Wichtigste Erkenntnisse
- Platz 1 Open Weights, Platz 4 insgesamt. GLM-5.2 erreicht 51 Punkte im Artificial Analysis Intelligence Index v4.1 — das beste Open-Weights-Modell, Platz 4 insgesamt, +11 gegenüber GLM-5.1 (40) und rund 7 Punkte Vorsprung vor den nächsten offenen Modellen MiniMax-M3 (44) und DeepSeek V4 Pro (44).
- Es führt bei den Open Weights, nicht im gesamten Feld. Es liegt etwa 5 Punkte unter Claude Fable 5 und insgesamt hinter der geschlossenen Spitzenklasse. "Schließt die Lücke" — nicht "schlägt die Spitzenklasse".
- Stark beim Coding, Zweiter hinter Opus 4.8. Unabhängige Coding-Ergebnisse sehen GLM-5.2 vor GPT-5.5, jedoch in den meisten Direktvergleichen hinter Claude Opus 4.8.
- ~744B Parameter sind nicht zu Hause ausführbar. Es ist ein Mixture-of-Experts-Modell (~40B aktiv pro Token), doch das vollständige Modell benötigt Multi-GPU oder eine gemietete GPU; nur stark quantisierte 1-Bit-GGUF-Builds passen auf Consumer-Hardware.
- 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.
Wie gut ist GLM-5.2? Zuerst die unabhängigen Benchmarks
In der einen unabhängigen, herstellerübergreifenden Rangliste — dem Artificial Analysis Intelligence Index v4.1 — ist GLM-5.2 mit 51 Punkten das beste Open-Weights-Modell, Platz 4 insgesamt (Artificial Analysis, Juni 2026).
| Modell | Index v4.1 | Kategorie |
|---|---|---|
| Claude Fable 5 | ~56 | Geschlossene Spitzenklasse |
| GLM-5.2 | 51 | Platz 1 Open Weights / Platz 4 insgesamt |
| MiniMax-M3 | 44 | Open Weights |
| DeepSeek V4 Pro | 44 | Open Weights |
| GLM-5.1 (vorherige Version) | 40 | Open Weights |
Unabhängige Coding-Ergebnisse: Terminal-Bench 2.1 — GLM-5.2 erreicht 81,0 gegenüber Claude Opus 4.8 mit 85,0. SWE-bench Pro — GLM-5.2 mit 62,1 (von Z.ai gemeldeter Punktwert) liegt vor GPT-5.5 mit 58,6; unabhängige Berichterstattung bestätigt diese Reihenfolge. FrontierSWE — GLM-5.2 mit 74,4 (von Z.ai gemeldeter Punktwert) schlägt GPT-5.5 (72,6) und liegt etwa einen Punkt hinter Opus 4.8 (75,1), eine Reihenfolge, die unabhängige Berichterstattung bestätigt. Unabhängiges Fazit: GLM-5.2 ist das stärkste verfügbare Open-Source-Coding-Modell zum Stand Juni 2026, liegt aber in den meisten Direktvergleichen weiterhin hinter Claude Opus 4.8 (VentureBeat; letsdatascience, Juni 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 den Anspruch auf Platz 1 bei den Open Weights stützt.
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.
- 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
Use a local LLM if:
- •Sie möchten das derzeit stärkste verfügbare Open-Weights-Modell
- •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
Use a cloud model if:
- •Sie benötigen den Spitzenwert im direkten Coding- oder Reasoning-Vergleich
- •Sie benötigen keine Open Weights und bevorzugen ein geschlossenes Spitzenmodell wie Claude Opus 4.8
- •Sie können keine Multi-GPU- oder gemietete GPU-Infrastruktur bereitstellen
Quick decision:
- →Heute die beste Open-Weights-Option — aber 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.
- "Platz 1 Open Weights" als "schlägt die Spitzenklasse" zu lesen. GLM-5.2 ist Platz 4 insgesamt und liegt in den meisten Direktvergleichen hinter Claude Opus 4.8.
- Die Ausgabe von ~43.000 Token pro Aufgabe zu ignorieren, wenn Sie Inferenzzeit und -kosten budgetieren.
Häufig gestellte Fragen
Ist GLM-5.2 derzeit das beste Open-Weights-Modell?
Laut dem unabhängigen Artificial Analysis Intelligence Index v4.1 (Juni 2026) ja — GLM-5.2 erreicht 51 Punkte, das beste Open-Weights-Ergebnis und Platz 4 insgesamt. Es führt vor den nächsten offenen Modellen MiniMax-M3 und DeepSeek V4 Pro (beide 44) um rund 7 Punkte. Insgesamt schlägt es jedoch nicht die geschlossene Spitzenklasse.
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. Sehen Sie sich unsere Hardware-Leitfäden an, um zu verstehen, was große lokale Modelle tatsächlich erfordern.
Schlägt GLM-5.2 GPT-5.5 und Claude Opus 4.8?
Beim Coding sehen unabhängige Ergebnisse GLM-5.2 vor GPT-5.5 (zum Beispiel die Reihenfolgen bei SWE-bench Pro und FrontierSWE). Gegenüber Claude Opus 4.8 liegt es in den meisten Direktvergleichen zurück — zum Beispiel bei Terminal-Bench 2.1 (81,0 vs. 85,0) und FrontierSWE (etwa einen Punkt dahinter). Die korrekte Zusammenfassung lautet "führt bei den Open Weights, schließt die Lücke zur Spitzenklasse", nicht "schlägt die Spitzenklasse".
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 auf Platz 1 bei den Open Weights. Die eigenen Coding-Zahlen von Z.ai sind vom Unternehmen gemeldet, und die Reproduzierbarkeit ist umstritten — der Artificial-Analysis-Bericht weist darauf hin, dass interne Evaluierungen schwächer ausfielen als die veröffentlichten Benchmarks. 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). 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." https://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." https://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." https://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." https://letsdatascience.com/blog/glm-5-2-open-weights-beats-gpt-5-5-coding — Unabhängige Berichterstattung über die Coding-Ergebnisse.