GLM 5.2 und GLM 5.3 sind die aktuellen Coding Modelle von Zhipu AI (Z.ai). GLM 5.2 kam am 13. Juni 2026 mit einem nutzbaren Kontextfenster von einer Million Token, GLM 5.3 folgte am 14. August 2026 auf exakt derselben Basis und holt seine gesamte Mehrleistung allein aus dem Post Training.

Stand 14. August 2026: GLM 5.3 ist das aktuelle Modell der Reihe. Z.ai misst rund 50 Prozent mehr Coding Leistung als bei GLM 5.2 und stellt Cyber Defense als zweiten Schwerpunkt daneben. Die offenen Gewichte fehlen zum Start noch. GLM 5.3 läuft damit vorerst nur über Z.ai, während GLM 5.2 mit MIT Lizenz bei jedem Anbieter betrieben werden kann.

Technisch baut GLM 5.2 auf der Architektur von GLM 5 auf: ein Mixture of Experts Modell mit 744 Milliarden Parametern, von denen pro Token rund 40 Milliarden aktiv sind. GLM 5.3 nutzt genau dieses Basismodell weiter. Damit reiht sich die Reihe in die schnelle Modellfolge von Z.ai ein, zu der auch GLM 5 Turbo gehört.

Wichtig für eine ehrliche Einordnung: Bei GLM 5.2 hat Zhipu zum Launch keine eigenen Benchmarks veröffentlicht. Erst über Artificial Analysis und Unsloth kamen Vergleichszahlen, die das Modell in vielen Disziplinen auf Augenhöhe mit Claude Opus 4.8, GPT 5.5 und Gemini 3.1 Pro sehen. Bei GLM 5.3 lagen die Zahlen am Launchtag vor, allerdings komplett aus eigener Messung. Unabhängige Nachmessungen stehen in beiden Fällen weiter aus, deshalb bewerten wir vorsichtig.

Bei Never Code Alone setzen wir voll auf chinesische Open Weight Modelle. GLM 5 Turbo läuft über Z.ai produktiv in unserem Stack, lokal fahren wir Qwen3 Coder und MiniMax über Ollama. Wir sind überzeugt: Open Weights unter MIT Lizenz, ohne US Abhängigkeit, sind für professionelle Entwicklung die stärkste Basis. Und wir lernen täglich dazu, weil wir genau diese Modelle jeden Tag im echten Projekt einsetzen.

GLM 5.2 reiht sich genau in diesen Kurs ein, und jede neue Version nehmen wir sofort in die Hand. Welches Modell zu welchem Workflow passt, klären wir im Vibe Coding Consulting, verankern bewährte Vibe Coding Best Practices in euren Prozessen und richten lokale KI Stacks ohne US Anbieter ein. Wer GLM 5.2 mit Agents wie Claude Code, OpenCode oder Crush einsetzen will, bekommt von uns eine fundierte Einordnung aus täglicher Praxis.

Am 14. August 2026 hat Z.ai GLM 5.3 veröffentlicht, gut zwei Monate nach GLM 5.2. Das Besondere daran: Das Basismodell bleibt unangetastet. Z.ai nutzt exakt die 743 Milliarden Parameter Basis von GLM 5.2 und holt den kompletten Zuwachs aus skaliertem Post Training. Kein neues Pre Training, keine neue Architektur, keine höhere Parameterzahl.

• Rund 50 Prozent mehr Coding Leistung: Z.ai misst den Sprung gegenüber GLM 5.2 auf der eigenen Code Bench. Eine Herstellerzahl, kein unabhängiger Test.
• Terminal Bench 3.0 von 4,6 auf 28,3 Prozent: Der größte Einzelsprung der ganzen Reihe und laut Z.ai Bestwert unter offenen Modellen.
• Kürzere Ausführungspfade: Auf der Reasoning Stufe High erreicht GLM 5.3 nach Z.ai Messung 31,4 Prozent Genauigkeit bei rund 50.000 Output Token pro Aufgabe. Claude Opus 4.8 kommt auf 29,5 Prozent, braucht dafür aber rund 120.000 Token.
• Cyber Defense als eigener Schwerpunkt: CyberGym steigt auf 84,5 Prozent, ExploitBench verdoppelt sich auf 54,4 Prozent. Z.ai positioniert das Modell klar für Verteidigung, nicht für Exploit Entwicklung.
• Gestaffelter Zugang: Start über den GLM Coding Plan und die hauseigene Agent Umgebung ZCode. Breiter API Zugang und die offenen Gewichte folgen gestaffelt nach einer Sicherheitsprüfung, laut Z.ai rund zwei Wochen nach dem Launch.
• slime bleibt offen: Das asynchrone Reinforcement Learning Framework hinter dem Post Training ist weiter öffentlich verfügbar.

Der Slogan von Z.ai fasst die Ausrichtung zusammen: gebaut zum Programmieren, bereit für Cyber Defense. Wer die Reihe seit GLM 5 verfolgt, sieht hier den ersten Release, bei dem Z.ai nicht mehr über Größe argumentiert, sondern über Training.

Z.ai hat zum Launch eine eigene Benchmark Übersicht veröffentlicht. Alle Zahlen stammen vom Hersteller, unabhängige Nachmessungen fehlen bisher. Der Vergleich mit der Vorgängerversion ist trotzdem aufschlussreich, weil beide Modelle auf derselben Basis laufen. Die Differenz zeigt also, was reines Post Training bewirkt.

Ein Modell mit 744 Milliarden Parametern stellt sich niemand in den Serverraum. Die Hardware dafür liegt im hohen sechsstelligen Bereich und rechnet sich für kein normales Entwicklerteam. Unsere Regel lautet deshalb: Coding kommt aus der Cloud, die Datenverarbeitung bleibt im eigenen Netz. Gearbeitet wird gegen lokale Dev Umgebungen mit Fake Daten, für die Inferenz gibt es EU souveräne Anbieter wie TensorX oder unseren Netzwerkpartner Conversis in Duisburg. Wie das sauber aufgesetzt wird, zeigen wir in der Beratung zu souveräner KI im Unternehmen.

Die fehlenden Gewichte von GLM 5.3 sind trotzdem ein Thema, nur nicht das, das meist daraus gemacht wird. Compliance kommt nicht aus der Lizenz. Sie kommt aus dem Betriebsweg: Vertrag, Serverstandort, Zero Data Retention und die Frage, welche Daten überhaupt zum Modell gehen. Das lässt sich auch mit geschlossenen Modellen sauber aufsetzen. Offene Gewichte liefern etwas anderes: Anbieterwahl statt Lock in, Schutz davor dass ein Modell abgeschaltet oder still ausgetauscht wird, Preisdruck durch Wettbewerb und reproduzierbar prüfbares Verhalten. Bei GLM 5.2 hast du das, bei GLM 5.3 noch nicht.

Der zweite Punkt ist der spannendere. Der komplette Sprung kommt aus dem Post Training, nicht aus mehr Rechenleistung. Das deckt sich mit dem, was wir in Projekten sehen: Ein Modellwechsel bringt selten so viel wie ein sauberes Setup drumherum. Wer OpenCode mit klaren Regeln, Tests und Guardrails fährt, holt aus Qwen3 Coder oder GLM 5.2 heute mehr heraus als aus einem Versionssprung ohne Struktur. Die passenden Vibe Coding Best Practices sind dafür der Hebel. Für die Sicherheitsseite, die Z.ai mit dem verzögerten Release selbst betont, greift unser Vibe Coding Security Audit.

Zur Einordnung noch einmal der Stand von GLM 5.2. Das Modell war kein kompletter Neubau, sondern ein fokussiertes Upgrade der GLM 5 Linie. Diese Punkte waren beim Launch am 13. Juni 2026 bestätigt:

• 1M Token Kontextfenster: Das nutzbare Kontextfenster wächst von 200.000 Token bei GLM 5 und GLM 5 Turbo auf eine Million Token. Die Model ID des vollen Fensters lautet glm-5.2[1m].
• 131.072 Token Output: Genug für Diffs auf Pull Request Größe und lange agentische Plan und Ausführungs Traces.
• Zwei Thinking Effort Stufen: High und Max ersetzen den bisherigen einzelnen Reasoning Modus. Für Coding empfiehlt Z.ai die Stufe Max.
• Coding First Flagship: GLM 5.2 ist als Flaggschiff positioniert, mit Schwerpunkt auf verlässlichem Produktionscode und langen, mehrstufigen Aufgaben.
• Sofort im GLM Coding Plan: Verfügbar auf allen Stufen Lite, Pro, Max und Team, ohne Aufpreis für bestehende Abos.
• MIT Open Weights: API, Z.ai Chatbot und die offenen Gewichte unter MIT Lizenz kamen kurz nach dem Launch.

Belastbare Benchmarks lieferte Z.ai damals erst mit Verzögerung nach. Genau dieser Punkt hat sich mit GLM 5.3 geändert: Diesmal lagen die eigenen Zahlen am Launchtag auf dem Tisch, unabhängige Nachmessungen stehen aber weiter aus.

Z.ai hat die GLM 5 Linie in wenigen Monaten mehrfach erweitert. Die folgende Tabelle ordnet alle vier Modelle ein, mit Fokus auf die Eigenschaften, die im Alltag zählen: Kontextfenster, Ausrichtung und Release.

Der Sprung auf eine Million Token ist mehr als eine größere Zahl. Z.ai betont, dass das Fenster nutzbar bleibt, also über die gesamte Länge eine hohe Trefferquote und Kohärenz behält. Genau daran scheitern viele Modelle mit nominell großem Kontext.

Praktisch passen ganze Repositories, lange Logdateien oder mehrstufige Agent Sessions in einen Durchgang, ohne ständiges Nachladen. Für lange Aufgaben mit vielen Schritten ist das der Unterschied zwischen einem Agent, der den roten Faden behält, und einem, der nach der Hälfte den Kontext verliert. Vergleichbare 1M Ansätze gibt es etwa bei MiniMax M3.

GLM 5.2 bringt zwei Reasoning Stufen statt einer. High liefert schnellere Antworten, Max denkt länger und gründlicher. Für Coding empfiehlt Z.ai ausdrücklich Max, weil komplexe, mehrstufige Arbeit von tieferem Reasoning profitiert.

In Claude Code lässt sich die Stufe über den Effort Befehl steuern. Wer mit Agent Frameworks arbeitet, sollte die Voreinstellung bewusst wählen: Bei langen Tasks zahlt sich Max meist aus, bei schnellen Iterationen reicht High.

GLM 5.2 ist sofort über den GLM Coding Plan nutzbar, auf allen Stufen von Lite bis Team. Inzwischen sind auch API, der Z.ai Chatbot und die offenen Gewichte unter MIT Lizenz verfügbar. Die Gewichte liegen als GGUF auf Hugging Face und lassen sich lokal über Ollama, llama.cpp und Unsloth Studio betreiben. Genau das macht GLM 5.2 zu einer echten Self Hosting Option und nicht nur zu einem reinen API Modell.

Bei GLM 5.3 sieht das anders aus. Das Modell startete zunächst nur über API und Coding Plan. Die offenen Gewichte kommen mit Verzögerung, laut Z.ai etwa zwei Wochen nach dem Start, weil das Modell vorher ein zusätzliches Safety Hardening durchläuft. Wer GLM 5.3 lokal betreiben will, prüft den aktuellen Stand direkt auf Hugging Face. Für Self Hosting bleibt GLM 5.2 in der Zwischenzeit die verlässliche Wahl.

Out of the box arbeitet die GLM Reihe mit den gängigen Coding Agents zusammen, darunter Claude Code, OpenCode und Crush. Für Teams, die bewusst ohne US Anbieter arbeiten, ist ein chinesisches Open Weights Modell wie GLM 5.2 eine ernsthafte Option neben Qwen3 Coder Next und MiniMax M2.5.

Mit den offenen Gewichten wird GLM 5.2 lokal betreibbar. Das volle Modell belegt rund 1,51 TB Speicher. Über die dynamischen Quantisierungen von Unsloth schrumpft das deutlich: Die 2 Bit Variante UD IQ2 M kommt mit etwa 239 GB aus, rund 84 Prozent weniger, und passt direkt auf einen Mac mit 256 GB Unified Memory. Die 1 Bit Variante senkt den Bedarf weiter auf rund 217 GB.

Lauffähig ist das Modell über llama.cpp und Unsloth Studio. Mit MoE Offloading läuft die 2 Bit Variante sogar auf einer einzelnen 24 GB GPU in Kombination mit 256 GB RAM. Für Teams, die einen KI Stack ohne US Anbieter aufbauen, ist das der entscheidende Punkt: ein Frontier Modell unter MIT Lizenz, das vollständig auf eigener Hardware laufen kann. Wie wir solche Setups aufsetzen, klären wir in der Vibe Coding Beratung.

Seit dem Launch liegen über Artificial Analysis und Unsloth erste Vergleichszahlen vor. Sie sehen GLM 5.2 als derzeit stärkstes offenes Modell, in vielen Disziplinen auf Augenhöhe mit Claude Opus 4.8, GPT 5.5 und Gemini 3.1 Pro. Wichtig bleibt die ehrliche Einordnung: Das sind Werte aus Drittquellen, keine offiziellen Z.ai Benchmarks. Die folgende Auswahl stellt GLM 5.2 den Werten von Claude Opus 4.8 gegenüber.

Zhipu positioniert GLM 5.2 in der offiziellen Ankündigung als neues Flaggschiff mit drei Kernversprechen: starke Coding Fähigkeiten, nutzbarer 1M Kontext und anhaltende Stärke bei langen Aufgaben.

GLM 5.2 liefert laut Z.ai „powerful coding capabilities, usable 1M-context support, and continued strengths in long-horizon tasks“.

– Z.ai, offizielle Ankündigung, 13. Juni 2026

Diese Aussagen sind Herstellerangaben. Belastbare Benchmarks reicht Z.ai erst mit dem technischen Bericht in der Folgewoche nach. Bis dahin bleibt die unabhängige Bewertung offen.

Never Code Alone arbeitet seit 2025 ausschließlich auf eigenen Servern in Deutschland und setzt dabei voll auf chinesische Open Weight Modelle. GLM, Qwen3 Coder und MiniMax laufen bei uns täglich produktiv, über Z.ai gehostet oder lokal über Ollama. Wir sind von diesem Weg überzeugt und lernen jeden Tag dazu: an echten Projekten, mit echten Codebasen, statt aus Marketingfolien.

Genau deshalb nehmen wir ein Modell wie GLM 5.2 sofort in den Praxistest, statt auf Benchmarks zu warten. Wenn du GLM 5.2 oder Alternativen wie Qwen3 Coder Next, DeepSeek oder Kimi und Qwen einordnen willst, helfen wir im Vibe Coding Consulting und mit klaren Best Practices. Einen vollständigen Überblick bietet unsere Vibe Coding Modelle Übersicht, inklusive Guide für die Auswahl ohne US Anbieter.

Die wichtigsten Fragen aus der Praxis zu beiden Modellen, kurz und ohne Marketing beantwortet.