Atria Dawn vs. GLM 5.2: Dieselbe Basis, in entgegengesetzte Richtungen getrieben

Die nützlichste einzelne Tatsache über dieses Duell steckt im Datenblatt des kleineren Modells selbst: Atria Dawn Preview, das neue agentische Open-Weights-Modell des Shanghai AI Laboratory, das am 14. September live angekündigt wurde, baut auf der 744B-Parameter-MoE-GLM 5.2-Basis auf – genau das Modell, das Z.ai im Juni veröffentlicht hat und als sein Open-Weights-Flaggschiff für 1,40 $/4,40 $ pro Million Tokens verkauft. Das ist also kein Fall, in dem ein Newcomer versucht, einen Platzhirsch zu übertrumpfen; es ist ein Fall desselben Siliziums, das von zwei verschiedenen Labors in zwei Richtungen nachtrainiert und dann als zwei verschiedene Produkte bepreist wurde. Noch vor jeder Benchmark-Zeile sagt diese Tatsache Ihnen bereits, worum es bei dem Vergleich wirklich geht: wie viel von GLM 5.2s Reasoning Sie bereit sind, für einen agentischen Loop einzutauschen – und wie viel Sie zahlen, um beides zu behalten.

Die Quellenlage ist hier auf eine Weise unausgewogen, die relevant ist. Die unabhängige Datenlage zu GLM 5.2 ist dünn – seine Open-Weights-Obergrenze wurde von GLM 5.3 gesetzt, das es am 14. August ablöste, und der AA Intelligence Index, der GLM 5.2 einst mit 53 bewertete, wurde seither neu bewertet und umbenannt. Jeder Benchmark, der Atria Dawn Preview begünstigt, ist vom Anbieter auf seiner Model Card gemeldet, von keinem neutralen Labor reproduziert, und seine internationale API unter api.atria-asi.ai hat noch keinen veröffentlichten Preis. Wo die Model Card die beiden auf demselben Raster direkt gegenüberstellt, führt Atria Dawn Preview bei Discovery und Tool-Use (BrowseComp 92.5, DeepSearchQA 96.0, BFCL v4 77.0) und liegt gegenüber der Linie von GLM 5.2 bei reinen Coding-Zeilen zurück – nichts davon wurde bisher von einem externen Labor bestätigt.

Gleiche Basis, zwei Post-Trainings

Beide Modelle sind MoEs mit insgesamt 744B Parametern und demselben 8-Experten-pro-Token-Aktivierungsmuster, weil sie buchstäblich mit denselben Gewichten starten. Der Unterschied liegt darin, was jedes Labor danach gemacht hat. Z.ai nahm GLM 5.2 und stimmte es als allgemeines Open-Weights-Flaggschiff ab: Text-only, 1M-Kontext, 128K-Ausgabe, MIT-Lizenz, mit einem Profil der 40B-Aktiv-Klasse, das es zu einem der günstigsten Modelle der Frontier-Klasse für den Betrieb machte — wofür es noch immer bekannt ist, ist, dass es das bestbewertete Open-Weights-Modell auf dem unabhängigen Index war, bevor GLM 5.3 eine Woche nach Intern-S2 erschien.

Das Shanghai AI Laboratory nahm dieselbe Basis und stimmte sie zu einem Agenten für Forschungsschleifen ab. Die vier Kompetenzsäulen von Atria Dawn Preview – Discovery, Creation, Delivery, Cybersecurity – beschreiben alle dieselbe Schleife: ein Problem analysieren, eine Lösung entwerfen, Werkzeuge nutzen, Code schreiben und ausführen, das experimentelle Ergebnis lesen, sich von einem Fehler erholen, iterieren. Das Labor stellt ausdrücklich klar, dass das Ergebnis nur Text umfasst (Bild- und PDF-Eingaben erhalten einen 400), dass das Kontextfenster 256K statt 1M beträgt und dass die Gewichte unter MIT-Lizenz stehen und heute als BF16 (353 Shards) oder FP8 (177 Shards) heruntergeladen werden können. Die Basis stammt von GLM 5.2; das Produkt nicht.

• Basis — beide 744B-total MoE auf der GLM-5.2-Foundation, 8 Experten pro Token aktiv

• Kontext — Atria Dawn Preview 256K nur Text vs. GLM 5.2 1M, 128K Ausgabe

• Lizenz — beide MIT; Atria BF16 + FP8-Shards, GLM 5.2 der bekannte Download der 1,5-TB-Klasse

• Preis — Atria nicht veröffentlicht (internationale API) vs. GLM 5.2 $1,40/$4,40 pro 1 Mio.

Was das vom Anbieter gemeldete Raster tatsächlich zeigt

Die Modellkarte vergleicht Atria Dawn Preview mit einem Feld, das GLM 5.3 statt GLM 5.2 selbst enthält – eine kleine redaktionelle Entscheidung, die die Open-Weights-Spalte schmeichelt. Gegen dieses Feld sind die berichteten Stärken von Atria Dawn Preview Discovery und Tool-Nutzung: AutomationBench 53,8, BrowseComp 92,5, DeepSearchQA 96,0, WideSearch 81,9, BFCL v4 77,0, CyberGym 86,5. Seine berichteten Schwächen sind die Coding-Zeilen, in denen ein abgestimmter Generalist üblicherweise gewinnt: SWE-bench Pro 59,6, Terminal-Bench 2.1 78,3, JobBench 50,3. Nichts davon ist unabhängig verifiziert, und jede Zeile stammt aus dem eigenen Harness des Labors mit den eigenen Prompts des Labors – doch die Aufteilung ist konsistent genug, um als echte Designentscheidung und nicht als Rauschen gelesen zu werden. GLM 5.2 wiederum ist das Modell, dessen unabhängige Obergrenze aus der Juni-Ära (AA Index 53, damals der höchste Open-Weights-Score) im Monat vor dem Erscheinen von Atria durch GLM 5.3 abgelöst wurde.

An welche du weiterleiten solltest

Wenn Sie einen Millionen-Token-Open-Weights-Generalisten für Long-Context-Coding und Wissensarbeit brauchen, ist GLM 5.2 für $1.40/$4.40 ein bewährter, MIT-lizenzierter Arbeitstier, das seit einem Quartal selbst gehostet und produktiv eingesetzt wird — und auf einem Gateway wie OrcaRouter, ein API-Schlüssel und kein Aufschlag pro Anfrage später ist es verfügbar, sobald Sie es brauchen, mit automatischem Failover, falls der Endpunkt von Z.ai jemals wackelt. Wenn Ihre Aufgabe eine offene Forschungsschleife ist — eine Aufgabe, bei der das Modell weiterlesen, Code ausführen und iterieren muss, bis etwas verifizierbar ist — zielt die Abstimmung von Atria Dawn Preview genau darauf ab, aber Sie tauschen das 1M-Fenster, einen bekannten Preis und einen unabhängigen Nachweis gegen eine 256K-Vorschau ohne veröffentlichte Rate und ohne neutrale Bewertungen.

Das ehrliche Urteil ist eine Weggabelung. Teams, die sich für langkontextige offene Arbeit bereits auf GLM 5.2 verlassen, sollten bleiben, wo sie sind, und beobachten, was unabhängige Evaluatoren über Atria Dawn Preview berichten, bevor sie einen Produktionspfad darauf umstellen. Teams, deren Engpass der Loop selbst ist – das Modell, das innehält, um zu fragen, statt auszuführen –, haben einen echten Grund, den Neuling auszuprobieren, idealerweise hinter einem Failover-Pfad zu GLM 5.2, damit das Experiment nichts kostet, falls die Preview stolpert. Gleiche Basis, zwei Produkte, und für die meisten Leser ist die entscheidende Spalte nicht das Benchmark-Raster, sondern das Kontextfenster und der Preis, den das Raster nie zeigt.