Chinas Zhipu AI stellt GLM-5 vor: ein Open-Source-Modell mit 744 Milliarden Parametern, trainiert auf heimischen Chips

Chinas Bewegung für KI-Unabhängigkeit erreicht Spitzenniveau

Das chinesische KI-Startup Zhipu AI, das international unter der Marke Z.ai tätig ist, hat GLM-5 vorgestellt. Das große Sprachmodell mit 744 Milliarden Parametern ist das erste KI-System auf Spitzenniveau, das vollständig auf heimischer chinesischer Hardware und ohne Abhängigkeit von US-amerikanischer Halbleitertechnologie trainiert wurde. Die Ankündigung vom 11. Februar ließ die Aktien des in Hongkong börsennotierten Unternehmens, das offiziell Knowledge Atlas Technology heißt, um fast 30 Prozent auf 405 Hongkong-Dollar steigen. Damit lag der Kurs beim Vierfachen des Ausgabepreises, den die Aktie erst einen Monat zuvor beim Börsengang erzielt hatte. Bei seinem Börsengang im Januar 2026 nahm das Unternehmen rund 558 Millionen US-Dollar ein und wurde damit weltweit zum ersten börsennotierten Anbieter von Basismodellen. Zhipu AI wurde 2019 als Ausgründung der Tsinghua-Universität gegründet und hat sich rasch als führender Entwickler von Open-Source-KI etabliert.

Das Modell erscheint inmitten einer sich beschleunigenden Veröffentlichungswelle chinesischer Technologieunternehmen, die vor dem Neujahrsfest ihre Leistungsfähigkeit unter Beweis stellen wollen. GLM-5 hebt sich jedoch durch die Kombination aus technischer Größe, Verfügbarkeit als Open Source unter der freizügigen MIT-Lizenz und vollständiger Unabhängigkeit von Grafikprozessoren von NVIDIA ab. Stattdessen setzte Zhipu AI für das Training auf Chips von Huawei Ascend und das Framework MindSpore. Das hat erhebliche Folgen für die globalen Lieferketten im Bereich der KI-Infrastruktur. Der Erfolg belegt, dass sich KI-Modelle auf Spitzenniveau auch außerhalb des NVIDIA-Ökosystems trainieren lassen. Das eröffnet Möglichkeiten für eine größere Hardwarevielfalt und verringert branchenweit das Risiko einer Abhängigkeit von einzelnen Anbietern. Der Zeitpunkt der Veröffentlichung unterstreicht Pekings Dringlichkeit, Fortschritte bei der heimischen Chip-Selbstversorgung vorzuweisen, während Washington die Exportbeschränkungen für Hochleistungshalbleiter verschärft.

Technische Architektur und Umfang

GLM-5 stellt eine erhebliche Erweiterung gegenüber dem Vorgängermodell GLM-4.7 mit 355 Milliarden Parametern dar. Das neue Modell verdoppelt die Kapazität auf insgesamt 744 Milliarden Parameter und nutzt dabei eine Mixture-of-Experts-Architektur, bei der pro Inferenzaufgabe nur 40 Milliarden Parameter aktiviert werden. Mit diesem Ansatz, der 256 Expertenmodule umfasst, von denen jeweils acht pro Token aktiviert werden, erreicht das System eine hohe Leistung und hält zugleich die Rechenkosten effizient unter Kontrolle. Die Architektur steht für einen Wandel hin zu spärlichen Aktivierungsmustern, die die Leistungsfähigkeit maximieren, ohne die Betriebskosten linear zu erhöhen. Das ist für Unternehmen, die große Modelle in großem Umfang einsetzen, von entscheidender Bedeutung.

Auch der Trainingsdatensatz wurde entsprechend erweitert: von 23 Billionen Token in der vorherigen Generation auf 28,5 Billionen Token bei GLM-5. Eine wichtige technische Neuerung ist der Einsatz von DeepSeek Sparse Attention, einem Verfahren, das erstmals das in Hangzhou ansässige Startup DeepSeek entwickelt hat. Damit kann das Modell Kontextfenster mit bis zu 200.000 Token verarbeiten und zugleich Ausgaben mit bis zu 131.000 Token erzeugen. Beide Werte zählen zu den höchsten in der Branche. Dank dieses langen Kontextfensters kann das Modell umfangreiche Dokumente, ganze Codebasen, Sammlungen wissenschaftlicher Arbeiten und Videotranskripte in einer einzigen Sitzung verarbeiten und komplexe Schlussfolgerungen aus großen Eingabemengen ziehen. Der Sparse-Attention-Mechanismus verringert gezielt den Rechenaufwand, der bei der Verarbeitung langer Sequenzen typischerweise bei Modellen mit dichter Attention anfällt.

Benchmark-Ergebnisse und Programmierfähigkeiten

Nach von Zhipu AI veröffentlichten internen Tests erreicht GLM-5 Werte, die das Modell an die Spitze der Open-Source-Ranglisten bringen und nahe an proprietäre westliche Systeme heranführen. Beim SWE-bench Verified, einem weithin anerkannten Benchmark für praxisnahe Softwareentwicklung, erzielte das Modell 77,8 Prozent. Damit übertraf es Google DeepMind Gemini 3 Pro mit 76,2 Prozent und näherte sich Anthropic Claude Opus 4.5 mit 80,9 Prozent. Das Unternehmen räumt ein, dass Claude insgesamt weiterhin das führende Programmiermodell ist, betont jedoch die Spitzenposition von GLM-5 unter den offenen Systemen. Beim SWE-bench Multilingual erzielte GLM-5 73,3 Prozent und zeigte damit starke Leistungen in verschiedenen Programmiersprachen.

Besonders stark ist das Modell bei längerfristigen operativen Aufgaben. Im Vending Bench 2, einer Simulation länger andauernder Geschäftsabläufe, die eine anhaltende autonome Leistung erfordern, erreichte GLM-5 am Ende einen Kontostand von 4.432 US-Dollar und belegte damit unter allen getesteten Open-Source-Modellen den ersten Platz. Beim BrowseComp, einem Benchmark für Informationssuche und -synthese, erzielte das System 75,9 Punkte und führte damit ebenfalls die Open-Source-Kategorie an. Mit aktivierten Werkzeugen erreichte das Modell außerdem 50,4 Punkte bei Humanity's Last Exam und 89,7 Punkte beim Tau Squared Bench. Das weist auf ausgeprägte Fähigkeiten zum mehrstufigen logischen Schlussfolgern hin. Beim Terminal-Bench 2.0 erzielte das System 56,2 Prozent, in der verifizierten Version waren es 60,7 Prozent.

Interne technische Tests mit CC-Bench-V2 bescheinigen GLM-5 eine Erfolgsquote von 98 Prozent beim Erstellen von Frontends und eine Korrektheit von 74,8 Prozent bei durchgängigen Aufgaben. Claude Opus 4.5 kam auf 93 beziehungsweise 75,7 Prozent. Bei Aufgaben mit langen Laufzeiten und großen Code-Repositories erreichte das Modell zudem 65,6 Prozent. Die Ergebnisse legen nahe, dass das System besonders gut für komplexe Full-Stack-Entwicklungsabläufe und Projekte mit mehreren Dateien geeignet ist.

Lukas Petersson, Mitgründer des auf KI-Sicherheit ausgerichteten Startups Andon Labs, das an einem Protokoll für autonome KI arbeitet, wertete unabhängig Protokolle von GLM-5 im Rahmen des Benchmarks Vending Bench 2 aus. Seiner Beobachtung nach erreicht das Modell seine Ziele mit aggressivem taktischem Vorgehen. Im Vergleich zu führenden westlichen Alternativen sei sein Situationsbewusstsein jedoch eingeschränkt.

Nach stundenlanger Lektüre der GLM-5-Protokolle: ein unglaublich effektives Modell, aber mit deutlich geringerem Situationsbewusstsein. Es erreicht seine Ziele mit aggressiven Taktiken, denkt aber weder über seine Situation nach noch nutzt es Erfahrungen. Das ist beängstigend. So bekommt man einen Büroklammer-Maximierer.

Zhipu AI hob außerdem eine rekordniedrige Halluzinationsrate hervor: Im Artificial Analysis Omniscience Index, Version 4.0, erzielte das Modell minus eins. Das ist eine Verbesserung um 35 Punkte gegenüber der vorherigen Generation. Die Kennzahl zeigt, dass das Modell besser darin geworden ist, die Grenzen seines Wissens zu erkennen und bei Unsicherheit keine erfundenen Informationen auszugeben. Diese Fähigkeit ist für den produktiven Einsatz in Unternehmen entscheidend, wo Genauigkeit oberste Priorität hat.

Trainingsinnovation und Hardware-Souveränität

Über die reinen Leistungskennzahlen hinaus markiert die Entwicklung von GLM-5 einen Wendepunkt für die technologische Souveränität. Das Modell wurde ausschließlich auf Chips der Huawei-Ascend-910-Serie trainiert und war damit nicht auf NVIDIA-Hardware angewiesen, für die derzeit US-Exportkontrollen gelten, die auf den chinesischen Hochleistungsrechenbereich abzielen. Das entspricht Chinas umfassenderem Bestreben nach Halbleiter-Selbstversorgung und dem Ziel, bis 2027 bei Rechenzentrumchips weitgehend unabhängig zu sein. Für die globale KI-Branche ist dies ein Signal, dass Hardwarevielfalt beim KI-Training nicht nur möglich ist, sondern bereits auf Spitzenniveau umgesetzt wird.

Um Ineffizienzen beim Training in diesem Maßstab zu beheben, entwickelte Zhipu AI eine neuartige Infrastruktur für asynchrones Reinforcement Learning, intern unter dem Codenamen slime geführt. Herkömmliche Reinforcement-Learning-Ansätze leiden häufig unter Engpässen bei der Generierung, die mehr als 90 Prozent der Trainingszeit beanspruchen. Das Framework slime überwindet diese Einschränkungen, indem es die unabhängige Generierung von Trajektorien ermöglicht. So werden die fein abgestuften Iterationen möglich, die für komplexes agentisches Verhalten erforderlich sind. Dazu kommen Optimierungen auf Systemebene, darunter Active Partial Rollouts. Das Framework nutzt ein modulares System aus drei Komponenten: einem leistungsstarken Trainingsmodul auf Basis von Megatron-LM, einem Rollout-Modul mit SGLang und maßgeschneiderten Routern für die Datengenerierung mit hohem Durchsatz sowie einem zentralen Data Buffer für die Initialisierung von Prompts und die Speicherung von Rollouts.

Darüber hinaus hat das Unternehmen GLM-5 für den Einsatz auf einem breiten Spektrum heimischer chinesischer Halbleiterplattformen neben Huawei optimiert. Dazu zählen Chips von Moore Threads, Cambricon, Kunlunxin, MetaX, Enflame und Hygon. Durch Kernel-Optimierung und Modellquantisierung erreicht das System auf diesen Alternativplattformen einen angemessenen Durchsatz. Das signalisiert eine zunehmend ausgereifte heimische KI-Recheninfrastruktur, die Chinas strategisches Ziel unterstützt, robuste, lokal betriebene Infrastrukturen aufzubauen. Die Kompatibilität verringert die Abhängigkeit von einzelnen Hardwareanbietern und zeigt, dass alternative KI-Beschleuniger einsatzfähig sind.

Agentische Entwicklung und Dokumentenerstellung

Zhipu AI positioniert GLM-5 als Werkzeug für agentische Entwicklung und nicht als einfache dialogorientierte KI. Das steht für einen Wandel in der Branche: weg vom sogenannten Vibe Coding und hin zu umfassender Systementwicklung. Das System verfügt über einen nativen Agent-Modus, der übergeordnete Ziele in umsetzbare Teilaufgaben zerlegen, Werkzeuge koordinieren und Arbeitsabläufe autonom ausführen kann, um einsatzbereite Ergebnisse zu liefern. Dieser Ansatz, bei dem die Auslieferung fertiger Ergebnisse im Mittelpunkt steht, geht über den Dialog hinaus und ermöglicht es Nutzern, Qualitätsanforderungen festzulegen, während die KI die Umsetzung übernimmt.

Eine besondere Fähigkeit ist die direkte Erstellung professioneller Bürodokumente. Das Modell kann aus unstrukturierten Prompts oder Daten formatierte Microsoft-Word-Dokumente, PDF-Dateien und Excel-Tabellen erstellen, ohne dass manuelle Formatierung oder Zwischenschritte nötig sind. Zu den möglichen Anwendungen zählen die automatisierte Erstellung von Finanzberichten und Sponsoring-Angeboten sowie komplexe Datenauswertungen mit Diagrammen und Tabellen, die sich in gängigen Formaten exportieren lassen. Nutzer können Daten hochladen und erhalten sofort eine Analyse, deren Ergebnisse sich als XLSX-, CSV- oder PNG-Datei exportieren lassen.

Für Softwareentwickler bietet Zhipu AI den GLM Coding Plan an, einen Abonnementdienst, der sich in mehr als zwanzig verbreitete Entwicklungsumgebungen integrieren lässt, darunter Claude Code, Cursor, Cline, Roo Code, OpenCode, Kilo Code, Crush und Goose. Die Tarife reichen vom Lite-Angebot für zehn Dollar pro Monat, das die dreifache Nutzung von Claude Pro ermöglicht, über den Pro-Tarif für 30 Dollar mit 40 bis 60 Prozent schnelleren Antwortzeiten bis zum Max-Tarif für 80 Dollar, der garantierte Leistung zu Spitzenzeiten und frühzeitigen Zugang zu neuen Funktionen bietet. Alle Tarife unterstützen Vision Understanding, Web Search MCP und Web Reader MCP. Nach Angaben des Unternehmens stellt das Abonnementmodell monatlich mehrere zehn Milliarden Token für etwa ein Prozent der üblichen API-Preise bereit. Die Geschwindigkeit von mehr als 55 Token pro Sekunde ermöglicht eine Interaktion in Echtzeit.

Geschäftsstrategie und Engpässe bei der Infrastruktur

Trotz der technischen Erfolge ist Zhipu AI mit unmittelbaren Engpässen bei der Infrastruktur konfrontiert, die Preisanpassungen erzwungen haben. Das Unternehmen erhöhte die Preise für den GLM Coding Plan zum 11. Februar um 30 Prozent. Als Grund nannte es das starke Wachstum bei Nutzerzahlen und Nutzung, das die Rechenkapazitäten an ihre Grenzen gebracht habe. In einer öffentlichen Erklärung räumte das Unternehmen ein, dass die Rechenkapazitäten sehr knapp seien. Bereits vor der Einführung von GLM-5 sei jeder verfügbare Chip voll ausgelastet gewesen, um den bestehenden Bedarf an Inferenz zu decken. Rabatte für Erstkäufe wurden gestrichen, doch mit vierteljährlicher und jährlicher Abrechnung lassen sich nun jeweils 10 und 30 Prozent sparen.

Für den lokalen Betrieb von GLM-5 werden rund 1.490 Gigabyte Speicher benötigt, etwa doppelt so viel wie bei GLM-4.7. Diese Hardwareanforderung stellt für kleinere Organisationen, die das Modell vor Ort betreiben wollen, eine Hürde dar. Die offenen Gewichte sind jedoch weiterhin auf Hugging Face und ModelScope verfügbar, sofern ausreichend Ressourcen vorhanden sind. Für Nutzer der Cloud-API könnten die angespannten Kapazitäten zu Unsicherheiten hinsichtlich Ratenbegrenzungen oder längeren Antwortzeiten führen, während das Unternehmen seine Kapazitäten ausbaut, um die Nachfrage zu decken.

Die API-Preise positionieren GLM-5 als kostengünstige Alternative zu proprietären westlichen Modellen. Eingabetoken kosten rund einen Dollar pro Million, Ausgabetoken drei Dollar und zwanzig Cent pro Million. Zum Vergleich: Anthropic Claude Opus 4.6 kostet fünf Dollar pro Million Eingabetoken und 25 Dollar pro Million Ausgabetoken. Je nach Nutzungsmuster ergibt sich für GLM-5 damit ein Kostenvorteil um etwa das Sechs- bis Zehnfache. GPT-5.2 kostet 1,75 Dollar pro Million Eingabetoken und 14 Dollar pro Million Ausgabetoken und ist damit weiterhin deutlich teurer als GLM-5. Grok 4.1 Fast kostet 20 Cent pro Million Eingabetoken und ist damit eine günstigere Option, bietet jedoch ein anderes Leistungsprofil.

Wettbewerbsumfeld und Zeitpunkt der Veröffentlichung

Die Veröffentlichung von GLM-5 fiel mit zahlreichen Ankündigungen konkurrierender chinesischer KI-Labore zusammen und bündelte so kurz vor dem Neujahrsfest die Präsentation heimischer technologischer Fähigkeiten. DeepSeek aktualisierte noch am selben Tag sein Flaggschiffmodell und verzehnfachte dessen Kontextfenster auf mehr als eine Million Token. MiniMax, das im Januar zeitgleich mit Zhipu in Hongkong an die Börse gegangen war, stellte sein Modell M2.5 mit erweiterten agentischen Werkzeugen vor. Die Aktie stieg im Wochenverlauf um fast 50 Prozent. Weitere Neuerscheinungen waren das Videogenerierungsmodell Seedance 2.0 von ByteDance, das einheitliche multimodale System Ming-Flash-Omni 2.0 der Ant Group, das Sprache und Musik erzeugen kann, sowie das Ende Januar veröffentlichte Modell Kimi 2.5 von Moonshot AI.

Der chinesische Ministerpräsident Li Qiang betonte in einer Grundsatzrede am 11. Februar, dass Rechenressourcen und Strominfrastruktur koordiniert ausgebaut werden müssten, um diese Entwicklung zu unterstützen. Er forderte den Einsatz von KI in größerem Maßstab und ihre Kommerzialisierung sowie eine bessere Abstimmung der Ressourcen. Zudem unterstrich er die Pläne, die Rahmenbedingungen für KI-Fachkräfte und Unternehmen zu verbessern. Der abgestimmte Zeitpunkt der Veröffentlichungen spiegelt die strategische Ausrichtung der chinesischen KI-Branche wider: Unternehmen koordinieren ihre Ankündigungen zunehmend, um deren Wirkung zu maximieren und gemeinsame Fortschritte gegenüber der technologischen Führungsposition der USA zu demonstrieren.

Für Anleger steht der Kursanstieg der auf KI spezialisierten Startups im Gegensatz zur Schwäche größerer Technologiekonzerne wie Tencent und Alibaba, deren Aktien im selben Zeitraum um 2,6 beziehungsweise 2,1 Prozent fielen. Das deutet auf eine stärkere Vorliebe des Marktes für spezialisierte KI-Unternehmen als für diversifizierte Konzerne hin. Analysten von Jefferies erklärten, chinesische Modelle verfügten über starke agentische KI-Fähigkeiten und seien daher gut aufgestellt, um von der raschen Einführung in Unternehmen zu profitieren. Der Hang Seng Tech Index in Hongkong sank insgesamt um 1,7 Prozent. Das unterstreicht, dass sich die Begeisterung der Anleger auf bestimmte Unternehmen beschränkt.

Das Wichtigste

• Zhipu AI hat GLM-5 vorgestellt, ein Open-Source-Sprachmodell mit 744 Milliarden Parametern, das vollständig auf Huawei-Ascend-Chips und ohne NVIDIA-Hardware trainiert wurde. Damit erreicht China einen Meilenstein auf dem Weg zu einer unabhängigen KI-Infrastruktur.
• Bei Programmierbenchmarks erzielt das Modell 77,8 Prozent im SWE-bench Verified und nähert sich damit Claude Opus 4.5 von Anthropic. Im Vending Bench 2 und im BrowseComp belegt es unter den Open-Source-Modellen jeweils den ersten Platz.
• GLM-5 nutzt eine Mixture-of-Experts-Architektur mit 256 Experten sowie DeepSeek Sparse Attention, um Kontextfenster mit 200.000 Token bei effizientem Rechenaufwand zu verarbeiten.
• Das System weist eine rekordniedrige Halluzinationsrate auf und erzielt im Artificial Analysis Omniscience Index minus eins. Das ist eine Verbesserung um 35 Punkte gegenüber der vorherigen Generation.
• Wegen der angespannten Infrastruktur erhöhte Zhipu AI die Preise für den GLM Coding Plan um 30 Prozent. Nach der Ankündigung stiegen die Aktien des in Hongkong börsennotierten Unternehmens um fast 30 Prozent.
• Die Veröffentlichung fällt mit wichtigen Aktualisierungen von DeepSeek, MiniMax, ByteDance und der Ant Group zusammen und verschärft den Wettbewerb in der chinesischen KI-Branche kurz vor dem Neujahrsfest.