GLM-5 von Z.ai: Das 744B Open-Weight MoE-Modell schließt die Lücke im agentengesteuerten Coding

Lisa Ernst · 21.02.2026 · Künstliche Intelligenz · 9 Min.

KI-Veröffentlichungen gibt es ständig, aber nur wenige verschieben die Grenze dessen, was wir damit tatsächlich ausliefern können, sinnvoll. GLM-5 von Z.ai (Zhipu AI / Knowledge Atlas Technology) ist eine dieser Veröffentlichungen: ein Modell unter MIT-Lizenz mit einem klaren Ziel – agentengesteuertes Engineering , also Aufgaben mit langem Horizont wie Debugging, Refactoring, Tool-Orchestrierung und webweite Recherche. Es ist auch ein strategischer Meilenstein: Zhipu AI wurde Anfang 2026 an der Börse in Hongkong gelistet, und GLM-5 wurde inmitten eines intensiven Wettbewerbszyklus unter chinesischen KI-Laboren angekündigt.

Quelle: GLM-5 positioniert sich als „agentengesteuertes Engineering“-Modell: langer Kontext, Tool-Nutzung und Softwarearbeit statt nur Chat-Qualität.

Kurze Zusammenfassung: Warum GLM-5 ein großer Erfolg ist (und was es nicht ist)

• Open-Weight unter MIT: Gewichte für kommerzielle Nutzung freigegeben (selten auf diesem Leistungsniveau).
• Agenten-first-Design: optimiert für Aufgaben mit langem Horizont (Agenten, Tool-Aufrufe, Repo-Arbeit).
• Massiver MoE-Maßstab: 744B Gesamtparameter 40B aktiv pro Token.
• Details zur Experten-Weiterleitung: 256 Experten insgesamt , mit 8 weitergeleiteten Experten pro Token (plus geteilte Experten), optimiert zur Reduzierung des Kommunikations-Overheads.
• Langer Kontext: unterstützt bis zu 200K Token, ermöglicht durch DeepSeek Sparse Attention (DSA).
• Starkes Coding + Agenten: Headline-Scores beinhalten 77.8 bei SWE-bench Verified und 56.2 / 60.7 bei Terminal-Bench 2.0 (verifizierte Version).
• Zuzverschiebung: Artificial Analysis berichtet -1 auf AA-Omniscience (weniger Halluzinationen), hauptsächlich durch besseres Abstention-Verhalten erreicht. 2.0 (verifizierte Version).
• Wichtige Einschränkung: GLM-5 ist nur Text (keine native Bildausgabe).
• Realitätscheck: native BF16-Gewichte sind riesig (~1,49 TB Speicher-Footprint); die meisten Leute werden FP8 oder APIs verwenden.

Warum GLM-5 wichtig ist: Leistungsfähigkeit, Offenheit und Hardware-Strategie

Die meisten „grenznahen“ Leistungen leben hinter proprietären APIs. GLM-5 ist interessant, weil es versucht, drei Dinge zu kombinieren: (1) Hochleistungs-Agentenleistung auf öffentlichen Benchmarks, (2) offene Verfügbarkeit unter einer permissiven Lizenz und (3) Bereitschaft für das Nicht-NVIDIA-Ökosystem (Z.ai gibt Full-Stack-Optimierung über mehrere heimische Chip-Plattformen an; Reuters berichtete auch über Inferenz auf chinesisch hergestellten Chips, einschließlich Huawei Ascend und anderen).

Wenn Sie ein Entwickler oder ein Team sind, das Tools entwickelt, ist der Wert offensichtlich: Open-Weight-Modelle sind der einzig praktikable Weg für tiefgreifende Anpassung, On-Premise-Bereitstellung und wiederholbare Auswertung. Aber GLM-5s „offene“ Geschichte hat einen Haken: Es ist Open-Weight, aber extrem groß – was bedeutet, dass die Bereitstellungsökonomie darüber entscheidet, wer es wirklich lokal nutzen kann.

Benchmark-Bewertung: Die Zahlen, die Leute zitieren (mit Kontext)

Unten finden Sie eine kompakte Bewertung, die auf den Benchmarks der offiziellen GLM-5-Modellkarte basiert (dieselbe Tabelle, die mit DeepSeek-V3.2, Kimi K2.5, Claude Opus 4.5, Gemini 3 Pro und GPT-5.2-Varianten vergleicht). Der Schlüssel: Schauen Sie, welche Benchmarks Ihre Arbeitslast abdecken.

Wichtige Benchmark-Ergebnisse (GLM-5 vs. ausgewählte Frontier-Peers)

Warum Benchmark-Setups wichtig sind (und was GLM-5s Autoren offenlegen)

Ein nützliches Detail: Die GLM-5-Modellkarte enthält Bewertungsnotizen (Frameworks, Timeouts, Kontextgrößen). SWE-bench verwendet beispielsweise OpenHands mit einem maßgeschneiderten Prompt, und Terminal-Bench läuft über Terminus unter CPU/RAM-Grenzen. Sie veröffentlichen auch einen „verifizierten“ Terminal-Bench 2.0-Datensatz, um mehrdeutige Anweisungen und Umgebungsprobleme zu beheben – was genau die Art von Transparenz ist, die Ergebnisse handlungsfähiger macht.

Architektur: 744B MoE + DSA Langer Kontext (200K Token)

GLM-5 ist ein Mixture-of-Experts (MoE)-Modell: enorme Gesamtkapazität, aber nur ein Teil ist pro Token aktiv. Der technische Bericht beschreibt GLM-5 als 744B Gesamtparameter mit 40B aktivierten. Der gleiche Bericht listet 256 Experten insgesamt auf, mit 8 weitergeleiteten Experten pro Token und einer Architektur, die auf die Reduzierung von Experten-Parallel-Overhead abgestimmt ist (z.B. weniger Schichten im Vergleich zu früheren Varianten).

Langer Kontext bedeutet nicht nur „mehr Token“: Es erfordert architektonische und Datenänderungen, um den Kollaps der Aufmerksamkeitsqualität zu vermeiden. GLM-5 integriert DeepSeek Sparse Attention (DSA), um die Kapazität für lange Kontexte zu erhalten und gleichzeitig die Rechenkosten zu senken. Im Rahmen des technischen Berichts fügt DSA einen Indexer hinzu, der Top-k Key-Value-Einträge abruft und die Aufmerksamkeit spärlich über diese Teilmenge berechnet – ein Design, das sowohl die Trainings- als auch die Inferenzleistung verbessert, ohne das Verständnis von Langstrecken zu opfern.

„Slime“: Post-Training-Infrastruktur für skalierbares Agenten-RL

Quelle: thudm.github.io

Slime wird als asynchrone Reinforcement-Learning-Infrastruktur beschrieben, die die Rollout-Generierung von der Schulung entkoppelt und darauf abzielt, Agenten-RL ohne Synchronisations-Engpässe zu skalieren.

Die Marketing-Schlagzeile lautet „asynchrones RL“, aber der tiefere Punkt ist die Infrastruktur: Die Skalierung des Agenten-Post-Trainings wird typischerweise durch Synchronisation und Rollout-Durchsatz beeinträchtigt. Der GLM-5-Bericht beschreibt eine Pipeline, die die Generierung von der Schulung entkoppelt, die GPU-Auslastung verbessert und eine viel breitere Exploration von Agenten-Trajektorien ermöglicht. Darüber hinaus schlagen sie asynchrone Agenten-RL-Algorithmen vor, die darauf abzielen, die Planung und Selbstkorrektur bei Interaktionen mit langem Horizont zu verbessern.

Das ist der Unterschied zwischen einem Modell, das isoliert guten Code schreibt, und einem Modell, das die unübersichtliche Realität echter Systeme überlebt: Tool-Ausgaben sind verrauscht, Zwischenschritte schlagen fehl, und der Agent muss den Zustand über viele Runden hinweg beibehalten. GLM-5s Autoren messen dies explizit anhand von Langstreckenbewertungen wie Vending Bench 2.

Zuverlässigkeit: Weniger Halluzination durch besseres Absehen

Halluzination ist der heimliche Killer der „agentengesteuerten Produktivität“. Wenn ein Agent mit Zuversicht Funktionssignaturen oder API-Verhalten erfindet, erhalten Sie teure Debugging-Schleifen und fragwürdige Automatisierung. Artificial Analysis berichtet, dass GLM-5 -1 auf seinem AA-Omniscience-Index erreicht – dies wird als deutliche Verbesserung gegenüber GLM-4.7 beschrieben. Die wichtige Nuance: Diese Verbesserung scheint mit mehr Absehen einherzugehen (das Modell ist eher bereit, „Ich weiß es nicht“ zu sagen, anstatt zu raten).

Kosten & Zugänglichkeit: Open Weights, Teure Realität

GLM-5 ist in Bezug auf die Lizenzierung „offen“, aber es ist immer noch ein Modell im Frontier-Maßstab. Artificial Analysis schätzt, dass die Speicherung der Gewichte in nativem BF16 etwa 1.490 GB Speicher benötigt – was die echte Selbsthostung effektiv auf Organisationen mit ernsthaften GPU-Clustern beschränkt. Deshalb konzentriert sich das Ökosystem auf FP8-Varianten und Drittanbieter-Inferenz-Provider.

Wenn Sie GLM-5 für die Produktion bewerten, gibt es drei realistische Wege:

1. API-first (Z.ai First-Party- oder Drittanbieter-Provider): schnellste Zeit bis zur Wertschöpfung, einfachste Skalierung.
2. FP8 Self-Host (für Teams mit GPU-Infrastruktur): starker Kompromiss zwischen Kosten und Leistung.
3. BF16 Self-Host (selten): maximale Wiedergabetreue, maximaler Hardware-Aufwand.

GLM-5 lokal bedienen (minimale, praktische Hinweise)

Die offizielle Modellkarte listet unterstützte Inferenz-Stacks auf, darunter vLLM und SGLang. Wenn Sie einen schnellen „Funktioniert das in meiner Umgebung?“-Sanity-Check wünschen, beginnen Sie mit den FP8-Gewichten und einem einzigen OpenAI-kompatiblen Endpunkt.

# Beispiel: vLLM (nightly) + neueste Transformers (gemäß Anleitung der Modellkarte)
pip install -U vllm --pre --index-url https://pypi.org/simple --extra-index-url https://wheels.vllm.ai/nightly
pip install git+https://github.com/huggingface/transformers.git

# Beispiel: SGLang über Docker (prüfen Sie die Modellkarte auf Tags & Hardware-Hinweise)
docker pull lmsysorg/sglang:glm5-hopper

Wie GLM-5 in „Chat-Qualität“ abschneidet (Chatbot Arena)

Benchmarks wie SWE-bench oder Terminal-Bench sagen Ihnen etwas über die Engineering-Fähigkeiten. Aber wie sieht es mit der reinen konversationellen Präferenz aus? Auf GLM-5 erreicht es 1455±8 Punkte und liegt damit in den Top ~15 Modellen insgesamt. An der Spitze dieser Rangliste dominieren immer noch proprietäre Systeme wie Claude Opus 4.6.

Übersetzung: GLM-5 ist nicht nur ein „Zahlenmodell“. Es ist auch stark im allgemeinen Chat – aber sein definierender Vorteil bleibt agentengesteuertes Engineering + Offenheit, nicht das beste Chat-Modell nach Elo zu sein.

Wer sollte GLM-5 verwenden (und wer nicht)

GLM-5 ist eine gute Wahl, wenn Sie...

• Entwickler-Tools, Coding-Agenten oder interne Automatisierung entwickeln, die über viele Schritte läuft.
• Open-Weights unter einer permissiven Lizenz für Anpassungs- oder On-Prem-Beschränkungen benötigen.
• auf Langzeit-Workflow-Kontexte (mehrere Codebasen, große Dokumente, lange Transkripte) Wert legen.
• ein Modell wünschen, das eher bereit ist, sich zu enthalten, als in Hochrisikobereichen zu halluzinieren.

GLM-5 ist nicht ideal, wenn Sie...

• native multimodale Eingabe (Bilder) benötigen – GLM-5 ist nur Text.
• eine einfache lokale Installation auf Consumer-Hardware wünschen (das BF16-Modell ist riesig).
• nur Gelegenheitsgespräche benötigen; kleinere Modelle oder günstigere Endpunkte können kostengünstiger sein.

Fazit

GLM-5 ist eines der klarsten Signale dafür, dass „Open-Weight“-Modelle glaubwürdige Anwärter im Bereich des agentengesteuerten Engineerings sein können – nicht indem sie jedes Frontier-Modell bei jeder Metrik erreichen, sondern indem sie sich auf die Aufgaben konzentrieren, die für echte Systeme wichtig sind: Verhalten mit langem Horizont, Tool-Orchestrierung und Softwarearbeit. Das stärkste Argument ist nicht eine einzelne Benchmark-Linie – es ist die Kombination aus MoE-Skalierung, langem Kontext DSA und Agenten-RL-Infrastruktur, die für stabiles Agentenverhalten entwickelt wurde.

Wenn Sie ein Modell für die Produktentwicklung und nicht für Demos auswählen, ist GLM-5 eine ernsthafte Überlegung wert – besonders wenn offene Lizenzierung und agentengesteuerte Workflows zentral für Ihre Roadmap sind.

Häufig gestellte Fragen (FAQs)