Leak di GLM-6.0: Il prossimo flagship di Z.ai è 'Full Self-Training' — Cosa sappiamo finora

La sera del 31 agosto 2026, Z.ai (Zhipu) ha tenuto la sua prima conference call sui risultati intermedi da quando è stata quotata alla borsa di Hong Kong a gennaio — e il fondatore Tang Jie (唐杰) ne ha usato parte per definire il prossimo modello base dell'azienda, dandogli per la prima volta un nome ufficiale: GLM-6.0. Ha collocato il modello attorno a un percorso tecnico che Z.ai chiama "Full Self-Training" (完全自训练), che a suo dire corrisponde a ciò che in Occidente viene definito RSI — recursive self-improvement, ovvero auto-miglioramento ricorsivo. GLM-6.0 non ha una data di rilascio, né una model card, né un'API, né benchmark indipendenti. Questo è un pezzo su ciò che sappiamo finora riguardo alla prima conferma ufficiale del nome e della direzione, non una notizia di lancio.

Cosa ha detto realmente la conference call sugli utili riguardo a GLM-6.0

Il resoconto della chiamata proviene da 观点网 (Guandian), una testata finanziaria di Hong Kong che ne ha riferito la stessa sera; la notizia è emersa su X grazie a @dotey. Ogni dettaglio su GLM-6.0 riportato di seguito si basa sul resoconto di Guandian delle dichiarazioni di Tang Jie, e nulla di tutto ciò è stato confermato da un annuncio di Z.ai o da una model card.

Secondo il rapporto, Tang Jie ha definito GLM-6.0 come un modello "Full Self-Training". La capacità centrale che ha descritto è l'autopurificazione: il modello copre l'intera pipeline di addestramento — pre-training, mid-training e post-training — con l'obiettivo di un addestramento completamente autonomo e di un'auto-evoluzione. Il titolo non è un nuovo conteggio di parametri; è un'affermazione che il modello assumerà il controllo di parti del proprio addestramento.

È stato esplicito sulla parte difficile. La sfida più grande, ha detto, non è scalare il modello; è se il modello possa raggiungere l'autogiudizio — decidere da solo quando fermare l'addestramento e correggere i propri errori. L'ha definita la difficoltà centrale del percorso e una direzione chiave per la ricerca futura. Ha anche detto che il lavoro futuro sui modelli integrerà etica e governance sociale come dimensioni del progetto, non come ripensamenti.

La stessa chiamata ha portato anche l'inquadramento più ampio di Z.ai. Tang Jie ha esposto una formula — il valore commerciale dell'AGI equivale al tetto dell'intelligenza × la scala del consumo di token — sostenendo che Z.ai dovrebbe "vendere compiti, non modelli." Sul fronte dei dati, ha osservato che i corpora di addestramento dei modelli nazionali di grandi dimensioni si attestano generalmente nell'intervallo di 30–50 trilioni di token, e che i rendimenti derivanti dal semplice accumulo di parametri sono decrescenti. Questo argomento del muro dei dati è la motivazione economica dell'auto-addestramento: se il testo di qualità umana non scala più, il modello deve generare e valutare il proprio segnale di addestramento.

Cosa significa realmente "Full Self-Training" (RSI)

RSI — miglioramento ricorsivo di sé — è la famiglia di idee in cui un modello migliora i processi che lo rendono più intelligente, chiudendo il ciclo tra addestramento e addestrato. Nella sua forma più forte, il modello scrive o ottimizza parti della propria pipeline di addestramento, così le capacità si accumulano senza un ingegnere umano in ogni ciclo. I laboratori di frontiera hanno scritto saggi al riguardo; quasi nessuno ha pubblicamente associato un prodotto di punta in produzione. Il posizionamento di Z.ai nella chiamata sugli utili fa esattamente questo, ed è per questo che la frase conta ancora prima che esista qualsiasi codice GLM-6.0.

La posizione non è nata dal nulla. Era prefigurata nella lettera interna che Tang Jie ha inviato al personale l'11 luglio 2026 — 《巨浪已来》 ("The Giant Wave Has Come") — che annunciava il piano "Touch High" (摸高): due anni di investimenti strategici, rinunciando alla monetizzazione a breve termine, per puntare al prossimo traguardo dell'AGI. La lettera nominava quattro motori principali; uno di essi era interamente basato sull'auto-addestramento. La copertura della lettera descriveva quel motore in termini concreti: costruire una fabbrica di dati sintetici di alta qualità, usare il self-play AI-contro-AI per generare conoscenza dove i dati umani stanno esaurendosi e — all'interno di una sandbox di sicurezza — dare al sistema la capacità di riscrivere il proprio codice, così che la velocità di evoluzione non sia più limitata dagli ingegneri umani.

Questa è un'affermazione forte, e va letta con la dovuta cautela: tutto ciò è l'azienda che descrive un'aspirazione. Nessun laboratorio ha dimostrato un pieno auto-addestramento su scala di frontiera, e la lettera è un documento strategico, non un benchmark.

La sfida che Tang Jie ha nominato è la parte onesta.

La cosa più preziosa della chiamata, per un lettore che cerca di prevedere se GLM-6.0 sarà rilevante, è ciò che Tang Jie ha definito difficile. L'autogiudizio — sapere quando fermare l'addestramento e correggere gli errori in modo autonomo — è il presupposto portante dell'intera scommessa. Se il modello non può giudicare in modo affidabile i propri output, allora i dati sintetici e il self-play amplificano solo il rumore, e l'«auto-addestramento» degenera in una pipeline di dati molto costosa con un essere umano come rete di sicurezza.

L'impostazione è coerente tra le due dichiarazioni: il motore della lettera tratta la potenza di calcolo come carburante per l'evoluzione; la sfida della chiamata riguarda il giudizio che rende utile quel carburante. Ha anche sottolineato un principio di dimensionamento — evitare un modello troppo grande per essere utilizzabile — che conta perché la scommessa sull'auto-addestramento non è una pura scommessa di scala. Questo è un segnale significativo su ciò che GLM-6.0 non è: non solo "il più grande modello della famiglia GLM finora".

Dove si colloca GLM-6.0 nella gamma

Z.ai ha riferito che la famiglia GLM ha attraversato sei generazioni in undici mesi, con la metrica di intelligenza dell'azienda salita da 32 a 60. L'attuale modello di punta è GLM-5.3, annunciato a metà agosto con l'API aperta il 19 agosto e i pesi aperti confermati il 28 agosto. È un MoE text-in/text-out con 40 miliardi di parametri attivi, una finestra di contesto di 1 milione di token e un Artificial Analysis Intelligence Index di 60 — il massimo attuale per i pesi aperti — al prezzo di $1,40 per milione di token di input e $4,40 per milione di token di output. La versione più piccola, GLM-5.3-Flash, è stata distribuita con licenza MIT, e Z.ai afferma di aver attirato 62 mila miliardi di token nei suoi primi sei giorni (una cifra dichiarata dal fornitore, non una misurazione indipendente).

La domanda interessante è cosa sia successo a GLM-5.5. Per gran parte di agosto, i rapporti degli analisti diffusi da Reuters e CGTN indicavano l'arrivo di un modello ammiraglia GLM-5.5 "entro agosto" — e non è apparso. La conference call sugli utili ha nominato la prossima generazione, GLM-6.0, saltando del tutto la 5.5. Se la 5.5 sia stata rinominata, assorbita nella 6.0, o non sia mai esistita come prodotto ufficiale, non è confermato. Ciò che la call stabilisce è la lettura ufficiale: il modello base di prossima generazione è GLM-6.0.

Anche non confermato: qualsiasi conteggio di parametri, architettura, prezzi o disponibilità per GLM-6.0. Il principio dichiarato da Z.ai di "non troppo grande per essere utilizzabile", combinato con l'approccio dell'auto-addestramento, suggerisce che il cambiamento interessante potrebbe essere il paradigma di addestramento piuttosto che la scala — ma questa è un'inferenza, non un'informazione.

Cosa è confermato, cosa no

• Confermato, secondo il rapporto di Guandian sulla conferenza sugli utili del 31 agosto: Tang Jie ha nominato GLM-6.0 come modello base di prossima generazione; lo ha posizionato come Full Self-Training; ha descritto l'auto-purificazione lungo la pipeline di addestramento e l'auto-giudizio come la sfida centrale; e Z.ai ha riportato ricavi per il primo semestre 2026 di ¥954 milioni, in aumento del 399,7% su base annua, con il business API/MaaS all'86,5% dei ricavi e una perdita netta di ¥2,07 miliardi, in riduzione del 12,1%.

Confermato indipendentemente dalla fuga di notizie: lo stato di GLM-5.3 — AA Intelligence Index 60, $1.40/$4.40, contesto da 1M, solo testo, pesi aperti — misurato da Artificial Analysis, non da Z.ai.

• Non confermato: che GLM-6.0 esista come prodotto disponibile; alcuna data di rilascio; parametri, architettura o prezzi; se GLM-5.5 viene saltato o rinominato; alcun benchmark; alcuna disponibilità tramite qualsiasi fornitore.

• Un avvertimento sulla fonte unica: le citazioni di GLM-6.0 si basano sul resoconto di un solo organo di stampa riguardo alla chiamata. Z.ai non ha pubblicato alcun annuncio su GLM-6.0 al momento della stesura.

Cosa dovrebbe fare ora uno sviluppatore

Nulla in questo segnale dovrebbe indurre a prendere oggi una decisione di produzione, perché non c'è un GLM-6.0 da chiamare. La risposta giusta a una conferma della roadmap è tenere aperta l'opzione, non cambiare piattaforma.

La cosa utile da notare è ciò che un modello di punta auto-addestrato cambierebbe se venisse rilasciato. I prezzi della famiglia GLM sono rimasti stabili a $1.40/$4.40 per milione di token nelle sue recenti generazioni di punta, sottoprezzando i laboratori chiusi di frontiera pur restando indietro nei punteggi degli indici indipendenti. Un GLM-6.0 che si addestra davvero da solo metterebbe alla prova il tetto dei pesi aperti in un modo che nessun lancio di un singolo modello ha mai fatto — e il primo posto in cui quella domanda trova risposta è se appare nel catalogo di un fornitore a un prezzo sensato con un vero failover attorno.

Quando e se GLM-6.0 apparirà in un catalogo, la regola di prezzo su OrcaRouter è semplice: prezzo di listino del fornitore applicato senza ricarico, attivo lo stesso giorno — nessuna rinegoziazione e nessun secondo contratto. È la stessa regola che GLM-5.3 già segue sulla piattaforma, dove il modello di punta attuale è servito a $1,26 / $3,96 per milione di token (uno sconto di lancio del 10% sul listino di $1,40 / $4,40), il tutto tramite una sola API per oltre 200 modelli. E un modello non collaudato con una roadmap audace come RSI è esattamente il caso per instradare in base ai risultati piuttosto che ai nomi: indirizzare una parte del traffico al nuovo modello con failover automatico verso uno collaudato — GLM-5.3, DeepSeek V4 Pro o GPT-5.6 Sol — così un modello che si rivela sopravvalutato degrada al fallback invece di fornire risultati difettosi. Quando non c'è ancora un GLM-6.0 da instradare, la preparazione equivalente è avere la regola di instradamento scritta prima che il modello esista.

Cosa guardare dopo

• Una data di rilascio. La cadenza dei modelli di punta di Z.ai è stata di circa due mesi tra una generazione e l'altra; la chiamata non fornisce una data, e un modello "completamente auto-addestrato" potrebbe non seguire affatto una cadenza normale.

• Il primo oggetto concreto: una scheda del modello, un rilascio dei pesi o un ID API. Nel momento in cui GLM-6.0 ottiene un identificatore API, la voce diventa verificabile.

• Il destino di GLM-5.5. Se un GLM-5.5 appare per primo, la lettura della roadmap cambia; se rimane in silenzio, la lettura "6.0 ha saltato il numero" è la storia più probabile.

• Se altri laboratori rispondono. La RSI viene di solito discussa in saggi, non nelle chiamate sugli utili; se un importante laboratorio associa pubblicamente l'auto-addestramento a un modello di punta, l'inquadramento smette di essere una stranezza di Z.ai e diventa una tendenza.

• Il primo punteggio indipendente. Il massimo attuale tra i modelli open-weights sull'Artificial Analysis Intelligence Index è 60 (GLM-5.3, in parità con Kimi K3). Un GLM-6.0 che superi quel punteggio su una piattaforma indipendente è l'evento che conta — tutto ciò che viene prima è solo una tabella di marcia.

Niente di tutto questo è un lancio. GLM-6.0 è un nome e una direzione, confermata ufficialmente durante una call sugli utili, e non esiste ancora nulla di più concreto. Ma la direzione è la notizia: un importante laboratorio open-weights ha scommesso pubblicamente che il suo prossimo modello di punta imparerà ad addestrare sé stesso, e ha indicato in anticipo la parte difficile — il giudizio, non la scala. È il tipo di segnale che vale la pena annotare prima che abbia una data di rilascio, perché nel momento in cui GLM-6.0 riceverà una model card, la domanda smetterà di essere se Z.ai fa sul serio e inizierà a essere se funziona.