Zum Hauptinhalt springen

GLM-5.2: Open-Weight-Frontier-Coding-Modell

Fortgeschritten

Am 13. Juni 2026 hat Z.ai (früher Zhipu AI) GLM-5.2 veröffentlicht — ein 753-Milliarden-Parameter-Mixture-of-Experts-Modell mit einem 1-Millionen-Token-Kontext, auf Hugging Face unter einer schlichten MIT-Lizenz ohne regionale Einschränkungen publiziert. In den zwei Wochen danach passierten drei Dinge, die schwerer zu ignorieren waren als der Launch selbst: es landete ~1 Punkt von Claude Opus 4.8 auf Long-Horizon-Coding-Benchmarks, seine API unterbot Frontier-Preise um etwa 6×, und Semgreps Security-Team berichtete leise, dass GLM-5.2 mit kaum Scaffolding Claude Code auf einem echten IDOR-Vulnerability-Benchmark übertraf.

Diese Seite behandelt, was an GLM-5.2 tatsächlich nicht offensichtlich ist — die IndexShare-Architekturänderung, die 1M-Token-Inferenz handhabbar macht, das ehrliche Benchmark-Bild gegen Claude und GPT-5.5, was das Selbst-Hosten heute kostet und wo es echt das bessere Werkzeug ist als zu einem geschlossenen Frontier-Modell zu greifen.

What you'll learn
  • Verstehen, was IndexShare ist und warum es Long-Context-Compute um ~2,9× senkt — keine Marketing-Zahl, eine architektonische
  • Das ehrliche Benchmark-Bild lesen: wo GLM-5.2 mit Claude Opus 4.8 mithält, wo nicht und was in Anbieter-Scores zu vertrauen ist
  • Die effektive Kostenmathematik kennen: ~$1,20–1,40 / $4,10–4,40 pro M Input/Output vs Claude Opus zu Frontier-Preisen
  • GLM-5.2 via API in drei Zeilen zum Laufen bringen oder auf vLLM 0.23+ selbst hosten (mit ausbuchstabierten FP8- und 2-Bit-Pfaden)
  • Entscheiden, wann man GLM-5.2 vs Claude greift — die zwei Tasks, wo es klar gewinnt, und die zwei, wo es klar nicht gewinnt

Die Ein-Satz-Version​

GLM-5.2 ist ein Open-Weight- (MIT), 753B-Total- / ~40B-aktiv-Sparse-Mixture-of-Experts-Modell von Z.ai mit einem 1M-Token-Kontext und 131.072-Token-Max-Output, gebaut für Long-Horizon-agentisches-Coding — bepreist zu etwa einem Sechstel geschlossener Frontier-APIs und, in unabhängigen Evaluierungen, innerhalb eines Punktes von Claude Opus 4.8 auf den Coding-Benchmarks, die für autonome Agent-Arbeit zählen.

Drei Dinge über GLM-5.2, die aus den Schlagzeilen nicht offensichtlich sind​

1. IndexShare ist die eigentliche Architektur-Story​

Die Schlagzeilenänderung in GLM-5.2 ist nicht „größeres MoE“ — sie ist IndexShare. Sparse Attention braucht einen Indexer, der entscheidet, welche vergangenen Tokens jede Query beachtet. Diesen Indexer pro Layer laufen zu lassen ist bei 1M-Token-Kontext teuer. Z.ais IndexShare verwendet denselben Indexer über jede vier Sparse-Attention-Layer wieder und senkt per-Token-FLOPs um ~2,9× im vollen 1M-Fenster.

Die praktische Konsequenz: GLM-5.2 kann echte Long-Context-Workloads zu Preisen bedienen, bei denen dieselbe Arbeit mit einem voll-quadratischen-Attention-Modell wirtschaftlich absurd wäre. Das ist auch der Grund, warum der FP8-Checkpoint (veröffentlicht als zai-org/GLM-5.2-FP8) auf 8× H200 mit Platz für eine 131K-Token-Session läuft; ohne IndexShare würde dieselbe Hardware am KV-Cache ersticken, lange bevor du dorthin kämst.

GLM-5.2 liefert auch eine verbesserte Multi-Token-Prediction (MTP)-Layer für spekulatives Decodieren, mit von Z.ai berichteten ~20 % Acceptance-Length-Uplift — das zeigt sich als schnellere Tokens/Sekunde in echter Inferenz, nicht nur als Paper-Metrik.

2. Die Benchmark-Geschichte ist stärker als „schlägt GPT-5.5“ und schwächer als „schlägt Opus“​

Anbietertabellen und News-Berichterstattung komprimieren das zu Soundbites. Die ehrliche Lesart:

BenchmarkGLM-5.2Claude Opus 4.8GPT-5.5Notes
Terminal-Bench 2.181.0~85.0—Long-Horizon-Shell/Agent-Arbeit; 4-Punkte-Abstand
SWE-bench Pro62.1—58.6Autonome Repo-Level-Fixes; vor GPT-5.5, vor GLM-5.1 (58.4)
GPQA Diamond91.2——Harte Science-QA; stark
AIME 202699.2——Anbieterberichtet; extreme Zahl, mit Vorsicht behandeln
Artificial Analysis Intelligence Index51——Höchster Score für ein Open-Weight-Modell zum Launch
Code Arena (global)#2——Hinter einem geschlossenen Modell

Zwei Dinge zu verinnerlichen:

  • Auf den Coding-Benchmarks, die auf Agent-Arbeit abbilden (SWE-bench Pro, Terminal-Bench 2.1, Code Arena), ist GLM-5.2 näher an Claude Opus 4.8 als an GPT-5.5. Das ist eine Premiere für ein Open-Weight-Modell.
  • Auf den härtesten Reasoning-Tasks und Open-Ended-Wissen führen geschlossene Frontier-Modelle weiter. Die AIME-99.2-Schlagzeile ist anbieterberichtet und sollte neben unabhängigen Evals gelesen werden — Z.ais Artificial-Analysis-Index-Score von 51 ist eine kalibriertere Zusammenfassung.
Pro tip

Wenn jemand „GLM-5.2 schlägt Claude Opus“ oder „GLM-5.2 schlägt GPT-5.5“ verlinkt, prüfe welchen Benchmark und wessen Messung. Auf Long-Horizon-Coding: innerhalb eines Punktes von Opus, klar vor GPT-5.5. Auf allgemeinem Reasoning: weiter hinter geschlossenem Frontier. Beide Aussagen sind wahr.

3. Es wurde auf Huawei-Ascend-NPUs trainiert, nicht Nvidia​

GLM-5.2 wurde Berichten zufolge auf Huawei-Ascend-Beschleunigern trainiert statt auf Nvidia H100/H200s. Das ist kein Benchmark-Detail — es ist ein Supply-Chain-Fakt. Kombiniert damit, dass Z.ai auf der US-Entity-List steht und die gehostete API durch chinesische Infrastruktur geleitet wird, formt es drei echte Entscheidungen:

  • Regulierte Umgebungen sollten die gehostete API gegen Exportkontroll-Policy evaluieren, bevor sie in Produktion verkabelt wird. Die MIT-Gewichte sind unbeschränkt; die API ist kein Ersatz für ein Compliance-Review.
  • Datenkritische Workloads sollten den Self-Hosted-Pfad (siehe unten) bevorzugen, statt Prompts zu Z.ais API-Endpoints zu senden.
  • Aggregatoren (OpenRouter, NVIDIA Build, OpenRelay) bieten GLM-5.2 über Nicht-Z.ai-Infrastruktur an — wenn du das Modell willst, aber nicht das Origin-Routing, das ist der Weg.

Effektive Kostenmathematik​

Z.ais eigene API-Preisgestaltung liegt bei ungefähr $1,20–$1,40 pro Million Input-Tokens und $4,10–$4,40 pro Million Output-Tokens über Anbieter hinweg. Vergleiche das mit Claude-Opus-4.8-Territorium ($15/M Input, $75/M Output zu Frontier-Preisen), und das Verhältnis ist ungefähr 1:6 auf Input und 1:15+ auf Output. Semgreps IDOR-Benchmark ergab Per-Vulnerability-Kosten von ~$0,17 für GLM-5.2 gegen mehrere Dollar für Frontier-Äquivalente.

Der Haken, den man leicht übersieht: GLM-5.2 läuft „high“ oder „max“ Thinking Effort auf Modell-Level, sodass Output-Token-Counts höher sind als bei einem Non-Thinking-Modell für dieselbe Task. Cost pro Task ist immer noch niedriger, aber das Verhältnis ist nicht so extrem, wie die Per-Token-Preise vermuten lassen — du zahlst für mehr Tokens pro Antwort, zu einem niedrigeren Preis pro Stück.

Starten via API​

GLM-5.2 spricht OpenAI-kompatible Chat-Completions. Endpoint-URLs und Modell-IDs variieren nach Anbieter — wähle einen:

ProviderBase URLModel IDEnv
Z.ai (direct)https://api.z.ai/api/paas/v4/glm-5.2ZAI_API_KEY
OpenRouterhttps://openrouter.ai/api/v1z-ai/glm-5.2OPENROUTER_API_KEY
NVIDIA Buildhttps://integrate.api.nvidia.com/v1z-ai/glm-5.2NVIDIA_API_KEY
OpenRelayhttps://inference.openrelay.inc/v1openrelay/glm-5.2OPENRELAY_API_KEY
Guided walkthrough1 of 3
  1. Für direkten Zugriff, registriere dich auf z.ai und erstelle einen Key. Für Aggregator-Zugriff (empfohlen, wenn du auf der US-Entity-List-Seite des Zauns bist), nutze OpenRouter oder NVIDIA Build.

GLM-5.2 via OpenAI-SDK (Python), durch OpenRouter

import openai

client = openai.OpenAI(
  api_key="YOUR_OPENROUTER_KEY",
  base_url="https://openrouter.ai/api/v1",
)

response = client.chat.completions.create(
  model="z-ai/glm-5.2",
  messages=[
      {"role": "user", "content": "Refactor this 800-line auth module for testability. Preserve behavior; return a unified diff."},
  ],
)
print(response.choices[0].message.content)

GLM-5.2 via Z.ai-Direkt-Endpoint (Python)

import openai

client = openai.OpenAI(
  api_key="YOUR_ZAI_API_KEY",
  base_url="https://api.z.ai/api/paas/v4/",
)

response = client.chat.completions.create(
  model="glm-5.2",
  messages=[
      {"role": "system", "content": "You are a careful staff engineer."},
      {"role": "user", "content": "Review this repo and list the top 5 risks, with file:line references."},
  ],
)
print(response.choices[0].message.content)

Selbst-Hosten: drei realistische Pfade​

Die MIT-Lizenz und veröffentlichten FP8-Gewichte machen für viele Teams Selbst-Hosten zum ganzen Punkt. Es gibt drei praktische Pfade, von am-meisten-Hardware bis am-wenigsten:

Pfad A — FP8 auf 8× H200 mit vLLM (produktionsreif)​

Das Referenz-Deployment. Lade den offiziellen FP8-Checkpoint und serviere mit vLLM 0.23.0+ (oder SGLang 0.5.13.post1+). Das ist die Config, der Z.ais eigene Inferenz am nächsten kommt; sie gibt dir den vollen 131K-Token-Max-Output und stabilen Durchsatz.

GLM-5.2 FP8 auf 8× H200 mit vLLM deployen

# 1) Download the FP8 weights (~750 GB)
huggingface-cli download zai-org/GLM-5.2-FP8 \
--local-dir /models/glm-5.2-fp8

# 2) Serve with vLLM 0.23.0+
python -m vllm.entrypoints.openai.api_server \
--model /models/glm-5.2-fp8 \
--served-model-name glm-5.2-fp8 \
--tensor-parallel-size 8 \
--quantization fp8 \
--enable-expert-parallel \
--max-model-len 131072 \
--kv-cache-dtype fp8_e5m2 \
--gpu-memory-utilization 0.92 \
--enable-chunked-prefill \
--max-num-seqs 32 \
--port 8000

Pfad B — 2-Bit-GGUF auf einem Mac Studio oder 24 GB GPU + 256 GB RAM​

Unsloths dynamische 2-Bit-GGUF komprimiert GLM-5.2 von ~1,51 TB auf ~239 GB — klein genug, um in einen 256 GB Mac Studio (Ultra) oder eine Workstation mit einer 24 GB GPU plus 256 GB System-RAM zu passen (MoE-Routing hält nur ein paar Experten heiß gleichzeitig, sodass DRAM-Offload machbar ist). Das ist der „läuft tatsächlich auf Hardware, die du im Laden kaufen kannst“-Pfad. Erwarte langsamere Tokens/Sekunde als ein H200-Rack, aber brauchbar für Solo-Agent-Workloads.

Pfad C — AWQ/W4A16-Quantisierungen aus der Community​

Third-Party-Quantisierungen (z. B. QuantTrio/GLM-5-AWQ, PhalaCloud/GLM-5.2-W4AFP8) zielen auf 4-Bit-Gewichtspfade, die mit vLLMs AWQ-Kernel kompatibel sind. Diese sind nützlich, wenn du kleinere Speicher-Footprints als FP8 willst, aber mehr Headroom als die 2-Bit-GGUF. Z.ai hat Stand Ende Juli 2026 keine offizielle AWQ-Variante veröffentlicht — verifiziere die Community-Version-Kalibrierung, bevor du sie in Produktion nutzt.

Watch out

Self-Hosting von GLM-5.2 auf jeder Stufe braucht weiter Sorgfalt mit dem Tokenizer und dem Chat-Template. Die Hugging-Face-Modellkarte liefert beide; nutze apply_chat_template mit add_generation_prompt=True statt den Prompt von Hand zusammenzubauen. Nicht passende Templates sind die häufigste Ursache für „warum ist mein Open-Weight-Modell so viel schlechter als die API?“-Berichte.

Wann GLM-5.2 vs Claude greifen​

Zwei Tasks, wo es echt das bessere Werkzeug ist:

  • Long-Horizon-autonomes-Coding auf einer privaten Codebase. Self-hosted FP8 gibt dir einen Frontier-nahen SWE-bench-Pro-Score, ohne dass Code oder Kontext deine Infrastruktur verlässt. Claude Opus 4.8 ist eine Haaresbreite schärfer auf Terminal-Bench 2.1, aber der Compliance-Gewinn on-prem-Inferenz überwiegt oft 4 Prozentpunkte.
  • Security-Forschung auf adversarialen Payloads. Semgreps IDOR-Experiment (F1 39 % mit einem Bare-Prompt-Harness, vor Claude Code mit 37 %) legt nahe, dass GLM-5.2 auf defensiven Security-Tasks, wo Claudes Sicherheitstraining False Positives triggert, deutlich weniger refusal-anfällig ist.

Zwei Tasks, wo Claude weiter das bessere Werkzeug ist:

  • Open-Ended-Reasoning und Faktenwissen-Fragen. GLM-5.2 hinkt bei allgemeinem Wissen und offenem Reasoning hinter geschlossenen Frontier-Modellen; Claude Opus/Sonnet 5 und Fable 5 bleiben hier vorne.
  • Alles, wo Refusal-Nuance zählt. Claudes Schadensvermeidung ist nuancierter (weniger Over-Refusals bei legitimer Arbeit, schärfere Stopps bei echtem Schaden). GLM-5.2s Sicherheits-Schicht ist dünner und weniger für Edge Cases kalibriert.
Pro tip

Quer-Link: für die weitere Open-Weight-Landschaft siehe DeepSeek, Qwen & die Open-Weight-Welle und Kimi K3: Weltgrößtes Open-Weight-Modell. Für die „sollte das überhaupt lokal laufen?“-Entscheidung siehe Lokal vs Claude-Agent.

Semgreps IDOR-Ergebnis in einem Absatz​

Semgrep hielt den Vulnerability-Datensatz (echte Open-Source-IDOR-Flaws), das F1-Scoring und den System-Prompt konstant und variierte das Modell + umgebenden Harness. Ihr Custom-Semgrep-Multimodal-Rig mit GPT-5.5 erzielte 61 % F1; dasselbe Rig mit Opus 4.8 erzielte 53 %. Als sie GLM-5.2 mit nichts als dem Prompt testeten (ein Bare-Pydantic-AI-Harness, keine Endpoint-Aufzählung, keine geführte Navigation), erzielte es 39 % F1 — schlug Claude Code auf derselben Task (37 % F1) bei etwa $0,17 pro gefundener Vulnerability, ungefähr einem Sechstel der Frontier-Kosten. Ihre eigene Schlagzeile: „We have Mythos at home.“ Der wichtige Vorbehalt: eine Task, ein Datensatz, ein Lauf — der Befund ist richtungsweisend, kein Versprechen, dass er sich auf SSRF, XSS oder andere Klassen verallgemeinert.

Quiz​

Check yourself

0/5
  1. Was macht GLM-5.2s IndexShare-Mechanismus tatsächlich?
  2. Wie vergleicht sich GLM-5.2 mit Claude Opus 4.8 auf Terminal-Bench 2.1?
  3. Du willst GLM-5.2 privat auf deiner eigenen Hardware laufen lassen, hast aber kein 8×-H200-Rack. Was ist ein realistischer Pfad?
  4. Auf welcher Task fand Semgreps Benchmark speziell, dass GLM-5.2 Claude Code übertrifft?
  5. GLM-5.2s API-Preise liegen bei ungefähr $1,20–$1,40 pro Million Input-Tokens. Warum ist die Gesamtkostenersparnis nicht exakt das Verhältnis der Per-Token-Preise vs Claude Opus 4.8?
Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.
1 / 10
Key takeaways
  • GLM-5.2 (13. Juni 2026) ist das erste MIT-lizenzierte Open-Weight-Modell, das auf Long-Horizon-Coding auf einen Punkt an Claude Opus 4.8 herankommt — ein echter Wendepunkt für die Open-Weight-Stufe.
  • IndexShare ist die Architektur-Story: Sparse-Attention-Indexer über jede 4 Layer wiederverwendet, ~2,9× per-Token-Compute-Reduktion bei 1M-Kontext — macht Long-Context-Serving ökonomisch.
  • Effektive Kosten sind ~1/6 von Claude Opus pro Input-Token, teilweise ausgeglichen durch höhere Output-Token-Counts (high/max Thinking standardmäßig an). Semgrep maß ~$0,17 pro IDOR-Vulnerability gefunden.
  • Drei Self-Host-Pfade: FP8 auf 8× H200 mit vLLM (Produktion), 2-Bit-dynamische-GGUF auf einem Mac Studio / 24 GB + 256 GB-Box (zugänglich) oder Community-AWQ/W4-Quantisierungen (Mittelweg).
  • Greife zu GLM-5.2 auf privater Long-Horizon-Coding und defensiver Security-Forschung; behalte Claude für Open-Ended-Reasoning, Faktenwissen und nuancierte Sicherheitskanten.

Quellen & weiterführende Lektüre​