Sind die GLM-5.2-Gewichte offen und kann ich es lokal ausführen?

Ja — GLM-5.2 wird unter MIT-Lizenz ohne regionale Beschränkungen veröffentlicht, und die Gewichte sind auf Hugging Face verfügbar. Z.ai unterstützt lokale Bereitstellung über SGLang, vLLM, Transformers, KTransformers, Unsloth und Ascend NPU Frameworks.

Was kostet GLM-5.2 und wie groß ist das Kontextfenster?

Über die Z.ai API kostet es $0,06 pro Million Eingabetokens und $7,00 pro Million Ausgabetokens, mit einem Kontextfenster von 1.048.576 Tokens (ca. 1 Million).

Worin unterscheidet sich GLM-5.2 von GLM-5.1?

GLM-5.2 bietet einen stabilen 1M-Token-Kontext (gegenüber einem kürzeren Fenster in 5.1), stärkere Codierungswerte bei SWE-bench Pro und Terminal Bench, flexible Denkaufwandsstufen und architektonische Änderungen — IndexShare und eine verbesserte MTP-Schicht — die den Rechenaufwand pro Token bei langen Kontexten reduzieren und die Akzeptanzlänge der spekulativen Dekodierung erhöhen.

▲

21.7%

diese Woche

GLM 5.2

9057°

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

Läuft auf Graydient

Modell ausführen

Angebote / Werbung

Easy Creator (Prism) Web

Unbegrenzt · Pauschalpreis

Am besten für Anfänger. Leistungsstarke Workflows, geringe Lernkurve.

PirateDiffusion Telegram

Unbegrenzt · Pauschalpreis

Erstelle Videos, Bilder, individuelle Chat-Personas und mehr.

Pro studio (SpyGlass) Web

Unbegrenzt · Pauschalpreis

Durchsuche Modelle, rendere und verfeinere von jedem Browser oder Handy aus.

Discord bot (Vector)

Unbegrenzt · Pauschalpreis

Füge Vector zu deinem Server hinzu oder tritt dem Vector Discord bei. Erschaffe alles!

Unified Editor Web

Unbegrenzt · Pauschalpreis

Editor für Bilder und Videos: rendern, bearbeiten, hochskalieren und mehr auf einer Seite.

OpenRouter Terminal / API

Bezahlung pro Token

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

Lokale Apps

Einrichtung erforderlich

Richte lokale Programme ein, wenn dein Computer leistungsstark genug ist.

ModelDuel Web

Bezahlen pro Nutzung

Erzeuge denselben Prompt gleichzeitig auf bis zu 50 Checkpoint-/Basismodellen.

GPU in der Cloud mieten

Graydient Cloud GPU

Unbegrenzt · Pauschalpreis

Pauschalpreis, unbegrenzte Nutzung. Dieses Modell mit einem Klick installieren.

RunPod Cloud GPU

Abrechnung pro Minute

GPU pro Minute mieten und Modell selbst einrichten.

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

Z.ai | 1,048,576 token context | $0.04/M input, $9.00/M output. GLM 5.2 is a large-scale reasoning model from Z.ai. It supports text input and output with a 1M-token context window, and is suited for long-horizon agent workflows, project-level software engineering, and complex multi-step automation. Reasoning efforts high and xhigh are supported; xhigh maps to max reasoning. It is particularly strong at coding and tool use across long-running tasks, able to maintain engineering context and follow standards consistently through a full development workflow, from requirements to multi-platform deployment, in a single task.

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

GLM-5.2 ist Z.ais Flaggschiff-Modell für logisches Denken, entwickelt für langfristige Aufgaben: projektbasierte Softwareentwicklung, mehrstufige Automatisierung und agentenbasierte Pipelines, die Kontext über ein volles 1-Million-Token-Fenster hinweg halten müssen. Offene Gewichte unter MIT-Lizenz ohne regionale Beschränkungen heben es von den meisten Spitzenmodellen ab. Wenn Ihre Arbeit nachhaltige Codierungsaufgaben oder komplexe Werkzeugketten umfasst und nicht nur schnelle Einmalabfragen, ist dies einen ernsthaften Blick wert.

Bekannt für

1-Million-Token-Kontext, der bei langen, mehrdateibasierten Entwicklungsaufgaben hält
Anpassbare Denkaufwandsstufen, einschließlich einer maximalen xhigh-Einstellung
Starke reale Codierungsbenchmarks: SWE-bench Pro, Terminal Bench, FrontierSWE
MIT-Lizenz, offene Gewichte, keine regionalen Zugriffsbeschränkungen
Architektureffizienzsteigerungen (IndexShare, verbesserte spekulative Dekodierung) für lange Kontexte

Achte auf

Ausgabepreise von $7,00/M Tokens summieren sich bei langen Denkprozessen schnell; Budget entsprechend planen.
Das Modell ist groß; lokale Bereitstellung erfordert ernsthafte Hardware und ein unterstütztes Inferenz-Framework.
Gewichte sind offen, aber das Selbsthosten eines 1M-Kontext-Durchlaufs erfordert Infrastruktur, die die meisten Einzelpersonen nicht haben.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Full-Stack-Feature-Entwicklung

Du arbeitest in einem Monorepo mit einer Node.js REST API und einem React-Frontend. Füge ein Benachrichtigungssystem für Nutzer hinzu: Entwerfe das Datenbankschema, schreibe die API-Endpunkte mit Eingabevalidierung, implementiere die Frontend-Komponente, die neue Benachrichtigungen abfragt, und schreibe Integrationstests. Folge den bestehenden Code-Konventionen und erkläre jede Entscheidung während des Vorgehens.

Mehrstufiger Bereitstellungsplan

Ich habe einen Python FastAPI-Dienst, der derzeit auf einer einzelnen VM läuft. Plane und implementiere eine Migration zu einer containerisierten, plattformübergreifenden Bereitstellung: schreibe das Dockerfile, eine docker-compose-Datei für die lokale Entwicklung, ein Kubernetes-Manifest für die Produktion und einen GitHub Actions Workflow, der bei Push auf main baut, testet und bereitstellt. Markiere alle Annahmen, die du triffst.

Schwieriges Denkrätsel

Fünf Ingenieure beherrschen jeweils eine andere Programmiersprache, trinken ein anderes Getränk und sitzen in einer Reihe von fünf Schreibtischen. Der Rust-Ingenieur sitzt neben dem, der Espresso trinkt. Der Python-Ingenieur sitzt an einem Ende. Der Go-Ingenieur trinkt Tee. Der TypeScript-Ingenieur sitzt unmittelbar links vom Java-Ingenieur. Der Kaffeetrinker sitzt nicht an einem der Enden. Wer trinkt Wasser und an welchem Schreibtisch sitzt diese Person? Zeige deine Überlegungen Schritt für Schritt.

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

Sind die GLM-5.2-Gewichte offen und kann ich es lokal ausführen?: Ja — GLM-5.2 wird unter MIT-Lizenz ohne regionale Beschränkungen veröffentlicht, und die Gewichte sind auf Hugging Face verfügbar. Z.ai unterstützt lokale Bereitstellung über SGLang, vLLM, Transformers, KTransformers, Unsloth und Ascend NPU Frameworks.
Was kostet GLM-5.2 und wie groß ist das Kontextfenster?: Über die Z.ai API kostet es $0,06 pro Million Eingabetokens und $7,00 pro Million Ausgabetokens, mit einem Kontextfenster von 1.048.576 Tokens (ca. 1 Million).
Worin unterscheidet sich GLM-5.2 von GLM-5.1?: GLM-5.2 bietet einen stabilen 1M-Token-Kontext (gegenüber einem kürzeren Fenster in 5.1), stärkere Codierungswerte bei SWE-bench Pro und Terminal Bench, flexible Denkaufwandsstufen und architektonische Änderungen — IndexShare und eine verbesserte MTP-Schicht — die den Rechenaufwand pro Token bei langen Kontexten reduzieren und die Akzeptanzlänge der spekulativen Dekodierung erhöhen.

Captain's Urteil
Eine seltene Kombination: Spitzenklasse bei langfristigem Codieren und agentenbasierten Fähigkeiten, MIT-lizenziert, mit Gewichten, die Sie tatsächlich selbst ausführen können.

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

Also ranked: #18 Hottest Text / LLM model · #18 Hottest Text / LLM text model

Not this creator?

Get your own badge

Beliebtheitstrend von GLM 5.2

Heat-Score seit 16 Jun 2026

Heat-Score

9,057°

Diese Woche

▲

21.7%

9,030° damals, 9,057° jetzt

Diesen Monat

▲

155%

8,931° damals, 9,057° jetzt

Vergangenes Jahr

n/a

Noch nicht veröffentlicht/erfasst

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,739°

OpenRouter Tokens

6,248,561,667,512 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 624,856; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

+318°

Verbreitungsrate

Etwa 17,563 Downloads pro Tag, gemessen zwischen zwei Abfragen der Quellen, nie geschätzt aus einem Durchschnitt über die gesamte Lebenszeit. Die Geschwindigkeit zählt ein Viertel des Download-Werts, sodass ein frischer Anstieg sichtbar wird, ohne dass ein eintägiger Spitzenwert jahrelange Nutzung übertrumpft.

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 9,057°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
624,856 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,739°
8,739°
laufende Summe
3
Füge die Verbreitungsrate hinzu.
Momentan etwa 17,563 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
+318°
9,057°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
9,057°

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.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

Qwen3 Coder 480B A35B Instruct Turbo

TEXT / LLM

Qwen3.6 Flash

TEXT / LLM

L3.1 70B Euryale v2.2

TEXT / LLM

UI TARS 7B

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

GLM 5.2 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, prüfe den Hitzewert, um den Trend zu sehen, und öffne es auf PirateDiffusion oder BitVector, um es auszuprobieren.

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

Nach Modellfamilie stöbern