GLM 5.2 Modell-Übersicht

GLM-5.2 ist das aktuelle Flaggschiff von Z.ai (ehemals Zhipu AI) und folgt auf GLM-5.1. Im Vergleich zum Vorgänger kann GLM-5.2 mit Kontextfenstern von bis zu 1 Mio. Token arbeiten und kombiniert dabei zwei verschiedene Thinking-Effort-Stufen (High und Max). Z.ai positioniert das Modell klar für Agentic Coding über ganze Repositories hinweg. Anwendungsgebiete sind z.B. Refactorings, die Quellcode, Tests und Konfiguration gemeinsam im Kontext halten. GLM-5.2 setzt sich an die Spitze der Open Weights Modelle und überholt laut namhaften Researchern wie Jeremy Howard teilweise sogar proprietäre Modelle wie Claude Opus 4.8 oder GPT-5.5.

Playground API Dokumentation Hugging Face

Features & Modalitäten

Nicht verfügbar

Multimodalität

Verfügbar

ReasoningToolsWebsucheStrukturierte AusgabenQuellenangabenFinetuning

Input:Text

Output:TextJson

Details zum Modell

1,05 Mio. Token

131,07k Token

1,40 $

4,40 $

753 Mrd.

1403,19 GB

154,88k

Kosten berechnen Geschwindigkeit testen

GLM 5.2 Benchmark Scores

Stärken

TopLogik & Schlussfolgerung

GLM 5.2 Benchmark Übersicht

GLM 5.2 Performance im Vergleich zu anderen KI-Modellen

Benchmark	GLM 5.2	GLM-5.1	GLM 5.3	Claude Fable 5	Fugu Ultra	GPT-6 Sol	GPT-6 Luna
AIME 2026Logik & Schlussfolgerung	99,2 %	95,3 %	—	—	—	—	—
GPQA DiamondWissen & Sprache	91,2 %	86,2 %	91,7 %	93,2 %	95,5 %	—	—
HMMT 2025Logik & Schlussfolgerung	94,4 %	94 %	—	—	—	—	—
Humanity's Last ExamWissen & Sprache	40,5 %	31 %	62,5 %	—	50 %	—	—
MCP-AtlasAgentische Aufgaben	76,8 %	71,8 %	—	83,3 %	—	—	—
SWE-bench ProProgrammierung	62,1 %	58,4 %	—	80 %	73,7 %	—	—
Terminal-Bench 2.1Programmierung	82,7 %	—	88,2 %	84,3 %	82,1 %	—	—

Ergebnisse in Benchmarks

Benchmark auswählen

Darstellung der Rohdaten für den Benchmark AIME 2026. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
DeepSeek V4.1 Flash	100 %
GLM-5.2	99,2 %
Inkling	97,1 %
Kimi K2.6	96,4 %
Inkling-Small	95,5 %
GLM-5.1	95,3 %
Muse Glimmer 30B	94,7 %
Gemma 4 31B	89,2 %

Vergleich von LLMs im Benchmark AIME 2026. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark GPQA Diamond. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GPT-6 Astra	96 %
Gemini 3.8 Flash	95,25 %
Grok 4.6	94,95 %
Claude Fable 5.1	93,7 %
Claude Opus 5	93,43 %
DeepSeek V4 Pro 0813	92,8 %
Gemini 3.6 Flash	92,8 %
Qwen 3.8 Max	92,6 %
Qwen3.8 2.4T A95B	92,6 %
Tencent Hy4 Preview	92,3 %
GLM-5.3	91,7 %
GLM-5.2	91,2 %
DeepSeek V4.1 Flash	90,9 %
DeepSeek V4 Flash 0731	90,8 %
Muse Spark 1.2	90,4 %
Inkling-Small	89,5 %
Qwen3.8 27B	89,2 %
Gemini 3.5 Flash-Lite	83,8 %
Muse Glimmer 30B	83,5 %
Nemotron 3.5 Lightning 30B	75,44 %

Vergleich von LLMs im Benchmark GPQA Diamond. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark HMMT 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
GLM-5.2	94,4 %
GLM-5.1	94 %
Kimi K2.6	92,7 %

Vergleich von LLMs im Benchmark HMMT 2025. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Humanity's Last Exam. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 5.5	67,7 %
GLM-5.3	62,5 %
Claude Fable 5.1	60,9 %
GPT-6 Astra	57,2 %
MiMo V2.6 Pro	49,35 %
Gemini 3.8 Flash	47,82 %
Muse Spark 1.2	43,93 %
Qwen 3.8 Max	43,6 %
Qwen3.8 2.4T A95B	43,6 %
Tencent Hy4 Preview	43,4 %
Grok 4.7	43,14 %
Grok 4.6	42,91 %
DeepSeek V4 Pro 0813	42,7 %
GLM-5.2	40,5 %
DeepSeek V4.1 Flash	36,8 %
DeepSeek V4 Flash 0731	36,8 %
Inkling-Small	31,6 %
Qwen3.8 27B	30,8 %
Muse Glimmer 30B	22 %
Nemotron 3.5 Lightning 30B	11,72 %

Vergleich von LLMs im Benchmark Humanity's Last Exam. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark MCP-Atlas. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Muse Spark 1.1	88,1 %
Claude Opus 5	85,8 %
Kimi K3	84,2 %
Tencent Hy4 Preview	83,7 %
Gemini 3.5 Flash	83,6 %
Claude Fable 5	83,3 %
Claude Opus 4.8	82,2 %
Inkling-Small	79,2 %
Hy3	79,1 %
Claude Opus 4.7	77,3 %
GLM-5.2	76,8 %
Muse Glimmer 30B	75,5 %
GPT-5.5	75,3 %
MiniMax-M3	74,2 %
Inkling	74,1 %
DeepSeek-V4-Pro (Preview)	73,6 %
GLM-5.1	71,8 %
DeepSeek V4 Flash	69 %
MiniMax M2.7	49,4 %

Vergleich von LLMs im Benchmark MCP-Atlas. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark SWE-bench Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Opus 5.5	89,9 %
Claude Fable 5.1	81,2 %
Claude Opus 5	79,2 %
Qwen 3.8 Max	67,7 %
Qwen3.8 2.4T A95B	67,7 %
Tencent Hy4 Preview	65,7 %
Grok 4.5	64,7 %
GPT-5.6 Sol	64,6 %
GPT-5.6 Terra	63,4 %
GPT-5.6 Luna	62,7 %
GLM-5.2	62,1 %
Qwen3.8 27B	61,7 %
Muse Spark 1.1	61,5 %
Laguna S 2.1	59,4 %
Gemini 3.6 Flash	58,7 %
Hy3	57,9 %
Inkling-Small	55,9 %
Inkling	54,3 %
Gemini 3.5 Flash-Lite	54,2 %
Muse Glimmer 30B	51,2 %

Vergleich von LLMs im Benchmark SWE-bench Pro. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

Darstellung der Rohdaten für den Benchmark Terminal-Bench 2.1. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.
Modell	Score
Claude Fable 5.1	91,39 %
DeepSeek V4.1 Flash	90,6 %
MiMo V2.6 Pro	89,9 %
Gemini 3.8 Flash	89,4 %
Muse Spark 1.3	88,8 %
GPT-6 Astra	88,4 %
Grok 4.6	88,39 %
GLM-5.3	88,2 %
DeepSeek V4 Pro 0813	87,9 %
MiMo V2.6 Flash	87,6 %
Qwen 3.8 Max	86,6 %
Qwen3.8 2.4T A95B	86,6 %
Tencent Hy4 Preview	85,4 %
Muse Spark 1.2	82,9 %
DeepSeek V4 Flash 0731	82,7 %
GLM-5.2	82,7 %
Grok 4.7	76,03 %
Qwen3.8 27B	73 %
Muse Glimmer 30B	51,7 %
Nemotron 3.5 Lightning 30B	24,58 %

Vergleich von LLMs im Benchmark Terminal-Bench 2.1. Der niedrigste Score im Benchmark ist 0 % und der höchste Score ist 100 %.

‌
‌

Technologie & Daten

Technische Spezifikationen

Architektur	MoE-Transformer
Input Kontextlänge	1,05 Mio.
Output Kontextlänge	131,07k
Tokenizer	Proprietärer GLM-Tokenizer

Besonderheiten

Großes Kontextfenster	Bis zu 1 Mio. Token Kontextfenster, 5x von GLM-5.1
Anthropic-kompatibler Endpoint	Lässt sich über einen Anthropic-kompatiblen Endpoint und das Model Context Protocol (MCP) in bestehende Agent-Workflows einbinden.
Context Caching	Implizites Caching senkt die Kosten wiederkehrender Kontexte in langen Konversationen.

Vorteile & Nachteile

Vorteile

Großes 1 Mio. Token-Kontextfenster
Mit 1 Mio. Token fasst GLM-5.2 das Fünffache von GLM-5.1 (200K) und kann ein mittelgroßes Repository inklusive Tests und Verlauf in einer Session halten, statt ständig zusammenzufassen.
Deutlich günstiger als westliche Frontier-Modelle
Mit $1,40 / $4,40 pro 1 Mio. Input-/Output-Token und Cached Input für $0,26/M liegt GLM-5.2 deutlich unter vergleichbaren Modellen. Der GLM Coding Plan startet bei $18/Monat.
Offene Gewichte unter MIT-Lizenz
Die Weights von GLM-5.2 sind frei unter der MIZ-Lizenz (kommerziell) nutzbar und lokal deploybar, insofern man die notwendige Hardware aufbringen kann.
Breite Agentic-Coding-Integration
Über einen Anthropic-kompatiblen Endpoint und MCP arbeitet GLM-5.2 direkt mit Claude Code, Cline, OpenCode, Roo Code, Kilo Code, Crush und Goose zusammen.

Nachteile

Nur Text, keine Bildverarbeitung
GLM-5.2 verarbeitet ausschließlich Text. Für Vision-Aufgaben verweist Z.ai auf separate Modelle wie GLM-5V-Turbo, was der Haupt-Nachteil von GLM-5.2 ist.

Vergleiche GLM 5.2 mit anderen LLMs

Vergleiche GLM 5.2 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Preisen und Benchmark-Leistung.

Entwickler	Modell⇅	Lizenz⇅	Intelligence-Index ⇅	Input-Tokens ⇅	Output-Tokens ⇅	Input-Preis ⇅	Output-Preis ⇅	Veröffentlichung
Z.ai	GLM 5.2	MIT	–	1,05 Mio.	131,07k	1,40 $	4,40 $	16.06.2026
OpenAI	GPT-6 Sol	Proprietär	48	1,05 Mio.	128k	2,00 $	10,00 $	22.09.2026
Anthropic	Claude Opus 5.5	Proprietär	57,6	1 Mio.	128k	4,00 $	20,00 $	22.09.2026
OpenAI	GPT-6 Luna	Proprietär	–	1,05 Mio.	128k	0,10 $	0,50 $	22.09.2026
xAI	Grok 4.7	Proprietär	46,5	500k	500k	2,00 $	6,00 $	21.09.2026
Xiaomi	MiMo V2.6 Pro	MIT	46,3	1,05 Mio.	131,07k	0,44 $	0,87 $	21.09.2026
Xiaomi	MiMo V2.6 Flash	MIT	–	1,05 Mio.	131,07k	0,14 $	0,28 $	21.09.2026
DeepSeek AI	DeepSeek V4.1 Flash	MIT	–	1 Mio.	384k	0,15 $	0,60 $	10.09.2026
OpenAI	GPT-6 Astra	Proprietär	61,2	1,05 Mio.	128k	10,00 $	50,00 $	04.09.2026
Google DeepMind	Gemini 3.8 Flash	Proprietär	58,7	1 Mio.	65,54k	0,75 $	3,75 $	02.09.2026
Z.ai	GLM-5.1	MIT	–	202,75k	128k	1,40 $	4,40 $	07.04.2026

Inklusive Vorgänger GLM-5.1 — zusätzlich zu den 10 neuesten Modellen.

‌
Alle Modelle vergleichen

GLM 5.2 ausprobieren

Du musst kein Entwickler sein: GLM 5.2 ist auch direkt in GLM Coding Plan nutzbar.

GLM Coding Plan

18,00 $

Provider & APIs

Du kannst Z.ai GLM 5.2 über die API folgender Anbieter nutzen.

Zai
Token (in)
Unbekannt
Token (out)
Unbekannt
Latenz
Unbekannt
USD / 1M Input
1,40 $
USD / 1M Output
4,40 $
Throughput
Unbekannt

‌
‌
‌

Häufige Fragen zu GLM 5.2

Kann ich GLM 5.2 kostenlos nutzen?

Ja, GLM 5.2 ist in GLM Coding Plan auch mit einem kostenlosen Konto nutzbar — allerdings meist mit Nutzungslimits.

Ist GLM 5.2 Open Source?

GLM 5.2 wird unter der Lizenz „MIT“ veröffentlicht. Details stehen in den Lizenzbedingungen des Anbieters.

Welche Eingabeformate versteht GLM 5.2?

GLM 5.2 verarbeitet folgende Eingabeformate: Text.

Was kostet GLM 5.2 über die API?

Über die API kostet GLM 5.2 1,40 $ pro 1 Mio. Input-Token und 4,40 $ pro 1 Mio. Output-Token. Bei Reasoning-Modellen kommen Thinking-Tokens hinzu, die als Output abgerechnet werden.

Wie groß ist das Kontextfenster von GLM 5.2?

GLM 5.2 verarbeitet bis zu 1,05 Mio. Token in einer Anfrage.

Was ist der Vorgänger von GLM 5.2?

Der direkte Vorgänger von GLM 5.2 ist GLM-5.1 (erschienen April 2026). Einen tabellarischen Vergleich der beiden Modelle findest du auf dieser Seite im Abschnitt „Vergleiche“.

GLM 5.2 Modell-Übersicht

Features & Modalitäten

Details zum Modell