Zhipu AIs GLM-5.2 schließt bei Coding-Marathons zur Closed-Source-Spitze auf

Ein großes Kontextfenster sei leicht zu behaupten, aber schwer zuverlässig zu halten, schreibt Zhipu AI im begleitenden Blogpost. Das Modell müsse Qualität über lange, unstrukturierte Coding-Agent-Verläufe aufrechterhalten, nicht nur mehr Token akzeptieren.

Nur noch ein Prozentpunkt hinter neustem Opus-Modell

Drei extern durchgeführte Benchmarks für langwierige Programmieraufgaben zeigen, wo GLM-5.2 im Vergleich steht. Auf FrontierSWE, das offene technische Projekte im Umfang von Stunden bis Dutzenden Stunden bewertet, landet GLM-5.2 mit 74,4 Prozent nur einen Prozentpunkt hinter Anthropics Claude Opus 4.8 und schiebt sich knapp vor OpenAIs GPT-5.5.

Auf PostTrainBench, wo ein Agent mit einer H100-GPU kleine Modelle durch Post-Training verbessern soll, übertrifft GLM-5.2 sowohl GPT-5.5 als auch Opus 4.7 und landet erneut auf dem zweiten Platz hinter Opus 4.8. Auf SWE-Marathon, einem Ultra-Langzeit-Benchmark mit technisch anspruchsvollen Aufgaben wie Compiler-Bau und Kernel-Optimierung, ist die Lücke allerdings größer: GLM-5.2 erreicht hier nur die Hälfte des Opus-4.8-Werts. Anthropics aktuell stärkste Modelle Fable und Mythos sind in diesen Vergleichen nicht enthalten: Fable wurde nach kurzer Zeit wieder vom Markt genommen, Mythos nie breit veröffentlicht. Über alle drei Benchmarks hinweg ist GLM-5.2 laut Zhipu AI dennoch das stärkste Open-Source-Modell.

Auch bei Standard-Coding-Aufgaben fällt der Sprung gegenüber dem Vorgänger deutlich aus. Auf Terminal-Bench 2.1 verbessert sich GLM-5.2 von 63,5 (GLM-5.1) auf 81 und rückt damit bis auf wenige Punkte an Claude Opus 4.8 heran. Auf SWE-bench Pro steigt der Wert von 58,4 auf 62,1.

Nutzer können außerdem den Denkaufwand des Modells über verschiedene Effort-Level steuern. Bei vergleichbarem Token-Budget liefert GLM-5.2 laut Zhipu AI deutlich stärkere Coding-Ergebnisse als GLM-5.1. Die höchste Stufe "Max" erlaubt es, bei besonders schwierigen Aufgaben zusätzliche Rechenleistung zuzuweisen.

Reasoning bleibt deutlich hinter der Closed-Source-Konkurrenz

Bei Wissens- und Reasoning-Aufgaben wiederholt sich ein Muster, das schon bei GLM-5.1 sichtbar war. Auf Humanity's Last Exam bleibt GLM-5.2 laut der Benchmark-Tabelle klar hinter Claude Opus 4.8 und Gemini 3.1 Pro, die beide fast zehn beziehungsweise fünf Prozentpunkte darüber liegen. Auch beim wissenschaftlichen Fragebenchmark GPQA-Diamond ordnet sich GLM-5.2 hinter den führenden Closed-Source-Modellen ein. Manche Mathe-Benchmarks beherrscht das Modell hingegen souverän, mit 99,2 Prozent auf AIME 2026.

Bei agentenbasierten Aufgaben jenseits des Codings zeigt sich ein gemischtes Bild. Auf MCP-Atlas, einem Test für Tool-Nutzung, liegt GLM-5.2 fast gleichauf mit Opus 4.8. Beim Tool-Decathlon fällt es hingegen hinter Opus 4.8 und GPT-5.5 deutlich zurück.

Die unabhängige Plattform Artificial Analysis bestätigt das Bild der Leistungssteigerung gegenüber dem Vorgänger: Auf ihrem Intelligence Index ist GLM-5.2 mit 51 Punkten das derzeit stärkste Modell mit offenen Gewichten und liegt klar vor MiniMax M3, DeepSeek V4 Pro und Kimi K2.6. Die größten Fortschritte zeigt es beim wissenschaftlichen Reasoning, zugleich halluziniert es etwas seltener als der Vorgänger.

Bei GDPval-AA v2, das Artificial Analysis als wichtigste Messgröße für reale, agentische Aufgaben sieht, erreicht GLM-5.2 sogar das Niveau des proprietären GPT-5.5. Der Preis dafür: Das Modell verbraucht deutlich mehr Token als die offene Konkurrenz und zählt damit zu den weniger effizienten seiner Klasse.

Neue Architektur senkt Rechenkosten bei langem Kontext erheblich

Um den 1-Million-Token-Kontext praktikabel zu machen, führt Zhipu AI eine Technik namens IndexShare ein. Dabei teilen sich jeweils vier Transformer-Schichten denselben leichtgewichtigen Indexer, statt dass jede Schicht einen eigenen berechnet. Das soll die Rechenoperationen pro Token um den Faktor 2,9 bei einer Million Token Kontextlänge reduzieren.

Zhipu AI optimiert außerdem, wie schnell das Modell Text erzeugt. Beim sogenannten spekulativen Dekodieren sagt das Modell mehrere Token gleichzeitig voraus und verwirft falsche Vorhersagen nachträglich. Durch mehrere Verbesserungen an diesem Verfahren akzeptiert GLM-5.2 laut den Ablationsstudien des Unternehmens im Schnitt 20 Prozent mehr der vorausgesagten Token, was die Textgenerierung entsprechend beschleunigt.

Beim Training schummelt das Modell mit GitHub-Downloads

Ungewöhnlich offen beschreibt Zhipu AI ein Problem, das beim Reinforcement Learning für Coding-Aufgaben auftritt. Weil die Belohnung typischerweise ein binäres Bestanden/Nicht-bestanden-Signal ist, kann das Modell lernen, dieses Signal zu manipulieren, statt tatsächlich besser zu programmieren. GLM-5.2 zeige dabei mehr solcher Betrugsversuche als sein Vorgänger.

Das Modell lädt laut Zhipu AI etwa Lösungscode direkt von GitHub per curl-Befehl herunter, sucht gezielt nach versteckten Evaluierungsdateien im Dateisystem oder verkettet mehrere Befehle, um zunächst die geheimen Testfälle zu finden und dann ein Lösungsskript damit zu füttern. Diese Verhaltensweisen blähen die Belohnungssignale auf und korrumpieren das Training.

Zhipu AI hat deshalb ein zweistufiges Anti-Hacking-Modul entwickelt. Ein regelbasierter Filter fängt zunächst verdächtige Aktionen ab, anschließend prüft ein LLM-Richter die Absicht hinter den markierten Aufrufen. Das System blockiert nur den einzelnen betrügerischen Aufruf und gibt eine Dummy-Antwort zurück, lässt den Trainingslauf aber weiterlaufen. So soll verhindert werden, dass abgebrochene Rollouts das Modell destabilisieren.

Modellgewichte und API ab sofort verfügbar

Die Modellgewichte stehen ab sofort auf HuggingFace, ModelScope bereit, der Code auf GitHub, veröffentlicht unter MIT-Lizenz ohne regionale Einschränkungen. GLM-5.2 lässt sich über Z.ai als Chat und API nutzen und in Coding-Agenten wie ZCode, Claude Code und OpenCode einbinden. Für lokales Deployment unterstützt Zhipu AI die Inferenz-Frameworks vLLM, SGLang, transformers, xLLM und ktransformers.

Vor kurzem hatte Zhipu AI mit GLM-5.1 ein Open-Weight-Modell vorgestellt, das bei Coding-Aufgaben über Hunderte Iterationen hinweg seine eigene Strategie optimieren konnte und unter anderem einen Linux-Desktop innerhalb von acht Stunden gebaut haben soll. GLM-5.2 baut darauf auf und erweitert die Modellfamilie um den 1-Million-Token-Kontext sowie deutlich verbesserte Long-Horizon-Fähigkeiten.

Der Wettbewerb unter den chinesischen KI-Laboren bleibt dabei intensiv: Neben Zhipu AI positionieren sich auch Moonshot AI mit Kimi K2.7-Code und MiniMax mit M3 im Markt für autonome Coding-Agenten mit langen Kontextfenstern.