GLM-5 ist Z.AIs erstes „Frontier“-Modell und war zum Release das führende Open-Weight-Modell auf Artificial Analysis. Das Sparse-MoE mit rund 744 Milliarden Parametern (40 Milliarden aktiv) nutzt DeepSeek Sparse Attention für effizientes Long-Context-Handling und wurde auf 28,5 Billionen Token vortrainiert. Für das Post-Training setzt Z.AI das eigene asynchrone RL-Framework „slime“ ein. Optimiert ist GLM-5 auf Coding und Agenten.
GLM-5 (+ GLM-5-FP8)
Z.AI (Zhipu AI)
Februar 2026
MIT
Sparse MoE, Reasoning/agentic, text-only
≈ 744 Mrd. total (40 Mrd. aktiv); HF-Orgseite listet 754B
Sparse MoE mit DeepSeek Sparse Attention (DSA)
200.000 Token
Offizielle Angaben von Z.AI (Auswahl):
| Benchmark | GLM-5 | Kategorie |
|---|---|---|
| SWE-bench Verified | 77,8 % (Z.AI), 72,8 % (offizielles Leaderboard) | Coding |
| AIME 2026 I | 92,7 % | Mathematik |
| GPQA-Diamond | 86,0 | Wissen/Reasoning |
Quelle: Z.AI Model-Card. Bei SWE-bench Verified zusätzlich der Wert des offiziellen Leaderboards.
Frontier-Leistung bei offener MIT-Lizenz – aber mit Cluster-Bedarf. Wir planen Auslegung und Betrieb mit Ihnen.
GLM-5 verbindet ein Sparse-MoE mit DeepSeek Sparse Attention für effizientes Long-Context-Handling. Gegenüber GLM-4.5 wächst das Modell von 355 auf 744 Milliarden Parameter (32 → 40 Milliarden aktiv), die Pre-Training-Daten von 23 auf 28,5 Billionen Token.
Der Fokus liegt auf Coding und Agenten. Zum Release positionierte sich GLM-5 als stärkstes offenes Modell.
Für Organisationen, die Frontier-Qualität selbst betreiben wollen.
Frontier-Niveau bei offenen Gewichten
Effiziente Sparse Attention
Deployment auch auf Ascend-NPUs möglich
Offen unter MIT-Lizenz
Sehr hoher Hardware-Bedarf (≈ 8× H200)
Kein Multimodal
„Situational awareness“ laut Reviews gemischt
Wir planen die Cluster-Auslegung für GLM-5 und übernehmen Deployment und Betrieb – DSGVO-konform aus Deutschland.
