Wichtigste Erkenntnisse
- Platz 2 Open Weights, war bei der Veröffentlichung Platz 1. GLM-5.2 erreichte bei seiner Veröffentlichung im Juni 2026 51 Punkte im Artificial Analysis Intelligence Index v4.1 — damals das beste Open-Weights-Modell. Seit August 2026 hält Kimi K3 von Moonshot AI (57 Punkte, veröffentlicht am 27. Juli 2026) Platz 1 bei den Open Weights; GLM-5.2 (jetzt ~52,6 im aktualisierten v4.1.1-Index) liegt auf Platz 2, weiterhin vor MiniMax-M3 und DeepSeek V4 Pro (je 44).
- Z.ai hat bereits ein Nachfolgemodell veröffentlicht: GLM-5.3. Veröffentlicht am 14. August 2026 auf demselben Basismodell wie GLM-5.2 mit intensiverem Post-Training, erzielt GLM-5.3 deutlich bessere Coding-Ergebnisse (Terminal-Bench 3.0 stieg von 4,6 auf 28,3). Es ist bislang nur über Z.ais API und Coding Plan verfügbar; öffentliche Weights waren zum Zeitpunkt dieser Aktualisierung noch nicht erschienen.
- Stark beim Coding, aber jetzt weiter hinter der geschlossenen Spitzenklasse. GLM-5.2 liegt weiterhin vor GPT-5.5 in unabhängigen Coding-Benchmarks, doch Anthropic und OpenAI haben seither neuere geschlossene Modelle veröffentlicht — Claude Opus 5 und GPT-5.6 Sol —, die GLM-5.2 in direkten Coding-Vergleichen mit größerem Abstand führen als ihre Vorgänger im Juni 2026.
- ~744B Parameter sind weiterhin nicht zu Hause ausführbar. Es ist ein Mixture-of-Experts-Modell (~40B aktiv pro Token); das vollständige Modell benötigt Multi-GPU oder eine gemietete GPU. Z.ais kleineres GLM-5.3-Flash (320B gesamt / 18B aktiv, veröffentlicht am 26. August 2026, MIT-Lizenz) ist besser selbst hostbar, liegt aber immer noch weit von einer einzelnen Consumer-GPU ohne starke Quantisierung entfernt.
- Selbst gehostete Weights behalten Ihre Daten; die Z.ai-API nicht zwangsläufig. MIT-lizenzierte Weights laufen innerhalb Ihrer Grenze; die erstparteiliche Z.ai-API bringt Erwägungen zur China-Datenresidenz mit sich.
- Behandeln Sie die eigenen Benchmarks von Z.ai als vom Unternehmen gemeldet. Die Reproduzierbarkeit ist umstritten — orientieren Sie sich an den unabhängigen Artificial-Analysis-Zahlen.
Was ist GLM-5.2?
GLM-5.2 ist ein Open-Weights-Sprachmodell, das am 13. Juni 2026 von Z.ai (ehemals Zhipu AI) unter der MIT-Lizenz ohne regionale Nutzungsbeschränkungen veröffentlicht wurde. Öffentlich gebenchmarkt wurde es ab dem 16. Juni 2026.
- ~744B Gesamtparameter (Quellen nennen 743B–753B), mit einer Mixture-of-Experts-Architektur und ~40B aktiven Parametern pro Token.
- 1M-Token-Kontextfenster mit einer maximalen Ausgabe von 131.072 Token.
- ~43.000 Ausgabe-Token pro Aufgabe im Durchschnitt — gegenüber ~26.000 bei GLM-5.1 — was die lokale Inferenzzeit und -kosten erhöht.
- MIT-Lizenz: kostenlos herunterladbar, selbst hostbar und modifizierbar, ohne regionale Beschränkungen.
- Z.ai hat seither zwei Nachfolgemodelle veröffentlicht: GLM-5.3 (14. August 2026, gleiches Basismodell, intensiveres Post-Training, bislang nur über API/Coding Plan) und GLM-5.3-Flash (26. August 2026, ein kleineres MIT-lizenziertes Modell mit 320B gesamt / ~18B aktiv). Wie sie sich zu GLM-5.2 verhalten, sehen Sie in den Abschnitten unten.
Wie gut ist GLM-5.2? Zuerst die unabhängigen Benchmarks
GLM-5.2 war bei seiner Veröffentlichung im Juni 2026 das am höchsten bewertete Open-Weights-Modell im Artificial Analysis Intelligence Index (51 Punkte, Platz 4 insgesamt). Seit August 2026 hält Kimi K3 von Moonshot AI Platz 1 bei den Open Weights; GLM-5.2 liegt nun auf Platz 2 (Artificial Analysis, Juli–August 2026).
Modell | Index v4.1.1 | Kategorie |
|---|---|---|
| Claude Fable 5 | ~62 | Geschlossene Spitzenklasse |
| Kimi K3 (Moonshot AI) | 57 | Platz 1 Open Weights |
| GLM-5.2 | ~52,6 | Platz 2 Open Weights (war Platz 1 bei Veröffentlichung im Juni 2026) |
| MiniMax-M3 | 44 | Open Weights |
| DeepSeek V4 Pro | 44 | Open Weights |
Unabhängige Coding-Ergebnisse bei Veröffentlichung (Juni 2026): Terminal-Bench 2.1 — GLM-5.2 erreichte 81,0 gegenüber Claude Opus 4.8 mit 85,0. SWE-bench Pro — GLM-5.2 mit 62,1 (von Z.ai gemeldeter Punktwert) lag vor GPT-5.5 mit 58,6; unabhängige Berichterstattung bestätigte diese Reihenfolge. Sowohl Claude Opus 4.8 als auch GPT-5.5 wurden seither von Claude Opus 5 und GPT-5.6 Sol abgelöst, und GLM-5.2 liegt hinter beiden neueren geschlossenen Modellen mit größerem Abstand zurück als hinter deren Vorgängern. Separat davon liegt Kimi K3 von Moonshot AI (2,8T Gesamtparameter, ~104B aktiv, veröffentlicht am 27. Juli 2026 unter der modifizierten MIT-Lizenz Kimi K3 License) inzwischen vor GLM-5.2 im Intelligence Index und in Coding-Benchmarks wie FrontierSWE (81,2) und Terminal-Bench 2.0 (88,3). Fazit zum Stand August 2026: GLM-5.2 bleibt ein Coding-Modell der Spitzenklasse unter den Open Weights, ist aber nicht mehr die stärkste verfügbare Open-Weights-Option — das ist jetzt Kimi K3 — und der Abstand zur geschlossenen Spitzenklasse hat sich seit der Veröffentlichung vergrößert (Artificial Analysis; VentureBeat; TechTimes, Juli–August 2026).
Die eigenen Zahlen von Z.ai vs. unabhängige Ergebnisse: Mit Vorsicht zu lesen
Mehrere zentrale Kennzahlen stammen aus den eigenen Evaluierungen von Z.ai und sollten als vom Unternehmen gemeldet, nicht als unabhängig verifiziert gelesen werden.
- Vom Unternehmen gemeldete Coding-Zahlen — zum Beispiel MCP-Atlas 77,0 (von Z.ai gemeldet) gegenüber GPT-5.5 mit 75,3 und Opus 4.8 mit 77,8 — werden von Z.ai selbst durchgeführt und sollten als Behauptungen behandelt werden, bis eine unabhängige Replikation vorliegt.
- Der Artificial-Analysis-Bericht weist darauf hin, dass die internen Evaluierungen von Z.ai schwächer ausfielen als die veröffentlichten Benchmarks, und die Reproduzierbarkeit ist umstritten.
- Die Reproduzierbarkeit ist eine offene Frage. Mindestens ein prominenter Kommentator beschreibt das Modell als "bench-maxxed", und GLM-5.1 erzielte Berichten zufolge 0 % bei mindestens einem Benchmark, bei dem GLM-5.2 nun gut abschneidet. Der unabhängige Artificial Analysis Index — nicht die eigene Suite von Z.ai — ist das, was derzeit das Ranking auf Platz 2 bei den Open Weights stützt.
- GLM-5.3 (August 2026) meldet große Sprünge allein durch Post-Training auf demselben Basismodell wie GLM-5.2 — zum Beispiel stieg Terminal-Bench 3.0 von 4,6 auf 28,3 — ohne erneutes Training. Behandeln Sie diese Fortschritte mit derselben Vorsicht gegenüber Unternehmensangaben, bis unabhängige Evaluierungen sie bestätigen.
Können Sie GLM-5.2 zu Hause ausführen? Der ~744B-Realitätscheck
Nein — nicht das vollständige Modell. "Open Weights" und "selbst hostbar" bedeuten nicht "läuft auf einem typischen Heim-PC".
- Das vollständige GLM-5.2 benötigt ernsthafte Infrastruktur: Multi-GPU-Server oder eine gemietete Cloud-GPU.
- Auf Consumer-Hardware sind nur stark quantisierte 1-Bit-GGUF-Builds machbar, mit Abstrichen bei Qualität und Geschwindigkeit.
- Die hohe Ausgabe von ~43.000 Token pro Aufgabe erhöht zusätzlich die lokale Zeit und Kosten.
- Z.ais kleineres GLM-5.3-Flash (320B gesamt / ~18B aktiv, MIT-Lizenz, veröffentlicht am 26. August 2026) ist besser selbst hostbar als das vollständige GLM-5.2, liegt aber weiterhin deutlich über einer einzelnen Consumer-GPU ohne starke Quantisierung.
- Zur Hardware-Realität großer lokaler Modelle siehe 70B-Modelle auf Consumer-Hardware ausführen, Gebrauchte GPUs für lokale LLMs, den Hardware-Leitfaden für lokale LLMs 2026 und Apple Silicon M5 für lokale LLMs.
Selbst gehostete Weights vs. die Z.ai-API: Wohin Ihre Daten gehen
Die Lizenz und die API sind zwei verschiedene Geschichten der Daten-Governance. Selbst gehostete MIT-Weights behalten Ihre Daten innerhalb Ihrer Grenze; die erstparteiliche Z.ai-API tut das nicht.
- Selbst gehostet (MIT-Weights): Daten bleiben lokal und gehören Ihnen — keine Übertragung an Dritte.
- Erstparteiliche Z.ai-API: Unabhängige Berichterstattung weist ausdrücklich auf Erwägungen zur China-Datenresidenz ("China data risk") auf dem API-Pfad hin (TechTimes, 17. Juni 2026).
- Entscheidungsrahmen: Wenn die Datensensibilität wichtig ist, hosten Sie die Weights selbst; wenn Sie die gehostete API nutzen, behandeln Sie sie wie jeden anderen Drittanbieter-Cloud-Endpunkt, der seiner Gerichtsbarkeit unterliegt.
GLM-5.2 Preise und Kosten
Über die gehostete API läuft GLM-5.2 zu rund einem Sechstel der Kosten geschlossener Spitzenmodelle (VentureBeat, Juni 2026). Die gemeldeten Preise liegen bei etwa 1,4 $ pro 1 Mio. Eingabe-Token und 4,4 $ pro 1 Mio. Ausgabe-Token (Stand Juni 2026), also 1,4 $ / 4,4 $ pro 1 Mio. Token. Berücksichtigen Sie die hohe Ausgabe pro Aufgabe (~43.000 Token), wenn Sie die realen Workload-Kosten schätzen.
Sollten Sie GLM-5.2 verwenden?
GLM-5.2 Entscheidungsleitfaden
Lokales LLM nutzen, wenn:
- •Sie möchten ein ausgereiftes, unabhängig verifiziertes Open-Weights-Modell auf Platz 2 mit nachgewiesener Erfolgsbilanz
- •Sie benötigen Selbst-Hosting und Datenkontrolle innerhalb Ihrer eigenen Grenze
- •Sie führen Coding-Aufgaben mit langem Horizont aus
- •Sie möchten spitzenklassennahe Qualität zu rund einem Sechstel der Kosten
Cloud-Modell nutzen, wenn:
- •Sie benötigen den Spitzenwert im direkten Coding- oder Reasoning-Vergleich — prüfen Sie aktuelle geschlossene Modelle wie Claude Opus 5 oder GPT-5.6 Sol
- •Sie möchten das absolut stärkste Open-Weights-Modell und ziehen stattdessen eine Prüfung von Kimi K3 in Betracht
- •Sie können keine Multi-GPU- oder gemietete GPU-Infrastruktur bereitstellen
Schnelle Entscheidung:
- →Heute weiterhin eine starke Open-Weights-Option, aber nicht mehr die beste — Kimi K3 führt jetzt bei den Open Weights, und Z.ais eigenes GLM-5.3 könnte GLM-5.2 ablösen, sobald dessen Weights erscheinen. Prüfen Sie die umstrittenen Benchmarks an Ihren eigenen Aufgaben, bevor Sie sich festlegen.
GLM-5.2: Regionaler Kontext
EU / DSGVO: Das Selbst-Hosten von GLM-5.2 unter der MIT-Lizenz hält alle Inferenzdaten innerhalb Ihrer eigenen Infrastruktur, was die Erwartungen an die Datenresidenz gemäß der DSGVO erfüllt. Für Unternehmen im DACH-Raum (Deutschland, Österreich, Schweiz) lässt sich der lokale Betrieb in bestehende IT-Sicherheitsstandards einordnen: Die BSI-Grundschutz-Kataloge behandeln den Modellbetrieb innerhalb der eigenen Systemgrenze als kontrollierbaren Verarbeitungsschritt. Der Compliance-Unterschied zwischen Modellen liegt in der Lieferantendokumentation, nicht in der Datenverarbeitung, wenn die Inferenz lokal läuft.
Japan (METI): Dokumentieren Sie bei produktiven Bereitstellungen die Modellversion (GLM-5.2), die Lizenz (MIT) und ob die Inferenz auf selbst gehosteten Weights oder über die Z.ai-API läuft, im Einklang mit den METI-Leitlinien zur KI-Governance.
China / Datenpfad: GLM-5.2 wird von einem chinesischen Labor entwickelt. Der entscheidende Compliance-Hebel ist der Bereitstellungspfad, nicht das Modell: Selbst gehostete MIT-Weights halten die Daten innerhalb Ihrer Grenze, während die erstparteiliche Z.ai-API ihrer Heimatgerichtsbarkeit unterliegt. Wählen Sie den Pfad, der Ihren Datenresidenz-Anforderungen entspricht.
Häufige Fehler bei der Bewertung von GLM-5.2
- Anzunehmen, "Open Weights" bedeute "läuft zu Hause". Die Größe von ~744B erfordert Multi-GPU- oder gemietete Infrastruktur; nur 1-Bit-GGUF-Builds passen auf Consumer-Hardware.
- Die erstparteilichen Benchmarks von Z.ai als verifiziert zu behandeln. Orientieren Sie sich am unabhängigen Artificial Analysis Index; behandeln Sie vom Unternehmen durchgeführte Coding-Zahlen als Behauptungen.
- Die MIT-Weights mit der gehosteten API bei der Daten-Governance zu vermengen. Selbst-Hosting hält Daten lokal; die API unterliegt ihrer Heimatgerichtsbarkeit.
- Anzunehmen, GLM-5.2 sei weiterhin Platz 1 bei den Open Weights. Kimi K3 von Moonshot AI übernahm diesen Platz im Juli 2026; GLM-5.2 liegt jetzt auf Platz 2, und Z.ais eigenes GLM-5.3 (August 2026) verbessert bereits einige Coding-Werte von GLM-5.2, auch wenn dessen öffentliche Weights noch nicht erschienen sind.
- Die Ausgabe von ~43.000 Token pro Aufgabe zu ignorieren, wenn Sie Inferenzzeit und -kosten budgetieren.
Häufig gestellte Fragen
Ist GLM-5.2 noch das beste Open-Weights-Modell?
Nein — Stand August 2026 hält Kimi K3 von Moonshot AI (veröffentlicht am 27. Juli 2026) mit 57 Punkten Platz 1 im Artificial Analysis Intelligence Index, vor GLM-5.2 mit ~52,6. GLM-5.2 war bei seiner Veröffentlichung im Juni 2026 Platz 1 bei den Open Weights (51 Punkte), liegt jetzt aber auf Platz 2, weiterhin vor MiniMax-M3 und DeepSeek V4 Pro (beide 44).
Kann ich GLM-5.2 auf einem normalen PC oder Mac ausführen?
Nicht das vollständige Modell. Mit ~744B Parametern benötigt es Multi-GPU-Server oder eine gemietete Cloud-GPU. Auf Consumer-Hardware sind Sie auf stark quantisierte 1-Bit-GGUF-Builds beschränkt, die Qualität und Geschwindigkeit kosten. Z.ais kleineres GLM-5.3-Flash (320B gesamt / ~18B aktiv, MIT-Lizenz) ist etwas besser selbst hostbar, aber weiterhin kein Fall für einen Consumer-Laptop. Sehen Sie sich unsere Hardware-Leitfäden an, um zu verstehen, was große lokale Modelle tatsächlich erfordern.
Schlägt GLM-5.2 GPT-5.5, Claude Opus 4.8 und deren Nachfolger?
Bei der Veröffentlichung sahen unabhängige Ergebnisse GLM-5.2 beim Coding vor GPT-5.5, während es gegenüber Claude Opus 4.8 in den meisten Direktvergleichen zurücklag — zum Beispiel bei Terminal-Bench 2.1 (81,0 vs. 85,0). Beide wurden seither von GPT-5.6 Sol und Claude Opus 5 abgelöst, und GLM-5.2 liegt hinter diesen neueren geschlossenen Modellen mit größerem Abstand zurück als hinter deren Vorgängern. Die zutreffende Zusammenfassung zum Stand August 2026 lautet: "ein starkes Open-Weights-Modell auf Platz 2, weiter von der geschlossenen Spitzenklasse entfernt als bei der Veröffentlichung".
Wurde GLM-5.2 durch GLM-5.3 oder Kimi K3 abgelöst?
GLM-5.2 wurde nicht abgelöst, aber gleich in zweifacher Hinsicht überholt. Z.ai veröffentlichte GLM-5.3 am 14. August 2026 — dasselbe Basismodell mit intensiverem Post-Training und deutlich besseren Coding-Ergebnissen —, doch die öffentlichen Weights waren zum Zeitpunkt dieser Aktualisierung noch nicht erschienen; verfügbar ist es nur über Z.ais API und Coding Plan. Separat davon übernahm Kimi K3 von Moonshot AI (27. Juli 2026) von GLM-5.2 den Platz als bestes Open-Weights-Modell insgesamt. GLM-5.2 bleibt eine vollständig selbst hostbare, unabhängig verifizierte Open-Weights-Option auf Platz 2.
Ist GLM-5.2 wirklich kostenlos? Was ist die Lizenz?
GLM-5.2 wird unter der MIT-Lizenz ohne regionale Nutzungsbeschränkungen veröffentlicht, sodass Sie es kostenlos herunterladen, selbst hosten und modifizieren können. Der Betrieb des vollständigen Modells kostet dennoch echte Infrastruktur (Multi-GPU oder gemietete GPU), und die gehostete Z.ai-API ist ein kostenpflichtiger Dienst.
Sind meine Daten bei GLM-5.2 sicher?
Das hängt vom Bereitstellungspfad ab. Selbst gehostete MIT-Weights halten alle Daten innerhalb Ihrer eigenen Grenze. Die erstparteiliche Z.ai-API bringt Erwägungen zur China-Datenresidenz mit sich, auf die unabhängige Berichterstattung hinweist, also behandeln Sie sie wie jeden anderen Drittanbieter-Cloud-Endpunkt, der seiner Gerichtsbarkeit unterliegt.
Sind die Benchmark-Zahlen von GLM-5.2 vertrauenswürdig?
Der unabhängige Artificial Analysis Index bestätigt das Ranking von GLM-5.2 auf Platz 2 bei den Open Weights zum Stand August 2026. Die eigenen Coding-Zahlen von Z.ai sind vom Unternehmen gemeldet, und die Reproduzierbarkeit ist umstritten — das gilt auch für die gemeldeten Fortschritte von GLM-5.3. Orientieren Sie sich an den unabhängigen Zahlen und behandeln Sie erstparteiliche Werte als Behauptungen.
Wie viel kostet der Betrieb von GLM-5.2 über die API?
Rund ein Sechstel der Kosten geschlossener Spitzenmodelle. Die gemeldeten Preise liegen bei etwa 1,4 $ pro 1 Mio. Eingabe-Token und 4,4 $ pro 1 Mio. Ausgabe-Token (Juni 2026, unverändert zum Stand dieser Aktualisierung). Da GLM-5.2 durchschnittlich ~43.000 Ausgabe-Token pro Aufgabe benötigt, schätzen Sie die realen Kosten anhand Ihres eigenen Workloads statt allein anhand der Token-Preise.
Welche Hardware benötige ich, um GLM-5.2 ordentlich selbst zu hosten?
Für das vollständige Modell Multi-GPU-Server oder eine gemietete Cloud-GPU. Consumer-Hardware kann nur stark quantisierte 1-Bit-GGUF-Builds ausführen. Sehen Sie sich den Hardware-Leitfaden für lokale LLMs 2026, Gebrauchte GPUs für lokale LLMs und 70B-Modelle auf Consumer-Hardware ausführen an, um Ihr Setup zu dimensionieren.
Erfüllt das Selbst-Hosten von GLM-5.2 die DSGVO und die BSI-Anforderungen?
Beim Selbst-Hosten ja. Wenn Sie die MIT-lizenzierten GLM-5.2-Weights in Ihrer eigenen Infrastruktur betreiben, verlassen die Inferenzdaten Ihre Systemgrenze nicht, was die Datenresidenz-Anforderungen der DSGVO erfüllt und sich in die Auftragsverarbeitungspflichten nach Art. 28 DSGVO einordnen lässt. Der lokale Betrieb passt zudem in die Kontrolllogik der BSI-Grundschutz-Kataloge, da die Verarbeitung innerhalb Ihrer kontrollierten Umgebung bleibt. Die erstparteiliche Z.ai-API unterliegt dagegen ihrer Heimatgerichtsbarkeit und ist wie jeder Drittanbieter-Cloud-Endpunkt zu bewerten.
Ist GLM-5.2 für den deutschen Mittelstand geeignet?
Ja, wenn das Unternehmen Multi-GPU- oder gemietete GPU-Kapazität bereitstellen kann. GLM-5.2 bietet dem Mittelstand spitzenklassennahe Open-Weights-Qualität bei voller Datenkontrolle und ohne Lizenzkosten, was für regulierte Branchen (Finanzwesen, Fertigung, Recht) im DACH-Raum attraktiv ist. Fehlt die nötige Hardware oder das GPU-Budget, sind kleinere lokale Modelle, die auf einer einzelnen GPU laufen, für den Mittelstand die praktischere Wahl; GLM-5.2 lässt sich dann gezielt über die gehostete API für einzelne Aufgaben nutzen, sofern der Datenpfad zur Compliance passt.
Quellen
- Artificial Analysis. (2026). "GLM-5.2 is the new leading open-weights model on the Artificial Analysis Intelligence Index." artificialanalysis.ai/articles/glm-5-2-is-the-new-leading-open-weights-model-on-the-artificial-analysis-intelligence-index — Unabhängiges Intelligence-Index-v4.1-Ranking (51, Platz 1 Open / Platz 4 insgesamt).
- TechTimes. (2026, 17. Juni). "GLM-5.2 open weights live, tops coding benchmark; API use carries China data risk." www.techtimes.com/articles/318543/20260617/glm-52-open-weights-live-top-coding-benchmark-api-use-carries-china-data-risk.htm — Erwägungen zur Datenresidenz auf dem Z.ai-API-Pfad.
- VentureBeat. (2026). "Z.ai's open-weights GLM-5.2 beats GPT-5.5 on multiple long-horizon coding benchmarks for 1/6th the cost." venturebeat.com/technology/z-ais-open-weights-glm-5-2-beats-gpt-5-5-on-multiple-long-horizon-coding-benchmarks-for-1-6th-the-cost — Unabhängiger Coding-Vergleich und Kosteneinordnung.
- LetsDataScience. (2026). "GLM-5.2 open weights beats GPT-5.5 coding." letsdatascience.com/blog/glm-5-2-open-weights-beats-gpt-5-5-coding — Unabhängige Berichterstattung über die Coding-Ergebnisse.
- TechTimes. (2026, 24. Juli). "Kimi K3 Open Weights Drop July 27: Near-Frontier Coding, Undisclosed Hallucination Risk." www.techtimes.com/articles/321499/20260724/kimi-k3-open-weights-drop-july-27-near-frontier-coding-undisclosed-hallucination-risk.htm — Veröffentlichung von Kimi K3, das GLM-5.2 Platz 1 bei den Open Weights abnahm.
- VentureBeat. (2026, 14. August). "GLM-5.3 is here with advanced cyber capabilities — and reportedly already found a 'serious vulnerability' in Cursor." venturebeat.com/technology/glm-5-3-is-here-with-advanced-cyber-capabilities-and-reportedly-already-found-a-serious-vulnerability-in-cursor — Veröffentlichung von GLM-5.3, gleiches Basismodell wie GLM-5.2, zunächst nur über API.
- MarkTechPost. (2026, 26. August). "Z.ai Releases GLM-5.3-Flash: A 320B-A18B Natively Multimodal MoE With a 1M-Token Context." www.marktechpost.com/2026/08/26/z-ai-releases-glm-5-3-flash-a-320b-a18b-natively-multimodal-moe-with-a-1m-token-context/ — Spezifikationen von GLM-5.3-Flash und sofortige MIT-Veröffentlichung.