Filtración de GLM-6.0: el próximo buque insignia de Z.ai contará con 'Full Self-Training' — lo que sabemos hasta ahora

En la noche del 31 de agosto de 2026, Z.ai (Zhipu) celebró su primera conferencia telefónica de resultados desde su cotización en la bolsa de Hong Kong en enero — y el fundador Tang Jie (唐杰) utilizó parte de la misma para definir el próximo modelo base de la empresa, nombrándolo públicamente por primera vez: GLM-6.0. Posicionó el modelo en torno a una ruta técnica que Z.ai llama "Full Self-Training" (完全自训练), que, según dijo, corresponde a lo que en Occidente se llama RSI — auto-mejora recursiva. GLM-6.0 no tiene fecha de lanzamiento, ni tarjeta de modelo, ni API, ni benchmarks independientes. Esta es una pieza de "lo que sabemos hasta ahora" sobre la primera confirmación oficial del nombre y la dirección, no una historia de lanzamiento.

Lo que la llamada de resultados realmente dijo sobre GLM-6.0

El relato de la llamada proviene de 观点网 (Guandian), un medio financiero de Hong Kong que lo cubrió esa misma noche; la señal fue difundida en X por @dotey. Cada detalle de GLM-6.0 a continuación proviene del informe de Guandian sobre los comentarios de Tang Jie, y nada de ello ha sido confirmado por un anuncio de Z.ai o una tarjeta de modelo.

Según el informe, Tang Jie definió GLM-6.0 como un modelo de "Autoentrenamiento Completo". La capacidad central que describió es la autopurificación: el modelo que cubre todo el pipeline de entrenamiento — preentrenamiento, entrenamiento intermedio y postentrenamiento — con el objetivo de un entrenamiento totalmente autónomo y una autoevolución. El titular no es un nuevo recuento de parámetros; es una afirmación de que el modelo asumirá partes de su propio entrenamiento.

Fue explícito sobre la parte difícil. El mayor desafío, dijo, no es escalar el modelo; es si el modelo puede lograr el auto juicio — decidir por sí mismo cuándo dejar de entrenar y corregir sus propios errores. A eso lo llamó la dificultad central del camino y una dirección clave para la investigación futura. También dijo que el futuro trabajo con modelos incorporaría la ética y la gobernanza social como dimensiones del diseño, no como ocurrencias tardías.

La misma llamada transmitió el marco general de Z.ai. Tang Jie expuso una fórmula —el valor de negocio de la AGI equivale al techo de inteligencia × la escala de consumo de tokens— y argumentó que Z.ai debería "vender tareas, no modelos". En el ámbito de los datos, señaló que los corpus de entrenamiento de modelos grandes nacionales generalmente se sitúan en el rango de 30 a 50 billones de tokens, y que los retornos de simplemente apilar parámetros son cada vez menores. Ese argumento del muro de datos es la motivación económica del autoentrenamiento: si el texto de calidad humana deja de escalar, el modelo tiene que generar y juzgar su propia señal de entrenamiento.

Lo que "Full Self-Training" (RSI) realmente significa

RSI — mejora recursiva de sí mismo — es la familia de ideas donde un modelo mejora los procesos que lo hacen más inteligente, cerrando el bucle entre el entrenamiento y lo entrenado. En su forma más fuerte, el modelo escribe o ajusta partes de su propio pipeline de entrenamiento, de modo que la capacidad se acumula sin un ingeniero humano en cada bucle. Los laboratorios frontera han escrito ensayos al respecto; casi ninguno ha adjuntado públicamente un buque insignia en producción a ello. El posicionamiento en la conferencia de resultados de Z.ai hace exactamente eso, y por eso la frase importa incluso antes de que exista ningún código de GLM-6.0.

El posicionamiento no surgió de la nada. Estaba prefigurado en la carta interna que Tang Jie envió al personal el 11 de julio de 2026 — 《巨浪已来》 ("La Gran Ola Ha Llegado") — anunciando el plan "Touch High" (摸高): dos años de inversión estratégica, renunciando a la monetización a corto plazo, para ir tras el próximo terreno elevado de la AGI. La carta señalaba cuatro motores clave; uno de ellos era el autoentrenamiento total. La cobertura de la carta describía ese motor en términos concretos: construir una fábrica de datos sintéticos de alta calidad, utilizar el enfrentamiento IA contra IA para generar conocimiento donde los datos humanos se están agotando y — dentro de un sandbox de seguridad — dar al sistema la capacidad de reescribir su propio código, para que la velocidad de evolución ya no esté limitada por los ingenieros humanos.

Esa es una declaración contundente, y debería leerse con la cautela adecuada: todo ello es la empresa describiendo una aspiración. Ningún laboratorio ha demostrado un autoentrenamiento completo a escala de frontera, y la carta es un documento estratégico, no un punto de referencia.

El desafío que Tang Jie nombró es la parte honesta

Lo más valioso de la llamada, para un lector que intenta predecir si GLM-6.0 importará, es lo que Tang Jie dijo que es difícil. La autoevaluación — saber cuándo detener el entrenamiento y corregir errores de forma autónoma — es el supuesto que sostiene toda la apuesta. Si el modelo no puede juzgar de manera fiable sus propias salidas, entonces los datos sintéticos y el auto-juego solo amplifican el ruido, y el "autoentrenamiento" se reduce a un canal de datos muy costoso con un respaldo humano.

El encuadre es consistente entre las dos declaraciones: el motor de la carta trata el cómputo como combustible para la evolución; el desafío de la convocatoria tiene que ver con el juicio que hace útil ese combustible. También destacó un principio de dimensionamiento — evitar un modelo demasiado grande para ser utilizable —, lo cual importa porque la apuesta por el autoentrenamiento no es una apuesta de puro escalado. Esa es una señal significativa sobre lo que GLM-6.0 no es: no solo «el modelo más grande de la familia GLM hasta ahora».

Dónde se sitúa GLM-6.0 en la línea

Z.ai informó que la familia GLM ha recorrido seis generaciones en once meses, con su propia medida de inteligencia subiendo de 32 a 60. El buque insignia actual es GLM-5.3, anunciado a mediados de agosto con la API abierta el 19 de agosto y los pesos abiertos confirmados el 28 de agosto. Es un MoE de texto a texto con 40B de parámetros activos, una ventana de contexto de 1 millón de tokens y un índice de inteligencia de Artificial Analysis de 60 — el máximo actual en pesos abiertos — con un precio de $1.40 por millón de tokens de entrada y $4.40 por millón de salida. El modelo más pequeño, GLM-5.3-Flash, se lanzó con licencia MIT, y Z.ai afirma que consumió 62 billones de tokens en sus primeros seis días (cifra del proveedor, no una medición independiente).

La pregunta interesante es qué pasó con GLM-5.5. Durante la mayor parte de agosto, los informes de analistas difundidos por Reuters y CGTN indicaban que un buque insignia GLM-5.5 llegaría "dentro de agosto" — y no apareció. La llamada de resultados nombró a la próxima generación GLM-6.0, saltándose por completo la 5.5. Si la 5.5 fue renombrada, fusionada en la 6.0, o nunca existió como producto oficial, no está confirmado. Lo que la llamada sí establece es la lectura oficial: el próximo modelo base de nueva generación es GLM-6.0.

También sin confirmar: cualquier número de parámetros, arquitectura, precio o disponibilidad para GLM-6.0. El principio declarado de Z.ai de "no demasiado grande para ser utilizable", combinado con el marco de autoentrenamiento, sugiere que el cambio interesante puede ser el paradigma de entrenamiento más que la escala — pero eso es inferencia, no información.

Lo que está confirmado, lo que no

• Confirmado, según el informe de Guandian sobre la llamada de resultados del 31 de agosto: Tang Jie nombró a GLM-6.0 como el modelo base de próxima generación; lo posicionó como Full Self-Training; describió la autopurificación en todo el pipeline de entrenamiento y el autojuicio como el desafío central; y Z.ai reportó ingresos de ¥954M para el primer semestre de 2026, un aumento interanual del 399.7%, con el negocio de API/MaaS representando el 86.5% de los ingresos y una pérdida neta de ¥2.07B, reducida un 12.1%.

• Confirmado independientemente de la filtración: el estado de GLM-5.3 — AA Intelligence Index 60, $1.40/$4.40, contexto de 1M, solo texto, pesos abiertos — medido por Artificial Analysis, no por Z.ai.

• No confirmado: que GLM-6.0 exista como producto comercial; cualquier fecha de lanzamiento; parámetros, arquitectura o precios; si GLM-5.5 se omite o se renombra; cualquier benchmark; cualquier disponibilidad a través de cualquier proveedor.

• Una salvedad de fuente única: las citas de GLM-6.0 se apoyan en el informe de un único medio sobre la llamada. Z.ai no ha publicado ningún anuncio propio sobre GLM-6.0 hasta el momento de redactar este texto.

Lo que un desarrollador debería hacer ahora

Nada en esta señal debería impulsar una decisión de producción hoy, porque no hay un GLM-6.0 al que llamar. La respuesta correcta a una confirmación de la hoja de ruta es mantener la opción abierta, no cambiar de plataforma.

Lo que conviene señalar es qué cambiaría un buque insignia autoentrenado si llegara a publicarse. Los precios de la familia GLM se han mantenido estables en 1,40/4,40 dólares por millón de tokens a lo largo de sus recientes generaciones insignia, rebajando el precio de los laboratorios cerrados de frontera, aunque quedando por detrás en los puntajes de índices independientes. Un GLM-6.0 que realmente se entrene a sí mismo pondría a prueba el techo de los pesos abiertos como ningún lanzamiento de un solo modelo lo ha hecho — y el primer lugar donde se responde esa pregunta es si aparece en un catálogo de proveedores a un precio razonable y con una conmutación por error real a su alrededor.

Cuando y si GLM-6.0 aparece en un catálogo, la regla de precios en OrcaRouter es simple: el precio de lista del proveedor se traslada con margen cero, vigente el mismo día — sin renegociación ni segundo contrato. Esa es la misma regla bajo la que ya opera GLM-5.3 en la plataforma, donde el modelo insignia actual se sirve a $1.26 / $3.96 por millón de tokens (un 10% de descuento de lanzamiento sobre el precio de lista de $1.40 / $4.40), todo a través de una sola API para más de 200 modelos. Y un modelo no probado con una hoja de ruta tan audaz como la de RSI es exactamente el caso en el que conviene enrutar por resultados en lugar de por nombres: dirigir una parte del tráfico al nuevo modelo con conmutación automática por fallo a uno probado — GLM-5.3, DeepSeek V4 Pro o GPT-5.6 Sol — de modo que un modelo que resulta estar sobrevalorado se degrade al respaldo en lugar de producir resultados defectuosos. Cuando todavía no hay un GLM-6.0 al que enrutar, la preparación equivalente es tener la regla de enrutamiento escrita antes de que el modelo exista.

Qué ver a continuación

• Una fecha de lanzamiento. La cadencia insignia de Z.ai ha sido de aproximadamente dos meses entre generaciones; la llamada no da ninguna fecha, y un modelo de "autoentrenamiento completo" podría no seguir una cadencia normal en absoluto.

• El primer objeto concreto: una ficha de modelo, una publicación de pesos o un ID de API. En el momento en que GLM-6.0 obtenga un identificador de API, el rumor se vuelve comprobable.

• El destino de GLM-5.5. Si aparece primero un GLM-5.5, la lectura de la hoja de ruta cambia; si permanece en silencio, la lectura de que «6.0 saltó el número» es la historia más probable.

Si otros laboratorios responden. El RSI suele discutirse en ensayos, no en llamadas de resultados; si un laboratorio importante vincula públicamente el autoentrenamiento a un buque insignia, el encuadre deja de ser una peculiaridad de Z.ai y se convierte en una tendencia.

• La primera puntuación independiente. El máximo actual de pesos abiertos en el Índice de Inteligencia de Artificial Analysis es 60 (GLM-5.3, empatado con Kimi K3). Un GLM-6.0 que supere eso en una tabla independiente es el evento que importa: todo lo anterior es hoja de ruta.

Nada de esto es un lanzamiento. GLM-6.0 es un nombre y una dirección, confirmado públicamente en una llamada de resultados, y no existe nada más concreto aún. Pero la dirección es la historia: un laboratorio importante de pesos abiertos ha apostado públicamente su próximo buque insignia a que el modelo aprenda a entrenarse a sí mismo, y ha nombrado la parte difícil de antemano: el juicio, no la escala. Ese es el tipo de señal que vale la pena anotar antes de que tenga una fecha de lanzamiento, porque en el momento en que GLM-6.0 obtenga una ficha de modelo, la pregunta deja de ser si Z.ai lo dice en serio y pasa a ser si funciona.