ein MoE-Modell mit insgesamt 753 Milliarden Parametern, wovon etwa 40 Milliarden pro Token aktiv sind. Das bedeutet, dass das Modell bei jeder Inferenz nur einen spezialisierten Bruchteil seines neuronalen Netzwerks "einschaltet", ähnlich wie ein Orchester, in dem nur die Musiker zusammenspielen, die für dieses Stück benötigt werden, nicht alle einhundertdreißig. Dies ermöglicht die Ausdruckskraft eines riesigen Modells bei wesentlich geringeren Rechenkosten im Vergleich zu einer äquivalenten dichten Architektur.

Die wichtigste architektonische Neuerung gegenüber GLM-5.1 ist eine Technik, die Z.ai in seiner Dokumentation IndexShare nennt und im Paper als IndexCache beschrieben wird. In Architekturen mit spärlicher Aufmerksamkeit (Sparse Attention), die es dem Modell ermöglichen, selektiv auf Teile des Kontextes zu "schauen", anstatt auf alles, heißt die Komponente, die entscheidet, wohin geschaut wird, Indexer. In GLM-5.2 teilen sich jeweils vier Schichten der spärlichen Aufmerksamkeit denselben Indexer, anstatt für jede einen separaten zu berechnen. Das Ergebnis ist eine Reduzierung der Berechnungen pro Token um das 2,9-fache bei einem Kontext von einer Million Token: eine Rechenersparnis, die dieses riesige Fenster wirklich nutzbar macht, nicht nur bewerbbar.

Die andere Verbesserung betrifft den MTP-Layer, den spekulativen Dekodierungsmechanismus, der es ermöglicht, mehr Token im Voraus zu generieren und sie dann zu verifizieren. Durch die Kombination von IndexShare mit einem gemeinsamen KV-Cache-System und einem Training mit End-to-End-TV-Loss hat Z.ai die Akzeptanzrate der spekulativen Token um 20 % gesteigert. In der Praxis bedeutet das: schnellere Antworten bei gleicher Qualität – ein relevantes Detail für diejenigen, die das Modell in agentischen Pipelines einsetzen, wo sich die Latenz durch Hunderte von Aufrufen vervielfacht.

Der Kontext von einer Million Token ist nicht nur eine Zahl für Pressemitteilungen. Z.ai hat monatelanges spezialisiertes Training auf Coding-Agent-Szenarien durchgeführt: groß angelegte Implementierungen, automatisierte Forschung, Leistungsoptimierung, komplexes Debugging. Das erklärte Ziel war es, dass das Modell nicht nur mehr Token im Input akzeptiert, sondern Qualität und Kohärenz über den gesamten Verlauf beibehält, was etwas völlig anderes ist. Die technische Dokumentation spricht explizit von "engineering judgments formed earlier", die das Modell "carry forward into subsequent execution" können muss: Architekturen verstehen, API-Einschränkungen im Gedächtnis behalten, Code-Konventionen respektieren, die zwanzig Bildschirme zuvor festgelegt wurden.

Die Benchmarks: wo es gewinnt, wo es folgt

Die ehrlichste Art, die Zahlen von GLM-5.2 zu lesen, besteht darin, sie nach Kategorien zu trennen, da das Modell nicht in allen Bereichen gleich stark ist. Gerade diese Selektivität macht es als Trendsignal interessanter als als bloßes Hype-Objekt.

Beim Standard-Coding ist GLM-5.2 das stärkste verfügbare Open-Weight-Modell. Auf Terminal-Bench 2.1 erreicht es 81.0 gegenüber 63.5 bei GLM-5.1 – ein Sprung von fast 18 Punkten, der sich nicht durch marginale Anpassungen erklären lässt. Auf SWE-bench Pro erzielt es 62.1 gegenüber 58.4 des Vorgängers und übertrifft damit Qwen3.7-Max (60.6), MiniMax M3 (59) und DeepSeek-V4-Pro (55.4). Claude Opus 4.8 bleibt mit 69.2 vorne, GPT-5.5 bleibt bei 58.6 stehen.

Überraschendes leistet GLM-5.2 bei den Long-Horizon-Benchmarks, die die Fähigkeit messen, komplexe technische Projekte abzuschließen, nicht nur einzelne Funktionen. Auf FrontierSWE, das die Fähigkeit misst, technische Projekte mit einer Dauer von Stunden oder Dutzenden von Stunden voranzutreiben, erreicht GLM-5.2 74.4 gegenüber 30.5 der Vorgängerversion: mehr als verdoppelt. Es liegt nur einen Prozentpunkt hinter Claude Opus 4.8 (75.1) und übertrifft GPT-5.5 (72.6) um fast zwei Punkte. Auf PostTrainBench, wo jedem Agenten eine H100-GPU zugewiesen wird, um kleinere Modelle durch Post-Training zu verbessern, erreicht GLM-5.2 34.3 und schlägt damit sowohl GPT-5.5 (28.4) als auch Claude Opus 4.7; es liegt nur hinter Opus 4.8 (37.2). Auf SWE-Marathon, dem brutalsten Prüfstand mit Aufgaben wie dem Bau von Compilern und der Entwicklung von Diensten auf Produktionsniveau, steigt das Modell von zuvor 1.0 auf 13.0, aber hier ist der Abstand zu Claude Opus 4.8 (26.0) immer noch deutlich.

Beim allgemeinen logischen Denken ist das Bild gemischter. Bei HLE (Humanity's Last Exam) erreicht GLM-5.2 40.5, was auf Augenhöhe mit GPT-5.5 (41.4) liegt, aber weit entfernt von Claude Opus 4.8 (49.8) und Gemini 3.1 Pro (45). Bei AIME 2026 erreicht es 99.2, was den dritten Platz in der Tabelle bedeutet. Das Gesamtprofil ist das eines Modells, das präzise für technische Arbeitslasten optimiert wurde, nicht das eines Allround-Generalisten.

Ein wichtiges Detail betrifft die Steuerung des "Anstrengungsniveaus" (Effort Level): GLM-5.2 bietet zwei Voreinstellungen, High und Max, mit denen Leistung und Latenz ausbalanciert werden können. In der Max-Einstellung verbraucht das Modell mehr Token, und die Daten von Artificial Analysis sind aufschlussreich: Bei der Bewertung des Intelligence Index generierte es 140 Millionen Token gegenüber einem Durchschnitt von 110 Millionen. Es ist also wortreicher als nötig, was sich in höheren Kosten pro Sitzung niederschlägt. Das ist kein versteckter Mangel, sondern eine Eigenschaft, die man kennen sollte, bevor man Produktions-Pipelines aufbaut. Bild aus dem github.com Repository

Praxistest: zwanzig Minuten Giro d'Italia

Es lohnt sich, von einem direkten Test zu berichten, mit all seinen von vornherein erklärten Einschränkungen. Ich habe die kostenlose Version des Chatbots auf chat.z.ai verwendet, die nicht die maximale Leistung des Modells bietet, einen reduzierten Kontext nutzt und keinen Zugriff auf die Effort Levels hat, mit einer bewusst knappen Anfrage: Erstelle eine Web-App, die historische Daten des Giro d'Italia nutzt und mit einer einfachen grafischen Animation die Zeitabstände zwischen vom Benutzer gewählten Fahrern in einer vom Benutzer angegebenen Edition visualisiert.

In etwa zwanzig Minuten lieferte das Modell ein vollständiges Projekt: Next.js 16 mit App Router, TypeScript, Tailwind CSS, animierte SVG-Komponenten für die Radfahrer, Architektur mit Route Handlern, einen Datensatz aus 37 historischen Editionen, proportionale Animation der Abstände, Geschwindigkeitsregler und Verstärkung des Gaps. Eine auf mehreren Ebenen gegliederte technische Spezifikation mit kohärenten architektonischen Entscheidungen und funktionierendem Code. Das Niveau der Organisation und des strukturellen Denkens war wirklich beeindruckend.

Die Grenze zeigte sich bei den Daten: Viele Zeiten der Fahrer und einige historische Ranglisten enthielten Fehler, was Korrekturanfragen erforderte. Das ist keine Überraschung; es handelt sich um spezifische Fakten, bei denen Modelle regelmäßig halluzinieren, und die kostenlose Version bietet sicherlich nicht die maximale Leistung des Modells. Dennoch liefern Tests von bekannten Experten mit kostenpflichtigen Plänen und vollem Zugriff deutlich bessere Coding-Ergebnisse, was bestätigt, dass der kostenlose Tier ein Einstiegspunkt ist und keine getreue Darstellung der Fähigkeiten des Modells. Screenshot der mit GLM 5.2 entwickelten Anwendung

Der Preis, der die Diskussion verändert

Das Detail, das GLM-5.2 zu einem ernsthaften Gesprächsthema für Entwicklungsteams macht, ist keiner der oben genannten Benchmarks. Es ist der Preis. Die Standalone-API, die seit dem 16. Juni aktiv ist, kostet 1,40 Dollar pro Million Token im Input und 4,40 im Output, wobei der Input-Cache bei 0,26 Dollar liegt – etwa ein Fünftel der normalen Kosten für wiederholten Kontext. Zum Vergleich: GPT-5.5 kostet 5 Dollar pro Million im Input und 30 im Output; Claude Opus 4.8 5 Dollar im Input und 25 im Output. Die durchschnittlichen Kosten von GLM-5.2 liegen bei etwa einem Sechstel von GPT-5.5.

Für ein Team, das agentisches Coding mit intensiven Pipelines betreibt – Hunderttausende von Token pro Sitzung, mehrere Sitzungen pro Tag –, ist der Unterschied nicht marginal. Es ist der Unterschied zwischen einem Dienst, der die Kosten mühsam ausbalanciert, und einem, der mit einer Marge rentabel ist.

Es gibt auch den GLM Coding Plan, das Flatrate-Abonnementmodell für diejenigen, die das Modell direkt in Tools wie Claude Code, Cline, OpenCode, Roo Code und einem Dutzend anderer kompatibler Entwicklungsumgebungen nutzen. Der Basis-Tier beginnt bei etwa 10-18 Dollar pro Monat, mit Kontingenten in Prompts pro Stundenzyklus anstatt pro Token – ein berechenbareres Preismodell für einzelne Entwickler. Der Max-Tier steigt auf etwa 80 Dollar monatlich mit wesentlich höheren Volumina. Während der Hauptverkehrszeit (14:00-18:00 Uhr Pekinger Zeit) wird der Kontingentverbrauch multipliziert; außerhalb der Spitzenzeiten, zumindest bis Ende September 2026, wird der Multiplikator durch eine laufende Aktion auf Null gesetzt.

Für diejenigen, die den Kostenfaktor ganz eliminieren wollen: Die Gewichte sind unter der MIT-Lizenz verfügbar, keine Nutzungsbeschränkungen, keine Schwellenwerte für monatlich aktive Nutzer, keine separaten kommerziellen Vereinbarungen. Das vollständige Modell in FP8 belegt etwa 800 GB auf der Festplatte und läuft in der Produktion auf 8 H200-GPUs mit ausreichend Headroom für den Kontext von einer Million Token. Eine quantisierte INT4-Version schrumpft auf etwa 200 GB und läuft auf 4 H200-GPUs mit einem Rückgang von etwa 1-3 % bei den Coding-Benchmarks – ein akzeptabler Verlust für viele Unternehmensszenarien, insbesondere in Anbetracht des Wegfalls der Kosten pro Token. Das Modell ist auch auf OpenRouter mit etwas niedrigeren Preisen und Zugang zu mehr als dreizehn Providern verfügbar, die bei den Inferenzkosten miteinander konkurrieren.

Wer gewinnt, wer verliert, was offen bleibt

Der Launch von GLM-5.2 hat nicht nur einen Protagonisten und erzeugt nicht nur einen Effekt. Es lohnt sich, ihn aus mehreren Blickwinkeln zu betrachten.

Für Entwicklungsteams, die Coding-Assistenten oder agentische Pipelines nutzen, ist die konkretste Botschaft, dass es nun ein Open-Weight-Modell mit Leistungen im Bereich der besten proprietären Modelle bei technischen Aufgaben gibt – zu Kosten, die die wirtschaftliche Kalkulation erheblich verändern. Es ist nicht gesagt, dass es für jeden Kontext die richtige Wahl ist; Wortreichheit, effektive Kosten mit Max-Effort und die Varianz zwischen den Durchläufen bleiben Faktoren, die im Einzelfall bewertet werden müssen. Aber es ist das erste Mal, dass die Diskussion auf der Grundlage echter technischer Gleichwertigkeit geführt werden kann, nicht nur aus ideologischen Gründen.

Für den gesamten Open-Weight-Markt festigt GLM-5.2 einen Trend, der sich bereits bei GLM-5.1 und Kimi K2.7 von Moonshot AI deutlich abgezeichnet hat: Chinesische Open-Architecture-Modelle hinken den westlichen proprietären Modellen bei allgemeinen Benchmarks nicht mehr um sechs Monate hinterher. In spezifischen Vertikalen wie Coding, agentischen Aufgaben und langen Kontexten bauen sie eigene Vorteile auf, und zwar mit Kostenstrukturen, die das Duopol OpenAI-Anthropic nicht ohne Weiteres replizieren kann.

Es gibt jedoch Schattenseiten, die man nicht ignorieren darf. Z.ai steht seit dem 15. Januar 2025 auf der Entity List des US Bureau of Industry and Security: Die MIT-Gewichte sind für private Unternehmen legal nutzbar, aber amerikanische Bundeskunden und die meisten Rüstungsunternehmen behandeln Modelle chinesischen Ursprungs faktisch als unzugänglich, unabhängig von der Lizenz. Für europäische Unternehmen in regulierten Sektoren wälzt das Fehlen eines von Zhipu unterzeichneten AI Act GPAI Code of Practice und das Fehlen eines technischen Datenblatts nach Annex XI die Last der Transparenz-Compliance auf die nachgeschalteten Deployer ab. Das sind keine absoluten Verbote, aber es sind Kosten und Risiken, die man zusammen mit den Kosten pro Token einkalkulieren muss.

Die Frage, die offen bleibt, ist die interessanteste: Ist GLM-5.2 das Signal, dass der Wettbewerbsvorteil der proprietären High-End-Modelle speziell beim Coding erodiert, oder ist es eine vertikale Spitzenleistung, die signifikante Unterschiede in allen anderen Bereichen unberührt lässt? Die ehrliche Antwort lautet derzeit, dass die Benchmarks bei Aufgaben außerhalb von Coding und Agentizität ein starkes, aber kein außergewöhnliches Modell zeigen. Die Positionierung ist erklärt und kohärent: Z.ai versucht nicht, das beste allgemeine Modell der Welt zu bauen, sondern die Referenz für diejenigen zu sein, die Software entwickeln. Ob ihnen das gelingt, wird die Akzeptanz in den kommenden Monaten zeigen – in den Produktionsprotokollen der Teams, die GLM-5.2 als Backbone ihrer Pipelines nutzen werden, und nicht in den Vergleichstabellen, die jedes Labor vorbereitet, um gut dazustehen.