GLM-5.2
Zhipu AI · Veröffentlicht 13. Juni 2026
Was es wirklich ist
Jahrelang bedeutete das lokale Betreiben von Frontier-KI einen Kompromiss: Privatsphäre oder Leistung, aber nicht beides. GLM-5.2 ist das erste offene Modell, bei dem dieser Kompromiss optional wird.
Die Evidenz kommt aus zwei Richtungen gleichzeitig. Design Arena — eine Community-getriebene Rangliste — platzierte GLM-5.2 auf #1 mit Elo 1360. AkitaOnRails bewertete es mit 87/100 (Tier A), von GLM-5.1s 46/100 — der größte Versionssprung in der Benchmark-Geschichte.
Mit 744B Gesamtparametern bei ~40B aktiven ist GLM-5.2 deutlich kompakter als DeepSeek V4 (1,6T/49B aktiv) und liefert stärkere verifizierte Benchmarks. Mit dynamischer 2-Bit-Quantisierung passt das Modell in ~241GB — erreichbar für Mac Studios mit 256GB oder Dual-GPU-Workstations.
Die MIT-Lizenz macht die Ökonomie möglich. Keine regionalen Limits, keine Nutzungsschwellen. Frontier-Grade-Coding-Intelligenz, die Ihr Netzwerk nie verlässt.
Zentrale Stärken
- Frontier-Coding von eigener Hardware: Design Arena #1 (Elo 1360), SWE-bench Pro 62,1%, Terminal-Bench 82,7. Unabhängig validiert. Auf eigener Infrastruktur betreiben ohne Code an fremde Clouds zu senden.
- Kompakter als erwartet: 744B/~40B aktiv — deutlich kleiner als DeepSeek V4 (1,6T) mit stärkeren Benchmarks. Mit dynamischer 2-Bit-Quantisierung (~241GB) passt es auf High-End Mac Studios mit 256GB.
- 1M-Kontext für echtes Engineering: Speziell für Coding-Agent-Szenarien trainiert. IndexShare reduziert FLOPs um das 2,9-Fache bei 1M Kontext.
- MIT-Lizenz ohne Bedingungen: Keine regionalen Limits, keine Nutzungsschwellen. Von Hugging Face herunterladen und kommerziell deployen.
- Zwei Reasoning-Modi: High für Routineaufgaben, Max für komplexes Debugging. Kontrolle über Rechenkosten beim Self-Hosting.
-
Design Arena — #1 (Elo 1360) Erstes Open-Weight-Modell an der Spitze der Coding-Kategorien. Unabhängige Community-Validierung.
-
SWE-bench Pro — 62,1% Höchster Open-Weight-Score. Schlägt GPT-5.5 (58,6%). Verified-Subsets ~78%+.
-
Architektur — 744B MoE / ~40B aktiv Kompakter als DeepSeek V4 (1,6T). IndexShare reduziert FLOPs 2,9× bei 1M Kontext. ~241GB bei dynamischer 2-Bit-Quantisierung.
-
AkitaOnRails — 87/100 Tier A Multi-Turn-Coding-Test. +41 Punkte von GLM-5.1 — größter Intra-Familien-Sprung je.
Ehrliche Einschränkungen
- Kein Laptop-Modell: ~241GB bei dynamischer 2-Bit-Quantisierung. 256GB+ Unified Memory Mac oder Multi-GPU-Workstation nötig.
- Keine native Vision: Nur Text und Code.
- Langsamer als leichte Modelle: 744B-Architektur ist pro Token langsamer als Qwen 3.6 27B oder Gemma 4.
- Westliches Ökosystem reift: Englische Dokumentation wächst, aber weniger ausgereift als das chinesische Ökosystem.
Das Fazit: Das lokale KI-Modell, das das Gespräch verändert. GLM-5.2 ist das erste offene Modell, bei dem der Abstand in einzelnen Ziffern gemessen wird und die Community mit den offiziellen Benchmarks übereinstimmt. Design Arena #1. AkitaOnRails Tier A. SWE-bench Pro SOTA für offene Gewichte. Alles unter MIT, alles von Hugging Face herunterladbar. Der Haken ist ehrlich: Sie brauchen ernsthafte Hardware. Aber für Teams mit der Infrastruktur ist dies Frontier-Grade-Coding-Intelligenz, die Ihr Netzwerk nie verlässt.