Ist GLM-5 ein Open-Weights-Modell und kann ich es lokal ausführen?

Ja, die Gewichte sind auf Hugging Face unter zai-org/GLM-5 veröffentlicht. Bei 744 Milliarden Parametern mit 40 Milliarden aktiv benötigen Sie erhebliche Hardware, um es lokal auszuführen — konsultieren Sie vor einem Selbsthosting-Setup die VRAM- und Quantisierungsanleitungen.

Was kostet GLM-5 und wie groß ist das Kontextfenster?

Über die Z.ai-API kostet GLM-5 $0,60 pro Million Eingabetokens und $1,92 pro Million Ausgabetokens, mit einem Kontextfenster von 204.800 Tokens.

Worin unterscheidet sich GLM-5 von GLM-4.5 oder GLM-4.7?

GLM-5 skaliert von GLM-4.5 mit 355 Milliarden Parametern (32 Milliarden aktiv) auf 744 Milliarden (40 Milliarden aktiv) und erhöht die Vortrainingsdaten von 23 Billionen auf 28,5 Billionen Tokens; es fügt außerdem DeepSeek Sparse Attention und die asynchrone RL-Infrastruktur slime hinzu, was messbare Verbesserungen bei Coding-, Reasoning- und agentischen Benchmarks gegenüber beiden Vorgängern bringt.

GLM 5

2525°

#llm #z-ai #logik #programmieren #agenten #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Z.ai | 204,800 token context | $1.00/M input, $3.20/M output. GLM-5 is Z.ai’s flagship open-source foundation model engineered for complex systems design and long-horizon agent workflows. Built for expert developers, it delivers production-grade performance on large-scale programming tasks, rivaling leading closed-source models. With advanced agentic planning, deep backend reasoning, and iterative self-correction, GLM-5 moves beyond code generation to full-system construction and autonomous execution.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

GLM-5 ist das Flaggschiff-Modell mit offenen Gewichten von Z.ai, ein sparsames MoE mit 744 Milliarden Parametern (davon 40 Milliarden aktiv), das speziell für komplexes System-Engineering und langfristige agentische Aufgaben entwickelt wurde. Es baut auf GLM-4.5 auf, mit mehr Parametern, mehr Vortrainingsdaten und einer asynchronen RL-Infrastruktur namens slime, die das Nachtraining effizienter macht. Wenn Ihre Arbeit den Aufbau und Betrieb von mehrstufigen Agenten-Pipelines oder groß angelegten Backend-Systemen umfasst, ist dies das Open-Weights-Modell, mit dem Sie zuerst Benchmarks durchführen sollten.

Bekannt für

Top-Leistungen bei Open-Source-Benchmarks auf SWE-bench Verified und SWE-bench Multilingual
Starke agentische und terminale Aufgabenleistung, konkurrenzfähig mit führenden geschlossenen Modellen
744 Milliarden Gesamt- / 40 Milliarden aktive MoE-Architektur hält die Inferenzkosten überschaubar
204.800 Token Kontextfenster mit DeepSeek Sparse Attention, das die Qualität langer Kontexte bewahrt
Iterative Selbstkorrektur und autonome Ausführung über Einzelschuss-Codegenerierung hinaus

Achte auf

Mit 744 Milliarden Parametern erfordert das Selbsthosting ernsthafte Hardware; die meisten Nutzer werden stattdessen die API verwenden.
Lizenzbedingungen sind hier nicht detailliert — prüfen Sie das Hugging Face-Repository vor jeglichem kommerziellen Einsatz.
Die Ausgabepreise von $1,92 pro Million Tokens sind für umfangreiche agentische Schleifen mit langen Spuren nicht günstig.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Entwerfe eine verteilte Aufgabenwarteschlange

Entwerfen Sie eine produktionsreife verteilte Aufgabenwarteschlange in Python unter Verwendung von Redis. Integrieren Sie einen Worker-Prozess mit Wiederholungslogik und exponentiellem Backoff, eine Dead-Letter-Queue für fehlgeschlagene Jobs und eine einfache Producer-API. Zeigen Sie die vollständige Dateistruktur, den Code jeder Datei und erklären Sie die wichtigsten architektonischen Entscheidungen.

Debugge einen Nebenläufigkeitsfehler

Ich habe einen Go-HTTP-Server, der unter Last gelegentlich veraltete Daten zurückgibt. Mehrere Goroutinen lesen und schreiben ohne Synchronisation auf eine gemeinsame Map. Identifizieren Sie die Race Condition, erklären Sie, warum sie das Symptom verursacht, schreiben Sie den relevanten Abschnitt mit sync.RWMutex neu und fügen Sie einen Test hinzu, der das Problem aufgedeckt hätte.

Plane einen mehrstufigen Agenten

Sie bauen einen Agenten, der ein GitHub-Repository überwacht, erkennt, wenn ein neues Issue mit 'bug' markiert wird, den Fehler in einer Sandbox reproduziert, einen Fix vorschlägt, einen Pull Request öffnet und einen Slack-Kanal benachrichtigt. Zerlegen Sie dies in einzelne Agentenschritte, identifizieren Sie die Werkzeuge, die jeder Schritt benötigt, und markieren Sie, wo eine menschliche Freigabe erforderlich sein sollte.

Vergleichen mit

GLM 5.3 FlashX
Nur API-Modell
1,048,576 Token Kontext · $0.37/M Eingabe, $1.25/M Ausgabe
GLM 5V Turbo
Nur API-Modell
202,752 Token Kontext · $1.20/M Eingabe, $4.00/M Ausgabe
GLM 5 Turbo
Nur API-Modell
202,752 Token Kontext · $1.20/M Eingabe, $4.00/M Ausgabe
GLM 5.3 Prime
Nur API-Modell
1,000,000 Token Kontext · $2.80/M Eingabe, $8.80/M Ausgabe

Mehr Textmodelle von z-ai

Häufig gestellte Fragen

Ist GLM-5 ein Open-Weights-Modell und kann ich es lokal ausführen?: Ja, die Gewichte sind auf Hugging Face unter zai-org/GLM-5 veröffentlicht. Bei 744 Milliarden Parametern mit 40 Milliarden aktiv benötigen Sie erhebliche Hardware, um es lokal auszuführen — konsultieren Sie vor einem Selbsthosting-Setup die VRAM- und Quantisierungsanleitungen.
Was kostet GLM-5 und wie groß ist das Kontextfenster?: Über die Z.ai-API kostet GLM-5 $0,60 pro Million Eingabetokens und $1,92 pro Million Ausgabetokens, mit einem Kontextfenster von 204.800 Tokens.
Worin unterscheidet sich GLM-5 von GLM-4.5 oder GLM-4.7?: GLM-5 skaliert von GLM-4.5 mit 355 Milliarden Parametern (32 Milliarden aktiv) auf 744 Milliarden (40 Milliarden aktiv) und erhöht die Vortrainingsdaten von 23 Billionen auf 28,5 Billionen Tokens; es fügt außerdem DeepSeek Sparse Attention und die asynchrone RL-Infrastruktur slime hinzu, was messbare Verbesserungen bei Coding-, Reasoning- und agentischen Benchmarks gegenüber beiden Vorgängern bringt.

Captain's Urteil
Die stärkste Open-Weights-Option für ernsthafte agentische und systemtechnische Arbeit, vorausgesetzt, Sie können die Infrastruktur oder die Ausgabetoken-Kosten stemmen.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Nano Banana Pro (Gemini 3 Pro Image)

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

GLM 5 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm z-ai logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern