GLM-5.2

Typische Einsatzfälle

• agentisches Coding
• Self-Hosting (MIT)
• lange ReasoningThinking / ReasoningModus, in dem ein Modell vor der Antwort sichtbare Zwischenschritte „durchdenkt“. Das hebt die Qualität bei schweren Aufgaben, kostet aber mehr Tokens und Zeit – oft über einen Aufwand-Regler steuerbar.Mehr im Wissen →-/Tool-Call-Aufgaben

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →51
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →69
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →78
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →99

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  51

  unabhängigArtificial Analysis (API), abgerufen 2026-06-17

• Artificial Analysis Coding Index

  69

  unabhängigArtificial Analysis (API), abgerufen 2026-07-09

• Terminal-Bench v2.1 (agentische Shell-Aufgaben)

  78 %

  unabhängigArtificial Analysis (API), abgerufen 2026-07-09

• τ²-bench (Tool-Use-Verlässlichkeit)

  99 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-17

Einordnung

• Open-Weightopen-weightModell, dessen trainierte Gewichte öffentlich herunterladbar sind, sodass man es selbst (lokal oder auf eigener Hardware) betreiben kann. Nicht zwingend vollständig quelloffen – die Lizenz bestimmt die erlaubte Nutzung.Mehr im Wissen →-MoEMoE (Mixture of Experts)Architektur, bei der je Anfrage nur ein Teil des Modells („Experten“) aktiv wird. So hat das Modell sehr viele Gesamt-Parameter, rechnet aber nur mit wenigen aktiven – das spart Rechenzeit.Mehr im Wissen → (MIT) wie GLM-5/5.1 (≈744 Mrd. Gesamt- / 40 Mrd. aktive ParameterParameterDie im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.Mehr im Wissen →; die auf Hugging FaceHugging FaceDie zentrale Plattform, auf der offene KI-Modelle (ihre Gewichte) samt Spezifikation veröffentlicht und heruntergeladen werden – die „GitHub-Drehscheibe“ der open-weight-Szene.Mehr im Wissen → angezeigte Parameter-Zahl nennt 753 Mrd.). Kernneuerung „IndexShare“: Der Indexer der Sparse AttentionSparse AttentionAufmerksamkeits-Mechanismus, der nicht jeden Token mit jedem vergleicht, sondern nur eine ausgewählte Teilmenge. Das senkt Rechen- und Speicheraufwand bei sehr langen Kontexten erheblich.Mehr im Wissen → wird über je vier Layer geteilt – laut Model-Card ~2,9× weniger FLOPs/Token bei 1-Mio.-Kontext; das zugehörige Paper „IndexCache“ (arXiv 2603.12201, Bai et al.) misst bis 1,82× Prefill- und 1,48× Decode-Speedup gegenüber Standard-DSA. Dazu eine MTPMTP (Multi-Token-Prediction)Das Modell sagt pro Schritt mehrere Tokens auf einmal voraus statt nur eines – ein Beschleuniger, der oft mit Speculative Decoding zusammenspielt.Mehr im Wissen →-Schicht für Speculative DecodingSpeculative DecodingBeschleunigungstechnik: ein kleines Hilfsmodell rät mehrere Tokens voraus, das große Modell prüft sie in einem Rutsch. Akzeptierte Vorhersagen sparen Rechenschritte – schnellere Ausgabe ohne Qualitätsverlust.Mehr im Wissen → (+ bis 20 % akzeptierte Länge). Reines Text-Modell, nutzbarer 1-Mio.-Kontext, 128-K-Output, neue höchste Reasoning-Stufe „max“.Beleg · Primärquelle
• Delta zum Vorgänger GLM-5.1 (April 2026): Der nutzbare Kontext springt von 200 K auf 1 Mio. Token, der AA Intelligence/Coding Index von 40/56 auf 51/69, Terminal-Bench von 62 auf 78 %, dazu kommt die neue Reasoning-Stufe „max“ über „high“. Der Preis bleibt mit $1,40 / $4,40 je Mio. Token unverändert – derselbe Tarif bei deutlich höherer Leistung.Beleg · Sekundärquelle
• Konkurrenz-Ausblick: Auf der unabhängigen AA-Intelligence-Liste ist GLM-5.2 (max) mit 51 das #1-Open-Weight-Modell – vor DeepSeek-V4-Pro und MiniMax-M3 (je 44) und Kimi K2.6 (43) – und zieht sogar an Gemini 3.1 Pro (46) vorbei. Zur proprietären Spitze bleibt aber Abstand: GPT-5.5 (55/75), Opus 4.8 (56/74) und Fable 5 (60/76) liegen darüber, und beim Coding-Index liegt GLM-5.2 (69) gleichauf mit Gemini 3.1 Pro (69), knapp hinter Gemini 3.5 Flash (70). Z.ais Eigenvergleiche (FrontierSWESWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen → 74,4 % „~1 % hinter Opus 4.8“; SWE-bench ProSWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen → 62,1 > GPT-5.5 58,6) sind anbieterbefangen und unabhängig nicht bestätigt – die Kernbotschaft „bestes offenes Coding-Modell, nahe an, aber nicht auf der proprietären Spitze“ trägt die unabhängige Messung jedoch.Beleg · Sekundärquelle
• In der Praxis ist GLM-5.2 frei self-hostbar (MIT, „ohne regionale Grenzen“) und gegenüber den proprietären Flaggschiffen rund ein Sechstel so teuer ($1,40 / $4,40 vs. GPT-5.5 $5 / $30); laut AA läuft es mit ~112 Token/s zudem schnell. Innerhalb der Open-Weight-Klasse ist es laut AA für seine Größe allerdings vergleichsweise teuer (DeepSeek-V4-Pro $0,44 / $0,87, Kimi K2.6 $0,95 / $4). Z.ai veröffentlichte GLM-5.2 am 13.06.2026 unmittelbar nach der US-Sperre für Anthropics Fable/Mythos – Teil der „Airbus-Moment“-Debatte um offene chinesische Modelle als Antwort auf Exportkontrollen.Beleg · Sekundärquelle

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-06-13.

Fähigkeiten

• Coding & Agentik – Laut Card 82,7 auf Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen → 2.1 (Z.ai-Doku: 81,0) und 62,1 auf SWE-bench Pro – deutlich über GLM-5.1 (62,0 / 58,4); auf FrontierSWE 74,4 %, laut Z.ai nur ~1 % hinter Claude Opus 4.8. Anbieter-selbstberichtet; die unabhängige AA-Messung liegt mit Terminal-Bench 75 % niedriger.
• Reasoning & Mathematik – Laut Card 99,2 auf AIME 2026; neue höchste Reasoning-Stufe „max“ (Parameter reasoning_effort) über der bisherigen Stufe „high“.
• Tool-Use – Laut Card 77,0 auf MCP-Atlas (Tool-Use); nativer Function-CallingTool-CallingFähigkeit eines Modells, strukturiert externe Werkzeuge oder Funktionen aufzurufen (Suche, Code ausführen, APIs) und deren Ergebnisse weiterzuverwenden. Die Grundlage für Agenten.Mehr im Wissen →-, Structured-OutputStructured OutputFähigkeit eines Modells, die Antwort in einem festen, maschinenlesbaren Format (z. B. JSON nach Schema) zu liefern – wichtig, wenn Programme die Ausgabe weiterverarbeiten.Mehr im Wissen →- und MCPMCP (Model Context Protocol)Offener Standard, über den ein Modell einheitlich externe Werkzeuge und Datenquellen anbindet. Macht Tool-Anbindungen austauschbar statt anbieterspezifisch.Mehr im Wissen →-Support, ausgelegt auf lange agentische Coding-Horizonte.
• Kontext – Stabil nutzbarer 1-Mio.-TokenTokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen →-Kontext (von 200 K bei GLM-5.1), 128-K-Output; reines Text-Modell (Multimodalität nur im separaten GLM-5V).

Verhalten & Sicherheit

• Architektur – MoEMoE (Mixture of Experts)Architektur, bei der je Anfrage nur ein Teil des Modells („Experten“) aktiv wird. So hat das Modell sehr viele Gesamt-Parameter, rechnet aber nur mit wenigen aktiven – das spart Rechenzeit.Mehr im Wissen → mit Sparse AttentionSparse AttentionAufmerksamkeits-Mechanismus, der nicht jeden Token mit jedem vergleicht, sondern nur eine ausgewählte Teilmenge. Das senkt Rechen- und Speicheraufwand bei sehr langen Kontexten erheblich.Mehr im Wissen →; „IndexShare“ teilt den Indexer über je vier Sparse-Attention-Layer und senkt laut Card die FLOPs/Token bei 1-Mio.-Kontext um 2,9×. Das Paper „IndexCache“ (arXiv 2603.12201) misst bis 1,82× Prefill- und 1,48× Decode-Speedup gegenüber Standard-DSA.
• Speculative Decoding – Eine MTP-SchichtMTP (Multi-Token-Prediction)Das Modell sagt pro Schritt mehrere Tokens auf einmal voraus statt nur eines – ein Beschleuniger, der oft mit Speculative Decoding zusammenspielt.Mehr im Wissen → (Multi-Token-Prediction) für Speculative DecodingSpeculative DecodingBeschleunigungstechnik: ein kleines Hilfsmodell rät mehrere Tokens voraus, das große Modell prüft sie in einem Rutsch. Akzeptierte Vorhersagen sparen Rechenschritte – schnellere Ausgabe ohne Qualitätsverlust.Mehr im Wissen → erhöht laut Card die akzeptierte Länge um bis zu 20 %.
• Parameter – Die auf Hugging FaceHugging FaceDie zentrale Plattform, auf der offene KI-Modelle (ihre Gewichte) samt Spezifikation veröffentlicht und heruntergeladen werden – die „GitHub-Drehscheibe“ der open-weight-Szene.Mehr im Wissen → angezeigte Parameter-Zahl nennt 753 Mrd.; die Familienarchitektur (GLM-5/5.1) ist ≈744 Mrd. total / 40 Mrd. aktiv – Divergenz dokumentiert.
• Lizenz – MIT-Open-Source – laut Z.ai „keine regionalen Grenzen, technischer Zugang ohne Grenzen“; Gewichte frei auf Hugging FaceHugging FaceDie zentrale Plattform, auf der offene KI-Modelle (ihre Gewichte) samt Spezifikation veröffentlicht und heruntergeladen werden – die „GitHub-Drehscheibe“ der open-weight-Szene.Mehr im Wissen → (zai-org/GLM-5.2).
• Safety – Z.ai dokumentiert GLM-5.2 über einen Technical Report (arXiv 2602.15763, „GLM-5: from Vibe Coding to Agentic Engineering“) und das IndexCache-Paper; eine dedizierte Safety-/Risiko-Card mit Refusal-/Misuse-Evals fehlt – anders als bei den westlichen Anbietern.

⚙ Alle Fähigkeitswerte sind anbieter-selbstberichtet (Z.ai-eigene Benchmarks, Cherry-Picking-Vorbehalt) – die unabhängigen Artificial-Analysis-Indizes (Intelligence/Coding je 51, Terminal-Bench 75 %) liegen unter den Card-Werten. Card-/Release-Stand 2026-06-13; AA-Variante „GLM-5.2 (max)“.

Z.ai – GLM-5.2 (Model-Card, Hugging Face)· Primärquelle, abgerufen 2026-06-17

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• kritischStaatliche Cyber-Bewertung: In einer gemeinsamen vorläufigen Evaluierung von UK AISI und dem US-CAISI (beim NIST) erreicht GLM-5.2 auf ExploitBench (41 Aufgaben zu Chrome-V8-Schwachstellen nach 2023) 24 Prozent – hinter Kimi K3 (32 Prozent) und deutlich hinter den cyber-stärksten US-Modellen, die bei der Teilmetrik „Arbitrary Code Execution“ im Schnitt 20 von 41 Fällen durchziehen. Im simulierten Netzwerk „The Last Ones“ kommt GLM-5.2 bis Schritt 11 von 32 (Kimi K3: 17, US-Frontier-Modelle: 28,5). Wichtige Relativierung zur Semgrep-IDOR-Lesart weiter unten: Bei der Ausnutzung von Speicherfehlern bis zur Codeausführung liegt GLM-5.2 klar hinter der US-Spitze; die US-Modelle wurden dafür allerdings mit abgeschalteten System-Schutzmaßnahmen gemessen.UK AI Security Institute / CAISI – Preliminary assessment of Kimi K3’s cyber capabilities · Primärquelle, 2026-07-23
• positivDatabricks testete Coding-Agenten auf echten Pull-Requests seiner Multi-Millionen-Zeilen-Codebasis (Python, Go, TypeScript, Scala) – bewusst ohne LLM-Judge und mit versiegelter Git-Historie. GLM-5.2 lag in der obersten Qualitätsstufe statistisch gleichauf mit Opus 4.8, kostete pro Aufgabe aber nur 1,28 statt 1,94 US-Dollar (Opus: 87 % Erfolgsquote; Sonnet 2,09 $ bei 81 %). Databricks will GLM-5.2 als tägliches Coding-Arbeitsmodell einsetzen. Seltene unabhängige Prüfung an einer realen Produktions-Codebasis statt an einem öffentlichen Benchmark.Databricks – Benchmarking Coding Agents on Databricks’ Multi-Million-Line Codebase · Primärquelle, 2026-07-09
• gemischtStuft GLM-5.2 (max) mit Intelligence-Index 51 als #1 unter den offenen Modellen ein (Klassenschnitt 24) und attestiert mit ~112 Token/s hohe Geschwindigkeit – merkt aber an, dass es „im Vergleich zu anderen Open-Weight-Modellen ähnlicher Größe besonders teuer“ ist.Artificial Analysis – GLM-5.2 (max) · Sekundärquelle, Juni 2026
• positivBerichtet, einige Sicherheitsforscher sähen das offene GLM-5.2 bei bestimmten Bug-Finding- und Cybersicherheits-Aufgaben auf Augenhöhe mit Anthropics zugangsbeschränktem Mythos: In Semgreps unabhängigem IDOR-Schwachstellen-Test erreiche GLM-5.2 39 % F1 und liege damit vor Claude Code (32–37 %); auf breiten Allzweck-Benchmarks bleibe es aber hinter den US-Spitzenmodellen. Brisanz: Eine vergleichbare Cyber-Fähigkeit steckt hier in einem frei herunterladbaren, in den Leitplanken entfernbaren MIT-Modell.The Verge – China’s Z.ai claims it can match Mythos on cybersecurity · Sekundärquelle, 2026-06-28
• positivTitelt, das open-weights GLM-5.2 schlage GPT-5.5 auf mehreren Long-Horizon-Coding-Benchmarks zu einem Sechstel der Kosten – die zitierten Coding-Zahlen (SWE-bench Pro 62,1; FrontierSWE 74,4 %; MCP-Atlas 76,8) sind jedoch überwiegend Z.ai-Eigenbenchmarks.VentureBeat – Z.ai’s open-weights GLM-5.2 beats GPT-5.5 on long-horizon coding for 1/6th the cost · Sekundärquelle, Juni 2026
• gemischtFeiert GLM-5.2 als „the New AI Code King“ und hebt die MIT-Lizenz „ohne regionale Grenzen“ hervor, flaggt aber selbst die Anbieter-Benchmarks: ob GLM-5.2 in der Design Arena wirklich besser als Fable sei, „I don’t know if I buy that“.1littlecoder (YouTube) – „GLM 5.2 is the New AI Code King“ · Community, 2026-06-16
• positivBerichtet, GLM-5.2 habe in der crowdgestützten Design Arena (Human-Preference-Elo) die Webdesign-Wertung mit einer Elo-Wertung von rund 1.360 übernommen und Claude Fable 5 von Platz 1 verdrängt – bei einem Fünftel der API-Kosten. Gilt für gestalterische Präferenz auf einstufige Prompts, nicht für Code-Korrektheit oder agentische Projektarbeit; auf dem AA-Gesamtindex bleibt GLM-5.2 (51/51) hinter Fable 5 (60/62).ComputerBase – GLM-5.2 verdrängt Claude Fable 5 bei Webdesign von der Spitze (Design Arena) · Sekundärquelle, 2026-06-20
• positivNennt GLM-5.2 das erste Open-Weight-Modell, das sich „in Coding-Harnesses als genereller Agent richtig anfühlt“, und stuft den Release als „step change“ vergleichbar mit DeepSeeks R1 ein – die lange beobachtete Schwelle, ab der offene Modelle im agentischen Coding glaubwürdige Alternativen zur proprietären Spitze bieten. Auf Benchmark-Zahlen verzichtet er bewusst („benchmarks are half dead these days“).Interconnects (Nathan Lambert) – „GLM-5.2 is the step change for open agents“ · Sekundärquelle, 2026-06-22
• gemischtBezeichnet GLM-5.2 als „bestes offenes Modell“, ordnet es aber „4 bis 7 Monate hinter der Frontier“ ein: Auf Artificial Analysis (v4.1) liegt es mit 51 hinter Fable (60), Opus 4.8 (56), GPT-5.5 (55) und Opus 4.7 (54), bei Vals.ai auf Rang 5 (klar bestes offenes Modell). Vorbehalte: Distillation aus Claude schwächt die Generalisierung, keine native Vision, und das Modell ist „token-hungry“.Don’t Worry About the Vase (Zvi Mowshowitz) – „GLM-5.2 Is The New Best Open Model“ · Sekundärquelle, 2026-06-22
• kritischPersona-Abhängigkeit gemessen: Zwei MATS-Stipendiaten stellten fest, dass GLM-5.2 sich zwar in allen zehn Durchläufen korrekt als GLM identifiziert, sein Verhalten aber stark an der vorgegebenen Identität hängt. Unter eigener Identität beantwortet es 17 Prozent der politisch sensiblen Fragen zur Volksrepublik unzensiert, als „Claude“ 85 Prozent; die Rate strategischer Lügen fällt von 63–69 auf 22 Prozent. Zum Vergleich: Kimi K3 bleibt unter allen Bedingungen bei 0–1 Prozent, Qwen bei 0 Prozent unzensierten Antworten. Wichtige Einschränkung der Autoren: Das ist kein Nachweis von Distillation, und die Stichproben sind klein (5–6 Fragen je Messstrecke, vollständiges Verhaltensprofil nur auf GLM). Praktische Folge: Leitplanken, die an einer Persona hängen, messen nicht das Modell.Benji Berczi, Kyuhee Kim – Does distilling Claude carry the persona with it? (LessWrong, nicht begutachtet) · Primärquelle, 2026-07-24
• gemischtDämpft den Open-Source-Hype im Praxis-Head-to-head gegen Opus 4.8 und GPT-5.5 (Spiele-/Webdesign-Aufgaben): GLM-5.2 sei zwar das stärkste offene Modell, lande aber durchgängig „near the bottom“ und verbrauche ~10× mehr Token (über 1 Mio. vs. ~100 K je Aufgabe). Entgegen der „unendlich billiger“-Erzählung lägen Opus/GPT bei mittlerem Aufwand sogar im Score höher und im Preis niedriger; für Nutzer auf den subventionierten Max-Plänen sehe er „keinen Grund für GLM-5.2“. Eigene n=1-Tests plus zitierter Drittanbieter-Benchmark – anbieter-unabhängig, aber Tier C.Chase AI (YouTube) – „I Tested GLM 5.2 vs Opus 4.8 vs GPT 5.5“ · Community, 2026-06-22