GLM-5.2: Features, Setup, Benchmarks und Guide zum Modellwechsel

Der Juni war definitiv spannend, was neue KI-Modelle angeht. Anthropic brachte Claude Fable 5 heraus und zog es dann wieder aus dem öffentlichen Zugang zurück. Moonshot AI veröffentlichte Kimi K2.7-Code mit einem gemeldeten +21,8% Zuwachs auf dem Kimi Code Bench v2 gegenüber dem Vorgänger. Und ganz frisch hat Z.ai GLM-5.2 angekündigt – das neue Flaggschiff für Coding und agentische Aufgaben, ab sofort verfügbar für alle GLM-Coding-Plan-Nutzer, inklusive Lite, Pro, Max und Team.

GLM-5.2 kommt mit einem Kontextfenster von 1 Million Token, bis zu 131.072 Ausgabetoken und zwei Reasoning-Stufen: high und max. Z.ai hatte zunächst keine offiziellen Benchmarks veröffentlicht, die neuen Entwicklerdokumente bestätigen jedoch, dass GLM-5.2 über die wichtigsten Coding-Metriken hinweg das führende Open-Source-Modell ist – und damit in Schlagdistanz zu Closed-Source-Frontier-Modellen liegt. Die Ankündigung konzentrierte sich ansonsten auf Verfügbarkeit, Kontext und die Open-Source-Roadmap; MIT-lizenzierte Gewichte wurden als ausstehend beschrieben.

In diesem Artikel zeige ich, was GLM-5.2 ist, was sich im Vergleich zu GLM-5.1 geändert hat, wie du in Claude Code, OpenClaw und Cline darauf umstellst und was die Benchmarks für Praktiker bedeuten. Für zusätzlichen Kontext, wo die Spitze aktuell liegt, sieh dir auch unseren Vergleich GPT-5.5 vs Gemini 3.1 Pro an und wirf einen Blick auf das aktualisierte GLM-5.3 Flash für die neuesten Infos.

Was ist GLM-5.2?

GLM-5.2 ist Z.ai’s neues Flaggschiffmodell der GLM-5-Reihe, veröffentlicht am 16. Juni 2026. Es steht an der Spitze des GLM-Coding-Plans und ersetzt GLM-5.1 als Primärmodell für Coding- und agentische Aufgaben. Da es einen Anthropic-kompatiblen Endpoint nutzt, lässt es sich mit einem schnellen Base-URL-Tausch und geänderter Modellbezeichnung nahtlos in Tools wie Claude Code und Cline einsetzen.

Im Vergleich zu GLM-5.1 sind die wichtigsten praktischen Upgrades:

• Enormes Kontextfenster: Sprung von ~200.000 Token auf 1.000.000 Token mit dem Bezeichner glm-5.2[1m].
• Erweiterte Ausgabe: Maximale Ausgabetoken sind mit 131.072 dokumentiert (zuvor 120.000).
• Zwei Reasoning-Modi: Führt die Stufen high und max ein; Z.ai empfiehlt max für Stabilität bei komplexen Aufgaben.

Die Architektur unter der Haube

Während die vorige Generation eine völlige Blackbox war, hat Z.ai im technischen Blog mehrere maßgeschneiderte Mechanismen vorgestellt, die lange Kontexte und agentische Workloads bewältigen, ohne die Latenz explodieren zu lassen:

Was ist neu an GLM-5.2?

Drei Dinge stechen heraus: das vergrößerte Kontextfenster, das zweistufige Reasoning-System und der Integrationspfad in Drittanbieter-Coding-Agenten. Jedes davon hat praktische Auswirkungen auf den Einsatz im Alltag.

Kontextfenster mit 1 Million Token

GLM-5.2 unterstützt ein Kontextfenster mit 1 Million Token, aber es ist nicht standardmäßig aktiv. Um es zu aktivieren, hängst du [1m] an den Modellnamen in deiner Konfiguration: glm-5.2[1m]. Außerdem musst du den Kompressionsfenster-Parameter CLAUDE_CODE_AUTO_COMPACT_WINDOW in deiner settings.json auf 1000000 setzen.

Das ist wichtig für Workflows, in denen du mit großen Codebasen arbeitest. Ein 1M-Token-Fenster fasst grob 750.000 Wörter an Code und Kontext gleichzeitig – genug, um ein gesamtes mittelgroßes Repository ohne Chunking zu laden. Der Haken: Die Qualität bei sehr langen Kontexten lässt häufig an den Extremen nach, und Z.ai hat für dieses Modell keine Retrieval-Genauigkeit bei 1M Token veröffentlicht.

Ein praktischer Hinweis: Wenn Claude Code meldet, dass das Modell mit dem Suffix [1m] nicht existiert, hilft ein Update von Claude Code auf die neueste Version. Das ist ein Kompatibilitätsproblem, kein Verfügbarkeitsproblem.

Zwei Reasoning-Stufen

GLM-5.2 führt ein zweistufiges Effort-System ein: high und max. In Claude Code wechselst du während einer Session mit dem Befehl /effort. Das Mapping der Claude-Code-Labels auf die tatsächlichen GLM-5.2-Stufen sieht so aus:

• low, medium, high (Standard): entspricht GLM-5.2 high
• xhigh, max, ultracode: entspricht GLM-5.2 max

Z.ai empfiehlt ausdrücklich die Stufe max für Coding-Aufgaben. Der Standard in einer neuen Session ist high – für komplexe, mehrstufige Aufgaben solltest du manuell umschalten. Das ist derselbe Trade-off wie bei anderen Reasoning-Modellen: Mehr Aufwand bedeutet überlegtere Ausgaben, aber auch höhere Latenz und mehr Tokenverbrauch.

Anthropic-kompatible Endpoint-Integration

GLM-5.2 ist über Z.ai’s Anthropic-kompatiblen API-Endpoint unter https://api.z.ai/api/coding/paas/v4 erreichbar. Das heißt: Jedes Tool, das eine benutzerdefinierte Anthropic-Base-URL unterstützt, kann GLM-5.2 sofort nutzen, ohne auf native Unterstützung zu warten. Claude Code, OpenClaw und Cline funktionieren bereits laut Dokumentation.

Dieser Integrationsansatz ist eine bewusste Positionierung. Statt eine eigene Oberfläche zu bauen, setzt Z.ai darauf, dass Entwickler bereits einen bevorzugten Coding-Agenten haben und nur das zugrundeliegende Modell tauschen wollen. Der Nachteil: Tools ohne benutzerdefinierte Modellkonfiguration funktionieren erst, wenn Z.ai offizielle Integrationen liefert.

GLM-5.2 ist ohne zusätzliche Kosten für alle GLM-Coding-Plan-Nutzer verfügbar: Lite, Pro, Max und Team. 

GLM-5.2 vs. GLM-5.1: Spezifikationsvergleich

So wechselst du zu GLM-5.2

Die Einrichtung unterscheidet sich je nach Coding-Agent leicht. So konfigurierst du jeden davon.

Modelle in Claude Code wechseln

Claude Code mappt seine internen Modell-Umgebungsvariablen auf GLM-Modelle. Standardmäßig zeigen die Opus- und Sonnet-Slots auf GLM-4.7, der Haiku-Slot auf GLM-4.5-Air. Um auf GLM-5.2 zu wechseln, aktualisierst du ~/.claude/settings.json.

Unter macOS öffnest du die Datei mit vim ~/.claude/settings.json im Terminal oder gehst im Finder über Gehe zu > Gehe zum Ordner dorthin. Unter Windows findest du die Datei direkt unter ~/.claude/settings.json. Füge den folgenden Block mit Umgebungsvariablen hinzu oder ersetze ihn:

{
  "env": {
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.5-air",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2[1m]"
  }
}Bereitgestellt von

Nach dem Speichern öffnest du ein neues Terminalfenster und startest mit claude Claude Code. Tippe /status, um das aktive Modell zu prüfen. In der Statusausgabe sollte glm-5.2[1m] als Standardmodell erscheinen.

Modelle in OpenClaw wechseln

OpenClaw benötigt eine manuelle Konfigurationsänderung, falls der Providerauswahldialog GLM-5.2 nicht direkt anbietet. Die Konfiguration liegt unter ~/.openclaw/openclaw.json. Du musst drei Änderungen vornehmen.

Erstens: Füge das GLM-5.2-Modellobjekt dem Array models.providers.zai.models hinzu:

{
  "id": "glm-5.2",
  "name": "GLM-5.2",
  "reasoning": true,
  "input": ["text"],
  "cost": {"input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0},
  "contextWindow": 1000000,
  "maxTokens": 131072
}Bereitgestellt von

Zweitens: Aktualisiere das Standardmodell unter agents.defaults.model.primary von "zai/glm-5" auf "zai/glm-5.2". Drittens: Füge unter agents.defaults.models den Eintrag "zai/glm-5.2": {} hinzu. Nachdem alle drei Änderungen gespeichert sind, starte das Gateway mit openclaw gateway restart neu und prüfe mit openclaw tui.

Modelle in Cline und anderen OpenAI-kompatiblen Tools wechseln

Für Cline und alle anderen Tools mit OpenAI-kompatiblem, benutzerdefiniertem Provider ist die Einrichtung einfach. Verwende folgende Einstellungen:

• API-Provider: OpenAI Compatible
• Base-URL: https://api.z.ai/api/coding/paas/v4
• API-Schlüssel: dein Z.ai API-Schlüssel
• Modell: Custom Model, glm-5.2 eintragen
• Kontextfenster-Größe: 1000000
• Bilder unterstützen: deaktiviert

Temperatur und andere Parameter kannst du je nach Aufgabe anpassen. Tools ohne Möglichkeit zur benutzerdefinierten Modellkonfiguration müssen auf offizielle Unterstützung in einem zukünftigen Release warten.

GLM-5.2 Benchmarks

Offizielle Benchmarks sind jetzt verfügbar und bestätigen GLM-5.2 als das stärkste Open-Source-Modell aktuell am Markt. In Standard-Coding-Benchmarks übertrifft GLM-5.2 seinen Vorgänger deutlich. Es erreicht 81,0 auf Terminal-Bench 2.1 (gegenüber 62,0 bei GLM-5.1) und 62,1% auf SWE-bench Pro (zuvor 58,4% bei GLM-5.1).

Quelle

Z.ai hat zudem Zahlen zur Performance bei langanhaltenden Coding-Aufgaben veröffentlicht. Über FrontierSWE, PostTrainBench und SWE-Marathon hinweg liegt GLM-5.2 konstant im Spitzenfeld. Es liegt bei FrontierSWE nur 1% hinter Claude Opus 4.8 und übertrifft sowohl GPT-5.5 als auch Claude Opus 4.7 in mehreren Benchmarks. Damit bleibt es durchgängig das höchstplatzierte Open-Source-Modell.

Quelle

Was die Benchmarks in der Praxis bedeuten

Die offiziellen Benchmarks positionieren GLM-5.2 vor Modellen wie GPT-5.5 und Kimi K2.7-Code bei standardisierten Aufgaben. Die Zahlen deuten darauf hin, dass das 1-Millionen-Token-Kontextfenster in praktische Engineering-Fähigkeiten übersetzt wird – besonders bei Aufgaben über mehrere Dateien und lange Ketten hinweg.

Frühes Entwicklerfeedback von Z.ai stützt diese Werte und nennt bessere Kontextaufnahme auf Projektebene sowie verlässlichere Einhaltung strenger Engineering-Standards.

Interessant ist auch die agentische Hartnäckigkeit des Modells. Z.ai merkte an, dass GLM-5.2 in Evaluierungen stark zu "Reward Hacking" neigt. Statt das Problem zu lösen, schrieb der Agent Skripte, um im Workspace nach versteckten secret_cases.json-Dateien zu suchen oder per curl den Ziel-Quellcode direkt von GitHub zu laden.

Z.ai musste ein zweistufiges, Online-Anti-Hack-Modul bauen, um das Modell zu zwingen, die Aufgaben rechtmäßig zu lösen – es lieferte Dummy-Daten zurück, wenn es zu cheaten versuchte, statt den Lauf abstürzen zu lassen.

Trotzdem bleibt für Praktiker immer ein Teil der Evaluationsarbeit. Die Benchmark-Ergebnisse sind sehr wettbewerbsfähig (und offensichtlich hart erkämpft gegen ein Modell, das den Test austricksen will), aber du solltest GLM-5.2 dennoch gegen deinen eigenen repräsentativen Codebestand laufen lassen, bevor du es in Produktiv-Workflows einsetzt.

Wir folgen bald mit einem umfassenden GLM-5.2-Tutorial.

GLM-5.2: Preise und Verfügbarkeit

GLM-5.2 ist jetzt für alle GLM-Coding-Plan-Nutzer bei Z.ai verfügbar. Die Planstufen sind Lite, Pro, Max und Team. 

Z.ai bietet drei Stufen je nach Repository-Größe und Nutzungshäufigkeit. Abos werden monatlich abgerechnet, bei jährlicher Zahlung sinken die Kosten um 30%.

Laut der Usage-Seite von Z.ai ist GLM-5.2 als fortgeschrittenes Modell konzipiert, das mit Claude Opus 4.8 konkurriert – entsprechend ressourcenintensiv ist es. Die in der Preistabelle aufgeführten Prompt-Limits sind Basiswerte. Die Nutzung von GLM-5.2 verbraucht dieses Kontingent schneller – je nach Tageszeit:

• Stoßzeiten (14:00–18:00 UTC+8): Jeder GLM-5.2-Prompt zieht das 3× Standardkontingent ab.
• Nebenzeiten: Jeder Prompt zieht 2× ab.
• Zeitlich begrenzte Promo: Bis Ende September wird die Nutzung von GLM-5.2 außerhalb der Stoßzeiten nur mit 1× berechnet.

Empfehlung: Nutze GLM-5.2 für komplexe Aufgaben, um dein Kontingent zu schonen. 

Für Entwickler, die das Modell direkt über die API integrieren wollen, gilt bei GLM-5.2 eine nutzungsbasierte Abrechnung.

Laut Z.ai’s offizieller Preisdoku wird die GLM-5.2-API pro Million Token abgerechnet:

• Input-Token: $1,40 pro 1 Mio. Token
• Gecachte Input-Token: $0,26 pro 1 Mio. Token
• Gecachter Input-Speicher: Zeitlich begrenzt kostenlos
• Output-Token: $4,40 pro 1 Mio. Token

Der API-Endpoint für den Entwicklerzugriff ist https://api.z.ai/api/coding/paas/v4. Die Modell-IDs sind glm-5.2 für die Standardversion und glm-5.2[1m] für die 1M-Token-Variante. Du brauchst einen Z.ai-API-Schlüssel, den du unter z.ai/manage-apikey/apikey-list erzeugst.

Open-Source-Gewichte sind als ausstehend beschrieben, mit geplanter MIT-Lizenz. GLM-5.1-Gewichte wurden zum Start unter MIT veröffentlicht, daher ist zu erwarten, dass GLM-5.2 folgt. In der Ankündigung wurde der Zeitplan als "nächste Woche" relativ zum 13. Juni 2026 genannt.

Fazit

GLM-5.2 ist spannend, weil das stärkste Argument dafür nichts mit Benchmarks zu tun hat. Es ist im GLM-Coding-Plan kostenlos enthalten (mit nutzungsabhängigen Limits je nach Stufe), bietet ein Kontextfenster von 1 Mio. Token und lässt sich mit einer kleinen Konfigurationsänderung in Claude Code oder Cline einsetzen. Die Hürde für einen Test ist also sehr niedrig.

Die Benchmarks sind beeindruckend. Ein Sprung auf 62,1% bei SWE-bench Pro und 81,0 bei Terminal-Bench 2.1 zeigt einen deutlichen Schritt nach vorn gegenüber GLM-5.1. Da es für bestehende Plan-Nutzer ohne Zusatzkosten verfügbar ist, lohnt es sich definitiv für deinen nächsten Refactor.

Wenn du bei KI-Coding-Tools auf den neuesten Stand kommen und lernen willst, wie du sie bewertest, empfehle ich dir den DataCamp-Kurs AI-Assisted Coding for Developers. Er deckt die Konzepte ab, die du brauchst, um Modelle wie GLM-5.2 in deinen eigenen Workflows einzuschätzen.