GLM-6.0-Leak: Z.ais nächstes Flaggschiff ist 'Full Self-Training' — Was wir bisher wissen

Am Abend des 31. August 2026 hielt Z.ai (Zhipu) seine erste Telefonkonferenz zu den Zwischenergebnissen seit dem Börsengang an der Hongkonger Börse im Januar ab – und Gründer Tang Jie (唐杰) nutzte einen Teil davon, um das nächste Basismodell des Unternehmens zu definieren und es erstmals öffentlich beim Namen zu nennen: GLM-6.0. Er positionierte das Modell um einen technischen Ansatz, den Z.ai „Full Self-Training" (完全自训练) nennt und der seiner Aussage nach dem entspricht, was im Westen als RSI bezeichnet wird – rekursive Selbstverbesserung. GLM-6.0 hat kein Veröffentlichungsdatum, keine Modellkarte, keine API und keinen unabhängigen Benchmark. Dies ist eine Bestandsaufnahme des bisherigen Wissensstands zur ersten offiziellen Bestätigung von Name und Richtung – keine Launch-Story.

Was der Earnings Call tatsächlich über GLM-6.0 sagte

Der Bericht über den Anruf stammt von 观点网 (Guandian), einem Finanzmedium aus Hongkong, das noch am selben Abend darüber berichtete; auf X wurde der Hinweis von @dotey geteilt. Alle GLM-6.0-Details unten folgen Guandians Bericht über Tang Jies Äußerungen, und nichts davon wurde durch eine Ankündigung von Z.ai oder eine Modellkarte bestätigt.

Dem Bericht zufolge definierte Tang Jie GLM-6.0 als ein „Full Self-Training“-Modell. Die von ihm beschriebene Kernfähigkeit ist die Selbstreinigung: Das Modell deckt die gesamte Trainingspipeline ab — Pre-Training, Mid-Training und Post-Training — mit dem Ziel eines vollständig autonomen Trainings und der Selbstevolution. Die Schlagzeile ist keine neue Parameteranzahl; sie ist die Behauptung, dass das Modell Teile seines eigenen Trainings übernehmen wird.

Er machte unmissverständlich klar, was der schwierige Teil ist. Die größte Herausforderung, sagte er, sei nicht die Skalierung des Modells, sondern ob das Modell zur Selbstbewertung fähig ist — dass es selbst entscheidet, wann es das Training beendet, und seine eigenen Fehler korrigiert. Er nannte das die Kernschwierigkeit des Weges und eine Schlüsselrichtung für die künftige Forschung. Er sagte zudem, dass künftige Modellarbeit Ethik und soziale Governance als Dimensionen des Designs einbeziehen werde, nicht als nachträgliche Ergänzungen.

Derselbe Anruf transportierte Z.ais umfassendere Rahmung. Tang Jie stellte eine Formel auf — AGI-Geschäftswert entspricht Intelligenzobergrenze × Token-Verbrauchsumfang — und argumentierte, Z.ai solle „Aufgaben verkaufen, nicht Modelle.“ Auf der Datenseite merkte er an, dass die inländischen Trainingskorpora für große Modelle in der Regel im Bereich von 30–50 Billionen Token liegen und dass die Erträge aus dem bloßen Stapeln von Parametern abnehmen. Dieses Datenmauer-Argument ist die wirtschaftliche Motivation für das Selbsttraining: Wenn Text in menschlicher Qualität nicht mehr skaliert, muss das Modell sein eigenes Trainingssignal erzeugen und bewerten.

Was "Vollständiges Selbsttraining" (RSI) eigentlich bedeutet

RSI — rekursive Selbstverbesserung — ist die Ideenfamilie, bei der ein Modell die Prozesse verbessert, die es intelligenter machen, und so den Kreislauf zwischen Training und Trainiertem schließt. In seiner stärksten Form schreibt oder optimiert das Modell Teile seiner eigenen Trainings-Pipeline, sodass sich die Leistungsfähigkeit vervielfacht, ohne dass bei jedem Durchlauf ein menschlicher Ingenieur eingreifen muss. Spitzenlabore haben Essays darüber geschrieben; fast keines hat öffentlich ein ausgeliefertes Flaggschiff daran geknüpft. Die Positionierung von Z.ai im Earnings-Call tut genau das, und genau deshalb ist diese Formulierung wichtig, noch bevor irgendein GLM-6.0-Code existiert.

Die Positionierung kam nicht von ungefähr. Sie war in dem internen Schreiben vorgezeichnet, das Tang Jie am 11. Juli 2026 an die Mitarbeiter schickte – 《巨浪已来》 („The Giant Wave Has Come") – in dem der Plan „Touch High" (摸高) angekündigt wurde: zwei Jahre strategischer Investitionen, Verzicht auf kurzfristige Monetarisierung, um die nächste strategische Höhe im AGI-Bereich zu erobern. Der Brief nannte vier Kern-Engines; eine davon war das vollständige Selbsttraining. Die Berichterstattung über den Brief beschrieb diese Engine konkret: Aufbau einer Fabrik für hochwertige synthetische Daten, Nutzung von KI-gegen-KI-Self-Play, um dort Wissen zu generieren, wo menschliche Daten zur Neige gehen, und – innerhalb einer Sicherheits-Sandbox – die Fähigkeit des Systems, seinen eigenen Code umzuschreiben, sodass die Evolutionsgeschwindigkeit nicht länger durch menschliche Ingenieure begrenzt ist.

Das ist eine starke Aussage, und sie sollte mit der entsprechenden Vorsicht gelesen werden: Alles daran ist die Beschreibung einer Zielvorstellung durch das Unternehmen. Kein Labor hat vollständiges Selbsttraining im Frontier-Maßstab demonstriert, und der Brief ist ein Strategiedokument, kein Benchmark.

Die Herausforderung, die Tang Jie benannte, ist der ehrliche Teil.

Das Wertvollste an dem Anruf, für einen Leser, der zu prognostizieren versucht, ob GLM-6.0 relevant sein wird, ist das, was Tang Jie als schwierig bezeichnet hat. Selbstbewertung – zu wissen, wann man das Training stoppen und Fehler autonom korrigieren muss – ist die tragende Annahme der gesamten Wette. Wenn das Modell seine eigenen Ausgaben nicht zuverlässig beurteilen kann, dann verstärken synthetische Daten und Selbstspiel lediglich das Rauschen, und „Selbsttraining“ verkommt zu einer sehr teuren Datenpipeline mit menschlicher Absicherung.

Der Rahmen ist in beiden Aussagen konsistent: Der Motor des Briefes behandelt Rechenleistung als Treibstoff der Evolution; die Herausforderung des Anrufs betrifft das Urteilsvermögen, das diesen Treibstoff nutzbar macht. Er betonte außerdem ein Dimensionierungsprinzip – ein Modell zu vermeiden, das zu groß ist, um nutzbar zu sein –, was wichtig ist, weil die Selbsttrainingswette keine reine Skalierungswette ist. Das ist ein aussagekräftiges Signal dafür, was GLM-6.0 nicht ist: nicht nur „das bisher größte Modell der GLM-Familie“.

Wo GLM-6.0 in der Reihe steht

Z.ai berichtete, dass die GLM-Familie in elf Monaten sechs Generationen durchlaufen hat, wobei das unternehmenseigene Maß für Intelligenz von 32 auf 60 gestiegen ist. Das aktuelle Flaggschiff ist GLM-5.3, das Mitte August angekündigt wurde, mit API-Öffnung am 19. August und bestätigten offenen Gewichten am 28. August. Es ist ein Text-in/Text-out-MoE mit 40B aktiven Parametern, einem Kontextfenster von 1M Token und einem Artificial Analysis Intelligence Index von 60 – der aktuelle Höchstwert bei offenen Gewichten –, das mit 1,40 $ pro Million Eingabe-Token und 4,40 $ pro Million Ausgabe-Token bepreist ist. Das kleinere GLM-5.3-Flash wurde unter MIT-Lizenz veröffentlicht, und Z.ai gibt an, in den ersten sechs Tagen 62 Billionen Token angezogen zu haben (eine Herstellerangabe, keine unabhängige Messung).

Die interessante Frage ist, was aus GLM-5.5 geworden ist. Den größten Teil des Augusts über kündigten von Reuters und CGTN verbreitete Analystenberichte ein GLM-5.5-Flaggschiff an, das „noch im August“ erscheinen sollte — und es erschien nicht. Der Earnings Call nannte die nächste Generation GLM-6.0 und übersprang 5.5 dabei vollständig. Ob 5.5 umbenannt, in 6.0 integriert wurde oder nie als offizielles Produkt existierte, ist unbestätigt. Was der Call jedoch festlegt, ist die offizielle Lesart: Das Basismodell der nächsten Generation ist GLM-6.0.

Ebenfalls unbestätigt: jegliche Parameteranzahl, Architektur, Preisgestaltung oder Verfügbarkeit für GLM-6.0. Z.ais erklärtes Prinzip „nicht zu groß, um nutzbar zu sein“, zusammen mit dem Rahmen des Selbsttrainings, legt nahe, dass die interessante Änderung eher im Trainingsparadigma als im Umfang liegen könnte – aber das ist eine Schlussfolgerung, keine Information.

Was bestätigt ist, was nicht

• Bestätigt, laut Guandians Bericht zum Earnings Call vom 31. August: Tang Jie nannte GLM-6.0 als das Basismodell der nächsten Generation; er positionierte es als Full Self-Training; er beschrieb Selbstreinigung über die gesamte Trainingspipeline und Selbstbewertung als zentrale Herausforderung; und Z.ai meldete für H1 2026 einen Umsatz von 954 Mio. ¥, ein Plus von 399,7 % im Jahresvergleich, wobei das API/MaaS-Geschäft 86,5 % des Umsatzes ausmachte, und einen Nettoverlust von 2,07 Mrd. ¥, der um 12,1 % verringert wurde.

• Unabhängig vom Leak bestätigt: Der Status von GLM-5.3 — AA Intelligence Index 60, $1.40/$4.40, 1M Kontext, nur Text, offene Gewichte — gemessen von Artificial Analysis, nicht von Z.ai.

• Nicht bestätigt: dass GLM-6.0 als ausgeliefertes Produkt existiert; irgendein Veröffentlichungsdatum; Parameter, Architektur oder Preisgestaltung; ob GLM-5.5 übersprungen oder umbenannt wird; irgendein Benchmark; irgendeine Verfügbarkeit über irgendeinen Anbieter.

• Ein Hinweis zur Einzelquelle: Die GLM-6.0-Zitate beruhen auf dem Bericht eines einzelnen Mediums über das Telefonat. Z.ai hat zum Zeitpunkt dieses Schreibens keine eigene Ankündigung zu GLM-6.0 herausgegeben.

Was ein Entwickler jetzt tun sollte

Nichts an diesem Signal sollte heute eine Produktionsentscheidung veranlassen, denn es gibt kein GLM-6.0, das aufgerufen werden könnte. Die richtige Reaktion auf eine Roadmap-Bestätigung ist, die Option offen zu halten, nicht die Plattform zu wechseln.

Das Nützliche, das man beachten sollte, ist, was ein selbsttrainierendes Flaggschiff ändern würde, wenn es auf den Markt kommt. Die Preisgestaltung der GLM-Familie hat über ihre jüngsten Flaggschiff-Generationen hinweg stabile 1,40 $/4,40 $ pro Million Tokens gehalten, womit sie die führenden geschlossenen Labore beim Preis unterbietet, während sie bei unabhängigen Indexwerten hinter ihnen zurückbleibt. Ein GLM-6.0, das sich wirklich selbst trainiert, würde die Obergrenze für offene Gewichte auf eine Weise testen, wie es kein einzelnes Modell-Release zuvor getan hat – und die erste Stelle, an der sich diese Frage beantwortet, ist, ob es in einem Provider-Katalog zu einem vernünftigen Preis mit echtem Failover drumherum erscheint.

Wenn und falls GLM-6.0 in einem Katalog erscheint, ist die Preisregel auf OrcaRouter einfach: Der Listenpreis des Anbieters wird ohne Aufschlag durchgereicht, am selben Tag live — keine Nachverhandlung und kein zweiter Vertrag. Das ist dieselbe Regel, unter der GLM-5.3 bereits auf der Plattform läuft, wo das aktuelle Flaggschiff zu 1,26 $ / 3,96 $ pro Million Tokens angeboten wird (ein 10% Einführungsrabatt auf die Liste von 1,40 $ / 4,40 $), alles über eine einzige API für über 200 Modelle. Und ein unbewiesenes Modell mit einer so kühnen Roadmap wie RSI ist genau der Fall für Routing nach Ergebnissen statt nach Namen: Lenken Sie einen Teil des Datenverkehrs auf das neue Modell mit automatischem Failover auf ein bewährtes Modell — GLM-5.3, DeepSeek V4 Pro oder GPT-5.6 Sol — sodass ein Modell, das sich als überbewertet erweist, auf den Fallback zurückfällt, statt defekt ausgeliefert zu werden. Wenn es noch kein GLM-6.0 zu routen gibt, besteht die gleichwertige Vorbereitung darin, die Routing-Regel zu schreiben, bevor das Modell existiert.

Was als Nächstes ansehen

• Ein Veröffentlichungsdatum. Bei Z.ai liegt der Abstand zwischen den Flaggschiff-Generationen grob bei zwei Monaten; der Call nennt kein Datum, und ein „voll selbsttrainierendes“ Modell folgt möglicherweise überhaupt keinem normalen Rhythmus.

• Das erste konkrete Objekt: {{1}}eine Model Card, ein Weights-Drop oder eine API-ID{{/1}}. Sobald {{2}}GLM-6.0{{/2}} eine API-Kennung erhält, wird das Gerücht testbar.

• Das Schicksal von GLM-5.5. Wenn zuerst ein GLM-5.5 erscheint, ändert sich die Roadmap-Lesart; wenn es still bleibt, ist die Lesart „6.0 hat die Nummer übersprungen“ die wahrscheinlichere Geschichte.

• Ob andere Labore antworten. RSI wird normalerweise in Essays diskutiert, nicht in Earnings Calls; wenn ein großes Labor öffentlich Selbsttraining mit einem Flaggschiff verbindet, ist das Framing keine Z.ai-Eigenheit mehr, sondern wird zum Trend.

• Der erste unabhängige Score. Der aktuelle Open-Weights-Höchstwert auf dem Artificial Analysis Intelligence Index liegt bei 60 (GLM-5.3, gleichauf mit Kimi K3). Ein GLM-6.0, der diesen Wert auf einem unabhängigen Board übertrifft, ist das entscheidende Ereignis – alles davor ist nur Roadmap.

Das alles ist kein Launch. GLM-6.0 ist ein Name und eine Richtung, offiziell bestätigt bei einem Earnings Call, und mehr Konkretes existiert noch nicht. Aber die Richtung ist die Geschichte: Ein bedeutendes Open-Weights-Labor hat öffentlich darauf gesetzt, dass sein nächster Flaggschiff-Modell lernt, sich selbst zu trainieren, und den schwierigen Teil im Voraus benannt – Urteilsvermögen, nicht Skalierung. Das ist die Art von Signal, das es wert ist, festgehalten zu werden, bevor es ein Veröffentlichungsdatum gibt, denn in dem Moment, in dem GLM-6.0 eine Model Card erhält, ist die Frage nicht mehr, ob Z.ai es ernst meint, sondern ob es funktioniert.