GLM 4.6 lässt die Zahl der zahlenden Auslandskunden von Zhipu AI auf das Zehnfache steigen, während Coding-Tools weltweit Verbreitung finden

Ein Durchbruch für ein chinesisches Coding-Modell

Zhipu AI, das Pekinger Start-up hinter der Marke Z.ai, gibt an, dass die kostenpflichtige Nutzung seiner Dienste außerhalb Chinas in den vergangenen zwei Monaten um das Zehnfache gestiegen ist. Das Unternehmen zählt inzwischen rund 100.000 monatlich zahlende API-Kunden und etwa 3 Millionen kostenlose Chatbot-Nutzer im Ausland. Der Aufschwung setzte nach der Markteinführung von GLM 4.6 Ende September ein, einem Modell für Programmierung, Schlussfolgerungen und Agenten-Workflows. Die Veröffentlichung brachte Zhipu unmittelbar in den täglichen Werkzeugkasten vieler Entwickler: dank eines attraktiven Preises, einfacher Integrationsmöglichkeiten und praxistauglicher Leistung bei realen Programmieraufgaben.

Li Zixuan, der bei Zhipu den globalen Geschäftsbetrieb leitet, bezeichnete den Zuwachs als Zeichen dafür, wohin sich der Markt bewegt und wo das Unternehmen als Nächstes investieren will. Die Nachfrage im Ausland wachse inzwischen schneller als die Nutzung im Heimatmarkt, sagte er. Das Team wolle in allen Regionen weiter expandieren, statt einer einzelnen Region Vorrang einzuräumen.

Nachdem Li den Wandel beschrieben hatte, brachte er die Strategie auf den Punkt.

„Wir wollen in allen Märkten wachsen, denn das Wachstum im Ausland übertrifft das im Inland“, sagte Li Zixuan, Leiter des globalen Geschäftsbetriebs bei Zhipu AI.

GLM 4.6 wurde als leistungsstarkes Open-Source-Modell für die Programmierung beworben. Entwickler-Tools, die viele Programmierer bereits nutzen, integrierten es rasch. Claude Code, hinter dem Anthropic steht, nahm GLM 4.6 auf. Andere Coding-Agenten wie Cline, Roo Code und Kilo Code folgten. Kilo Code zufolge verzeichnete die Plattform mit dem Modell die schnellste Akzeptanz ihrer Geschichte: Die Token-Nutzung stieg innerhalb von zwölf Tagen um das 94-Fache, weil das Modell im Vergleich zu führenden US-Systemen eine günstige Option bot, die „gut genug“ war. Diese Kombination aus brauchbarer Leistung und gutem Preis-Leistungs-Verhältnis half Zhipu, bei einzelnen Entwicklern und kleinen Teams außerhalb Chinas Fuß zu fassen.

Was GLM 4.6 für Entwickler attraktiv macht

GLM 4.6 erweitert das Kontextfenster auf 200.000 Token. Das bedeutet, dass das Modell mehr Material auf einmal lesen und verarbeiten kann, etwa große Codebasen oder umfangreiche technische Dokumente. Auch die Qualität beim Programmieren, die Schlussfolgerungsfähigkeit und der Werkzeuggebrauch wurden verbessert. In den unternehmenseigenen Tests zu Agenten, Schlussfolgerungen und Code zeigt GLM 4.6 deutliche Fortschritte gegenüber GLM 4.5. Es lässt sich reibungsloser in Agenten-Frameworks integrieren, kann während der Inferenz Werkzeuge aufrufen und erstellt ausgefeiltere Frontend-Seiten als die Vorgängerversion.

In internen und öffentlichen Tests kann GLM 4.6 mit vielen weit verbreiteten Modellen mithalten. Bei direkten Vergleichen mit Claude Sonnet 4 in den Agenten-Aufgaben von CC Bench erzielt es nahezu gleichauf eine Erfolgsquote von 48,6 Prozent und benötigt für dieselben Aufgaben weniger Token als GLM 4.5. Zhipu räumt zugleich ein, dass GLM 4.6 bei einigen Programmier-Benchmarks noch hinter Claude Sonnet 4.5 zurückliegt. Das entspricht den Rückmeldungen von Entwicklern: Oft geht es darum, ob ein System zuverlässig genug für die tägliche Arbeit ist, auch wenn es nicht auf jeder Rangliste das beste Modell ist.

Entwickler können über die Z.ai-API, über Vermittlungsplattformen wie OpenRouter oder durch den lokalen Betrieb der offenen Gewichte auf GLM 4.6 zugreifen. Zhipu hat Modellgewichte auf Plattformen wie Hugging Face und ModelScope veröffentlicht und unterstützt gängige Inferenz-Frameworks, darunter vLLM und SGLang. Das macht das Modell für Entwicklungsteams attraktiv, die den Einsatz selbst kontrollieren wollen. Im technischen Blog des Unternehmens werden die Änderungen ausführlicher erläutert und empfohlene Einstellungen für Programmieraufgaben und werkzeuggestützte Aufgaben beschrieben. Ausführlichere technische Informationen zu GLM 4.6 stellt Zhipu auf seinen offiziellen Kanälen bereit, darunter im Blog unter z.ai.

Preisstrategie und die „gut genug“-These

Die Kosten sind ein zentraler Grund dafür, dass GLM 4.6 an Boden gewinnt. Zhipu bewirbt ein Coding-Abo, das nach eigenen Angaben Claude-Leistung zu einem Bruchteil des Preises bietet. Das Unternehmen wirbt mit Kosten von ungefähr einem Siebtel und einem höheren Nutzungslimit für Abonnenten als bei einer vergleichbaren Tarifstufe eines führenden US-Anbieters. Der genaue Wert hängt von Nutzung und Region ab, doch die Botschaft ist klar: Viele Entwickler wollen einen zuverlässigen Assistenten, der ins knappe Budget passt. Sie möchten lieber Code ausliefern, als kleinen Zugewinnen bei wenig aussagekräftigen Benchmarks nachzujagen.

Für freiberufliche Programmierer, Studierende und Start-ups kann ein günstiges Werkzeug, das „gut genug“ ist, den Unterschied ausmachen: zwischen KI als täglichem Helfer und dem Verzicht darauf nach einer Testphase. GLM 4.6 hat sich bei den alltäglichen Standardaufgaben bewährt, mit denen viele Entwickler zu tun haben, etwa beim Debugging, beim Schreiben von Backend-Funktionen, bei der Integration von Diensten und beim Gestalten von Frontend-Komponenten. In Rückmeldungen aus der Entwickler-Community wird die Kosteneffizienz des Modells hervorgehoben. Trotz gelegentlicher Korrekturen machten Geschwindigkeit und Preis es zu einer praktischen Wahl für Routineaufgaben.

Zhipu weist außerdem darauf hin, dass das Modell Aufgaben mit weniger Token als sein Vorgänger erledigt. Das ist für Nutzer wichtig, die pro Token bezahlen: Benötigt das Modell für dieselbe Aufgabe weniger Token, sinken die Gesamtkosten. Diesen Effizienzvorteil verbindet das Unternehmen mit einem einfachen Umstieg. Abonnenten des Coding-Abos werden automatisch auf GLM 4.6 umgestellt; in der App-Konfiguration muss lediglich der Name des neuen Modells ausgewählt werden.

Integration in globale Tools und eine neue Debatte über die Herkunft von Modellen

Ein Grund für die schnelle Verbreitung von GLM 4.6 ist, dass es sich in die Tools einfügt, denen Entwickler bereits vertrauen. Claude Code, Cline, Roo Code und Kilo Code unterstützen das Modell. In der Praxis kann ein Programmierer so innerhalb desselben Coding-Agenten zwischen Anbietern wechseln, Ergebnisse für eine Aufgabe vergleichen und sich für das Modell entscheiden, das Geschwindigkeit, Qualität und Kosten am besten ausbalanciert. Die einfache Integration half Zhipu, vom Wachstum agentenbasierter Coding-Assistenten zu profitieren, die mehrstufige Aufgaben mit Werkzeugen, Websuche und Repository-Funktionen erledigen.

Der Aufschwung hat auch eine neue Debatte über die Herkunft einiger neuer US-Coding-Tools ausgelöst. Zwei viel beachtete Dienste, die in den vergangenen Wochen veröffentlicht wurden, darunter ein neues Modell von Cognition AI namens SWE 1.5 und das Tool Composer von Cursor, gerieten in die Kritik von Nutzern. Ihnen war aufgefallen, dass beide Systeme Spuren chinesischer Modellverhaltensweisen aufwiesen. Ein Tool erzeugte auf Chinesisch verfasste Schlussfolgerungsprotokolle, ein anderes räumte ein, auf einem führenden offenen Modell aufzubauen, ohne es zu nennen.

Zhipu äußerte sich öffentlich zu dem Thema. In einer Stellungnahme erklärte das Unternehmen, es gehe davon aus, dass eines der Tools sein jüngstes Modell als Grundlage nutze.

„Wir glauben, dass SWE 1.5 unser jüngstes Modell GLM 4.6 als Basismodell verwendet hat“, erklärte Zhipu AI in einer Stellungnahme zu Fragen über die Herkunft von Modellen.

In der Debatte geht es weniger um Rechtliches als um Normen. Offene Lizenzen erlauben die kommerzielle Weiterverwendung, auch ohne Namensnennung. Deshalb werden weltweit führende Modelle mit offenen Gewichten häufig zur Grundlage zahlreicher Folgeprodukte. Einige Experten betonen, dass der besondere Wert eines kommerziellen Tools aus der Feinabstimmung, den Datenpipelines und der Systemtechnik entstehen kann, die auf ein Basismodell aufbauen.

Florian Brand, ein Forscher an der Universität Trier, der sich mit offenen Modellen beschäftigt, brachte diese Sichtweise auf den Punkt.

„Die Feinabstimmung ist die Würze“, sagte Florian Brand mit Blick auf das maßgeschneiderte Training und die technische Entwicklung, durch die aus einem Basismodell ein ausgereiftes Produkt wird.

Fokus auf Auslandsmärkte und Grenzen im Heimatmarkt

Der Aufschwung im Ausland hat mit Nachfrage und mit Druck zu tun. Die Nachfrage nach erschwinglicher KI für die Programmierung ist im Ausland hoch, und Zhipu bedient sie mit einem einfach integrierbaren und kostengünstig zu betreibenden Modell. Im Heimatmarkt muss sich das Unternehmen mit langsameren Auftragsabläufen im öffentlichen Sektor und stärkerem Wettbewerb auseinandersetzen. Die Unternehmensführung sagt, dass das Wachstum im Ausland inzwischen die Expansion im Inland übertrifft. Deshalb investiert Zhipu in Märkte, in denen Entwickler bereits für KI-Tools bezahlen.

Auch Investoren sind aufmerksam geworden. Das Unternehmen wird mit rund 40 Milliarden Yuan bewertet und bereitet einen für 2026 geplanten Börsengang vor. Zhipu wurde 2019 als Ausgründung der Tsinghua-Universität gegründet und hat sich zu einem der bekanntesten KI-Unternehmen Chinas entwickelt. Zwar strebt das Unternehmen bislang kein Verbraucher-Abo für den Massenmarkt an, das mit US-Plattformen konkurrieren soll. Stattdessen setzt es auf Unternehmensverträge und ein Coding-Abo für Entwickler, um besser planbare Einnahmen aufzubauen.

Geopolitische Faktoren beeinflussen weiterhin die Entscheidungen von Kunden. Zhipu zufolge nutzen Kunden in Drittstaaten die Dienste bedenkenlos, wenn die Daten lokal gespeichert werden können oder sich das Unternehmen zu einer vollständigen Datenlöschung verpflichtet. Die Kombination aus lokaler Speicherung und strikten Aufbewahrungsrichtlinien wird für KI-Anbieter zunehmend zum Standard, wenn sie Datenschutzbedenken über Ländergrenzen hinweg begegnen wollen.

Die Leistung von GLM 4.6 jenseits der Ranglisten

Benchmarks helfen dabei, die Leistungsfähigkeit einzuordnen. Entscheidend ist für Entwickler jedoch, ob ein Modell reale Aufgaben erledigen kann. Zhipu hat seine CC-Bench-Tests um schwierigere, mehrstufige Aufgaben in den Bereichen Frontend-Entwicklung, Werkzeugentwicklung, Datenanalyse, Testing und Algorithmen erweitert. Bei diesen Tests arbeiteten menschliche Prüfer in isolierten Umgebungen mit den Modellen und bewerteten, wie gut die Systeme realistische, mehrstufige Arbeitsabläufe bewältigten. GLM 4.6 schnitt besser ab als GLM 4.5 und erreichte bei diesen Agenten-Aufgaben nahezu das Niveau von Claude Sonnet 4. Zudem erledigte es Aufgaben mit rund 15 Prozent weniger Token als GLM 4.5, was in der Praxis auf eine höhere Effizienz hindeutet.

Entwickler berichten, dass GLM 4.6 besser mit Repositories mit mehreren Dateien zurechtkommt und beim Entwickeln von Funktionen längere Abläufe planen kann. Bei großen Projekten unterlaufen dem Modell weniger Kontextfehler, weil es mehr Dateien auf einmal lesen kann. Außerdem erstellt es sauberere Frontend-Komponenten und vollständige Seiten, die weniger Nacharbeit erfordern. Bei komplexen Designs und Sonderfällen ist eine Prüfung durch Menschen jedoch weiterhin sinnvoll. Solche Verbesserungen machen sich im Arbeitsalltag von Softwareteams bemerkbar.

Was Kontextfenster und Token bedeuten

Ein Token ist eine kleine Texteinheit, die ein Modell zum Lesen und Schreiben verwendet. Man kann es sich als Wortfragment vorstellen. Die Preise für APIs richten sich oft danach, wie viele Token ein Modell verarbeitet. Deshalb ist Effizienz wichtig: Kann ein Modell eine Aufgabe mit weniger Token erledigen, sinken die Kosten und die Interaktion wirkt oft schneller.

Das Kontextfenster gibt an, wie viel Text ein Modell auf einmal berücksichtigen kann. Ein größeres Kontextfenster ermöglicht es dem Modell, mehr Dateien und Anweisungen zu lesen, bevor es mit der Arbeit beginnt. Mit einem Kontext von 200.000 Token kann GLM 4.6 lange Funktionsketten, Konfigurationsdateien und Testsammlungen auf einmal verarbeiten. Das ist für realistische Programmieraufgaben entscheidend. Sorgfältige Prompts und eine gute Strategie für den Werkzeugeinsatz werden dadurch nicht überflüssig, doch das Hin und Her, das Entwickler bei großen Projekten ausbremst, nimmt ab.

Risiken, Regulierung und Zugang

Chinesische KI-Unternehmen bewegen sich in einem Umfeld aus Exportkontrollen, Einschränkungen in Lieferketten und behördlicher Kontrolle in mehreren Ländern. Das wirkt sich auf die Planung von Training und Einsatz aus. Modelle mit offenen Gewichten wie GLM 4.6 können Kunden mehr Kontrolle darüber geben, wo und wie das System läuft, etwa vor Ort oder in einer bevorzugten Cloud-Region. Auch mit diesen Möglichkeiten prüfen Kunden vor der Wahl eines Anbieters weiterhin die langfristige Unterstützung, Service-Level-Zusagen und Compliance-Funktionen.

Der Umgang mit Daten ist eines der größten Bedenken. Gegenüber Kunden im Ausland wirbt Zhipu mit lokaler Datenspeicherung und Einstellungen zur vollständigen Datenlöschung. Sensible Codes und Dokumente sollen in der vom Kunden gewählten Region bleiben, während dieser weiterhin von einem leistungsfähigen Coding-Assistenten profitiert. Für viele Teams ist das ein sinnvoller Kompromiss zwischen Leistung, Datenschutz und Kosten.

Ein umkämpfter Markt für Coding-Assistenten

Der Markt für Coding-Assistenten ist inzwischen gut besetzt: mit ausgereiften Diensten und neuen Anbietern. GitHub Copilot machte die Produktkategorie populär. Modelle von OpenAI und Anthropic treiben Premium-Tools mit starken Fähigkeiten beim Schlussfolgern und Kontextmanagement an. Chinesische Anbieter haben mit Systemen wie DeepSeek und Qwen rasch aufgeholt. Gleichzeitig entwickeln Start-ups in vielen Regionen agentenbasierte IDE-Assistenten, die Suche, Analyse, Codeänderungen und Tests in einem Ablauf koordinieren.

In diesem Umfeld setzt Zhipu auf drei Unterscheidungsmerkmale. Erstens den Preis: Das Unternehmen positioniert GLM 4.6 als praktisches, leistungsfähiges und kostengünstiges Tool. Zweitens die Offenheit: Verfügbare Modellgewichte und die Unterstützung gängiger Inferenz-Frameworks machen es für Teams attraktiv, die das Modell anpassen oder selbst hosten wollen. Drittens die Integration: Da sich GLM 4.6 reibungslos in beliebte Coding-Agenten einfügt und unkomplizierte API-Optionen bietet, sinkt der Aufwand, das Modell auszuprobieren und einzusetzen. Keiner dieser Faktoren garantiert eine marktbeherrschende Stellung. Zusammen eröffnen sie jedoch einen glaubwürdigen Weg zu stetigem Wachstum bei Entwicklern, die Zuverlässigkeit, Kontrolle und eine faire Monatsrechnung schätzen.

Die Führung über die nächsten Schritte

Zhipus Vorstandschef Zhang Peng hat sich öffentlich zum Tempo der Fortschritte bei fortgeschrittener KI geäußert. Seiner Ansicht nach verwischen Diskussionen über künstliche Superintelligenz häufig wichtige Details. Jeder Zeitplan sei als bewegliches Ziel zu betrachten. Für Kunden sei entscheidend, ob Modelle Menschen bei konkreten Aufgaben, die ihnen wichtig sind, übertreffen können und ob sich diese Fortschritte in echter Produktivität niederschlagen.

Bei einer jüngsten Produktvorstellung erläuterte Zhang, wie er die kommenden Jahre einschätzt.

„Menschliche Intelligenz bis 2030 zu erreichen oder zu übertreffen könnte bedeuten, Menschen in bestimmten Bereichen zu überflügeln, in vielen anderen aber weiterhin hinter ihnen zurückzubleiben“, sagte Zhang Peng, CEO von Zhipu AI.

Diese pragmatische Haltung spiegelt sich in der Produktauswahl des Unternehmens wider. Zhipu versucht nicht, jedes Verbraucher-Abo für sich zu gewinnen. Das Unternehmen konzentriert sich auf Geschäftskunden und ein Coding-Abo für Entwickler und bietet zugleich eine zugängliche kostenlose Chatbot-Version an, um neue Nutzer zu gewinnen. Kurzfristig geht es nicht darum, den Endpunkt der Intelligenz zu definieren, sondern ein Modell bereitzustellen, das Menschen hilft, Funktionen auszuliefern, Fehler zu beheben und schneller voranzukommen, während die Kosten im Rahmen bleiben.

Das Wichtigste

• Zhipu AI zufolge hat sich die Zahl der zahlenden Nutzer im Ausland innerhalb von zwei Monaten auf rund 100.000 monatliche API-Kunden verzehnfacht. Außerhalb Chinas gibt es zudem 3 Millionen kostenlose Chatbot-Nutzer.
• Der Zuwachs folgte auf die Markteinführung von GLM 4.6, einem Modell für Programmierung und Schlussfolgerungen, das rasch in Tools wie Claude Code, Cline, Roo Code und Kilo Code integriert wurde.
• Kilo Code meldete die schnellste Akzeptanz in der Geschichte der Plattform: Die Token-Nutzung für GLM 4.6 stieg innerhalb von zwölf Tagen wegen der niedrigeren Kosten um das 94-Fache.
• GLM 4.6 erweitert das Kontextfenster auf 200.000 Token, verbessert den Werkzeugeinsatz und die Agentenleistung und erledigt Aufgaben mit rund 15 Prozent weniger Token als GLM 4.5.
• Bei den Agenten-Aufgaben von CC Bench erreicht das Modell nahezu das Niveau von Claude Sonnet 4, liegt bei einigen Programmier-Tests aber noch hinter Claude Sonnet 4.5.
• Die offenen Gewichte sind für den lokalen Einsatz verfügbar. Das Modell unterstützt Inferenz-Frameworks wie vLLM und SGLang.
• Zhipu setzt auf eine Niedrigpreisstrategie und bewirbt ein Coding-Abo, das nach eigenen Angaben Claude-Leistung zu einem Bruchteil der Kosten bietet.
• Das Unternehmen wird mit rund 40 Milliarden Yuan bewertet und bereitet einen möglichen Börsengang 2026 vor. Zugleich konzentriert es sich auf Geschäftskunden und das Wachstum bei Entwicklern im Ausland.