Fuite GLM-6.0 : le prochain produit phare de Z.ai est en « auto-entraînement complet » — ce que nous savons jusqu’à présent

Le soir du 31 août 2026, Z.ai (Zhipu) a tenu sa première conférence téléphonique sur les résultats intermédiaires depuis son introduction à la bourse de Hong Kong en janvier — et son fondateur, Tang Jie (唐杰), en a profité pour définir le prochain modèle de base de l'entreprise, en le nommant pour la première fois publiquement : GLM-6.0. Il a positionné ce modèle autour d'une voie technique que Z.ai appelle « Full Self-Training » (完全自训练), qui correspond, selon lui, à ce que l'Occident appelle RSI — l'amélioration récursive de soi. GLM-6.0 n'a ni date de sortie, ni fiche technique, ni API, ni benchmark indépendant. Cet article est un récapitulatif de ce que l'on sait à ce jour sur la première confirmation officielle du nom et de l'orientation, et non un récit de lancement.

Ce que l'appel de résultats a réellement dit à propos de GLM-6.0

Le compte rendu de l'appel provient de 观点网 (Guandian), un média financier de Hong Kong qui l'a couvert le soir même ; l'information a été signalée sur X par @dotey. Chaque détail concernant GLM-6.0 ci-dessous provient du compte rendu de Guandian sur les remarques de Tang Jie, et rien de tout cela n'a été confirmé par une annonce de Z.ai ou une fiche modèle.

D'après le rapport, Tang Jie a défini GLM-6.0 comme un modèle « Full Self-Training ». La capacité centrale qu'il a décrite est l'auto-purification : le modèle couvrant l'ensemble du pipeline d'entraînement — pré-entraînement, entraînement intermédiaire et post-entraînement — dans le but d'un entraînement entièrement autonome et d'une auto-évolution. Le titre ne concerne pas un nouveau nombre de paramètres ; il s'agit d'une affirmation selon laquelle le modèle prendra en charge des parties de son propre entraînement.

Il a été très clair sur la partie difficile. Le plus grand défi, a-t-il dit, n'est pas d'augmenter l'échelle du modèle ; c'est de savoir si le modèle peut parvenir à l'auto-jugement — décider lui-même quand arrêter l'entraînement et corriger ses propres erreurs. Il a qualifié cela de difficulté centrale de la voie et d'orientation clé pour la recherche future. Il a également déclaré que les futurs travaux sur les modèles intégreraient l'éthique et la gouvernance sociale comme dimensions de la conception, et non comme des réflexions a posteriori.

Le même appel portait le cadre plus large de Z.ai. Tang Jie a posé une formule — la valeur commerciale de l'AGI égale le plafond d'intelligence × l'échelle de consommation de tokens — et a soutenu que Z.ai devrait « vendre des tâches, pas des modèles ». Côté données, il a noté que les corpus d'entraînement des grands modèles domestiques se situent généralement dans la fourchette de 30 à 50 000 milliards de tokens, et que les retours d'un simple empilement de paramètres diminuent. Cet argument du mur de données est la motivation économique de l'auto-entraînement : si les textes de qualité humaine cessent de croître, le modèle doit générer et juger son propre signal d'entraînement.

Ce que signifie réellement « Full Self-Training » (RSI)

RSI — amélioration récursive de soi — est la famille d'idées où un modèle améliore les processus qui le rendent plus intelligent, bouclant la boucle entre l'entraînement et le modèle entraîné. Dans sa forme la plus forte, le modèle écrit ou ajuste des parties de son propre pipeline d'entraînement, de sorte que les capacités se cumulent sans qu'un ingénieur humain intervienne à chaque boucle. Les laboratoires de pointe ont écrit des essais à ce sujet ; presque aucun n'a publiquement associé un produit phare commercialisé à cette idée. Le positionnement de Z.ai lors de son appel de résultats fait exactement cela, et c'est pourquoi cette phrase compte même avant qu'un code GLM-6.0 n'existe.

Le positionnement ne venait pas de nulle part. Il était préfiguré dans la lettre interne que Tang Jie a envoyée au personnel le 11 juillet 2026 — 《巨浪已来》 (« The Giant Wave Has Come ») — annonçant le plan « Touch High » (摸高) : deux ans d'investissement stratégique, renonçant à la monétisation à court terme, pour viser le prochain sommet de l'AGI. La lettre nommait quatre moteurs essentiels ; l'un d'eux était entièrement en auto-apprentissage. Les articles parus sur cette lettre décrivaient ce moteur en termes concrets : construire une usine de données synthétiques de haute qualité, recourir à l'auto-affrontement IA contre IA pour générer des connaissances là où les données humaines s'épuisent, et — dans un bac à sable de sécurité — donner au système la capacité de réécrire son propre code, afin que la vitesse d'évolution ne soit plus limitée par les ingénieurs humains.

C'est une déclaration forte, et elle doit être lue avec la prudence qui s'impose : tout cela n'est que la description d'une aspiration par l'entreprise. Aucun laboratoire n'a démontré un auto-apprentissage complet à l'échelle frontière, et la lettre est un document stratégique, pas un benchmark.

Le défi que Tang Jie a nommé est la partie honnête.

La chose la plus précieuse dans cet appel, pour un lecteur qui essaie de prédire si GLM-6.0 comptera, est ce que Tang Jie a dit être difficile. Le jugement de soi — savoir quand arrêter l'entraînement et corriger les erreurs de manière autonome — est l'hypothèse qui supporte tout le pari. Si le modèle ne peut pas juger de manière fiable ses propres sorties, alors les données synthétiques et l'auto-jeu ne font qu'amplifier le bruit, et « l'auto-entraînement » se réduit à un pipeline de données très coûteux avec un filet de sécurité humain.

Le cadrage est cohérent entre les deux déclarations : le moteur de la lettre traite la puissance de calcul comme un carburant d'évolution ; le défi de l'appel concerne le jugement qui rend ce carburant utile. Il a également souligné un principe de dimensionnement — éviter un modèle trop gros pour être utilisable — ce qui importe, car le pari de l'auto-entraînement n'est pas un pari de pur scale-up. C'est un signal significatif sur ce que GLM-6.0 n'est pas : pas seulement « le plus grand modèle de la famille GLM à ce jour ».

Où se situe GLM-6.0 dans la gamme

Z.ai a rapporté que la famille GLM a parcouru six générations en onze mois, la propre mesure d'intelligence de l'entreprise passant de 32 à 60. Le produit phare actuel est le GLM-5.3, annoncé à la mi-août avec l'API ouverte le 19 août et les poids ouverts confirmés le 28 août. C'est un MoE texte-entrée/texte-sortie avec 40 milliards de paramètres actifs, une fenêtre de contexte d'un million de jetons, et un indice d'intelligence Artificial Analysis de 60 — le record actuel pour les poids ouverts — au prix de 1,40 $ par million de jetons d'entrée et 4,40 $ par million de jetons de sortie. Le plus petit GLM-5.3-Flash est distribué sous licence MIT, et Z.ai affirme qu'il a attiré 62 billions de jetons au cours de ses six premiers jours (un chiffre fourni par l'entreprise, pas une mesure indépendante).

La question intéressante est de savoir ce qui est arrivé à GLM-5.5. Pendant la majeure partie du mois d'août, les rapports d'analystes relayés par Reuters et CGTN indiquaient qu'un produit phare GLM-5.5 arriverait « d'ici août » — et il n'est pas apparu. La conférence téléphonique sur les résultats a nommé la prochaine génération GLM-6.0, sautant complètement la 5.5. Que la 5.5 ait été renommée, intégrée à la 6.0, ou n'ait jamais existé en tant que produit officiel, cela reste non confirmé. Ce que la conférence établit, c'est la lecture officielle : le modèle de base de nouvelle génération est GLM-6.0.

Également non confirmé : le nombre de paramètres, l'architecture, le prix ou la disponibilité de GLM-6.0. Le principe énoncé par Z.ai selon lequel il ne faut pas être « trop gros pour être utilisable », combiné au cadrage autour de l'auto-apprentissage, suggère que le changement intéressant pourrait être le paradigme d'entraînement plutôt que l'échelle — mais ce n'est que de l'inférence, pas une information.

Ce qui est confirmé, ce qui ne l'est pas

• Confirmé, selon le rapport de Guandian sur la conférence téléphonique sur les résultats du 31 août : Tang Jie a désigné GLM-6.0 comme modèle de base de nouvelle génération ; il l'a positionné comme Full Self-Training ; il a décrit l'auto-purification à travers le pipeline d'entraînement et l'auto-jugement comme le défi central ; et Z.ai a rapporté un chiffre d'affaires de 954 M¥ pour le S1 2026, en hausse de 399,7 % sur un an, avec l'activité API/MaaS représentant 86,5 % du chiffre d'affaires et une perte nette de 2,07 Md¥, réduite de 12,1 %.

• Confirmé indépendamment de la fuite : le statut de GLM-5.3 — AA Intelligence Index 60, 1,40 $/4,40 $, contexte 1M, texte uniquement, poids ouverts — mesuré par Artificial Analysis, et non par Z.ai.

• Non confirmé : que GLM-6.0 existe en tant que produit commercialisé ; toute date de sortie ; paramètres, architecture ou tarification ; que GLM-5.5 soit sauté ou renommé ; tout benchmark ; toute disponibilité via un quelconque fournisseur.

• Mise en garde concernant une source unique : les citations de GLM-6.0 reposent sur le compte-rendu d’un seul média de l’appel. Z.ai n’a publié aucune annonce officielle concernant GLM-6.0 de son côté à l’heure où nous écrivons ces lignes.

Ce qu'un développeur devrait faire maintenant

Rien dans ce signal ne devrait influencer une décision de production aujourd'hui, car il n'existe pas de GLM-6.0 à appeler. La bonne réponse à une confirmation de feuille de route est de laisser l'option ouverte, non de changer de plateforme.

La chose utile à noter est ce qu'un produit phare auto-entraîné changerait s'il était lancé. La tarification de la famille GLM a maintenu un prix stable de 1,40 $/4,40 $ par million de jetons à travers ses récentes générations phares, sous-cotant les laboratoires fermés de pointe sur le prix tout en étant en retrait sur les scores des indices indépendants. Un GLM-6.0 qui s'entraîne véritablement mettrait à l'épreuve le plafond des poids ouverts d'une manière qu'aucun lancement de modèle unique n'a faite — et le premier endroit où cette question trouve sa réponse est de savoir s'il apparaît dans un catalogue de fournisseurs à un prix raisonnable avec une véritable bascule autour de lui.

Lorsque et si GLM-6.0 apparaît dans un catalogue, la règle de tarification sur OrcaRouter est simple : le prix de liste du fournisseur est transmis sans marge, en vigueur le jour même — ni renégociation, ni second contrat. C'est la même règle qui s'applique déjà à GLM-5.3 sur la plateforme, où le modèle phare actuel est servi à $1.26 / $3.96 par million de jetons (une remise de lancement de 10 % sur le tarif de $1.40 / $4.40), le tout via une seule API pour 200+ modèles. Et un modèle non éprouvé avec une feuille de route aussi audacieuse que RSI est exactement le cas pour un routage par résultats plutôt que par noms : dirigez une partie du trafic vers le nouveau modèle avec basculement automatique vers un modèle éprouvé — GLM-5.3, DeepSeek V4 Pro ou GPT-5.6 Sol — de sorte qu'un modèle qui s'avère surévalué retombe sur la solution de repli au lieu de produire des réponses défectueuses. Quand il n'y a pas encore de GLM-6.0 à router, la préparation équivalente consiste à avoir la règle de routage écrite avant que le modèle n'existe.

Que regarder ensuite

• Une date de sortie. La cadence du produit phare de Z.ai a été d'environ deux mois entre les générations ; l'appel ne donne aucune date, et un modèle "auto-apprentissage complet" pourrait ne pas suivre du tout une cadence normale.

Le premier objet concret : une fiche de modèle, une publication de poids, ou un identifiant API. Dès que GLM-6.0 obtient un identifiant API, la rumeur devient testable.

• Le sort de GLM-5.5. Si un GLM-5.5 apparaît en premier, la lecture de la feuille de route change ; s'il reste silencieux, la lecture « 6.0 a sauté le numéro » est le scénario le plus probable.

• Si d'autres laboratoires répondent. RSI est généralement abordé dans des essais, pas dans les réunions de résultats ; si un grand laboratoire associe publiquement l'auto-apprentissage à un produit phare, le cadrage cesse d'être une particularité de Z.ai et devient une tendance.

• Le premier score indépendant. Le record actuel en open-weights sur l’indice Artificial Analysis Intelligence est de 60 (GLM-5.3, à égalité avec Kimi K3). Un GLM-6.0 qui dépasse ce score sur un tableau indépendant est l’événement qui compte — tout ce qui précède n’est qu’une feuille de route.

Rien de tout cela n'est un lancement. GLM-6.0 est un nom et une direction, confirmé officiellement lors d'un appel aux résultats, et rien de plus concret n'existe encore. Mais c'est la direction qui fait l'histoire : un grand laboratoire open-weights a publiquement misé son prochain modèle phare sur la capacité du modèle à apprendre à s'entraîner lui-même, et a nommé la partie difficile à l'avance — le jugement, pas l'échelle. C'est le genre de signal qui vaut la peine d'être consigné avant qu'une date de sortie n'existe, car au moment où GLM-6.0 aura une fiche de modèle, la question ne sera plus de savoir si Z.ai le pense vraiment, mais si cela fonctionne.