GLM-6.0-lek: Z.ai's volgende vlaggenschip is 'Full Self-Training' — dit weten we tot nu toe

Op de avond van 31 augustus 2026 hield Z.ai (Zhipu) zijn eerste tussentijdse earnings call sinds de notering aan de Hongkongse beurs in januari — en oprichter Tang Jie (唐杰) gebruikte een deel ervan om het volgende basismodel van het bedrijf te definiëren, waarbij hij de naam voor het eerst officieel bevestigde: GLM-6.0. Hij positioneerde het model rond een technische route die Z.ai 'Full Self-Training' (完全自训练) noemt en waarvan hij zei dat die overeenkomt met wat het Westen RSI noemt — recursieve zelfverbetering. GLM-6.0 heeft geen releasedatum, geen modelkaart, geen API en geen onafhankelijke benchmark. Dit is een stuk over wat we tot nu toe weten over de eerste officiële bevestiging van de naam en de richting, geen lanceerverhaal.

Wat de earnings call daadwerkelijk zei over GLM-6.0

Het verslag van het gesprek komt van 观点网 (Guandian), een financiële publicatie uit Hongkong die er dezelfde avond over berichtte; het signaal werd op X geplaatst door @dotey. Elk GLM-6.0-detail hieronder is volgens Guandians verslag van de opmerkingen van Tang Jie, en niets daarvan is bevestigd door een aankondiging van Z.ai of een modelkaart.

Volgens het rapport definieerde Tang Jie GLM-6.0 als een "Full Self-Training"-model. De kerncapaciteit die hij beschreef is zelfzuivering: het model bestrijkt de volledige trainingspijplijn — pre-training, mid-training en post-training — met als doel volledig autonome training en zelfevolutie. De kop is geen nieuw parametertal; het is een bewering dat het model delen van zijn eigen training zal overnemen.

Hij was expliciet over het moeilijke deel. De grootste uitdaging, zei hij, is niet het opschalen van het model; het is de vraag of het model zelfbeoordeling kan bereiken — zelf beslissen wanneer het moet stoppen met trainen en zijn eigen fouten corrigeren. Hij noemde dat de kernmoeilijkheid van de route en een belangrijke richting voor toekomstig onderzoek. Hij zei ook dat toekomstig modelwerk ethiek en sociaal bestuur zou inbouwen als dimensies van het ontwerp, niet als bijzaak.

Hetzelfde gesprek bevatte Z.ai's bredere framing. Tang Jie zette een formule uiteen — AGI-bedrijfswaarde is gelijk aan intelligentieplafond × tokenschaal van verbruik — en betoogde dat Z.ai "taken moet verkopen, geen modellen." Op het gebied van data merkte hij op dat binnenlandse trainingscorpora voor grote modellen doorgaans in het bereik van 30–50 biljoen tokens liggen, en dat de opbrengsten van simpelweg parameters stapelen afnemen. Dat data-muur-argument is de economische motivatie voor zelf-training: als tekst van menselijke kwaliteit niet langer schaalt, moet het model zijn eigen trainingssignaal genereren en beoordelen.

Wat "Full Self-Training" (RSI) eigenlijk betekent

RSI — recursieve zelfverbetering — is de familie van ideeën waarbij een model de processen verbetert die het slimmer maken, waardoor de lus tussen trainen en getraind zijn wordt gesloten. In zijn sterkste vorm schrijft of stemt het model delen van zijn eigen trainingspijplijn af, zodat de capaciteit zichzelf versterkt zonder dat er in elke lus een menselijke ingenieur aan te pas komt. Vooraanstaande labs hebben er essays over geschreven; vrijwel geen enkel lab heeft er publiekelijk een uitgebracht vlaggenschip aan gekoppeld. Z.ai's positionering tijdens de earnings call doet precies dat, en daarom doet de term ertoe, zelfs voordat er ook maar enige GLM-6.0-code bestaat.

De positionering kwam niet uit het niets. Het was voorafschaduwd in de interne brief die Tang Jie op 11 juli 2026 aan het personeel stuurde — 《巨浪已来》 ("De grote golf is gekomen") — waarin het 'Touch High' (摸高)-plan werd aangekondigd: twee jaar strategische investering, afzien van kortetermijnmonetarisering, om het volgende hoge AGI-doel na te jagen. De brief noemde vier kernmotoren; één daarvan was volledig zelflerend. De berichtgeving over de brief beschreef die motor in concrete termen: bouw een fabriek voor hoogwaardige synthetische data, gebruik AI-tegen-AI zelfspel om kennis te genereren waar menselijke data opraken, en — binnen een veiligheidssandbox — geef het systeem de mogelijkheid om zijn eigen code te herschrijven, zodat de evolutiesnelheid niet langer wordt begrensd door menselijke ingenieurs.

Dat is een sterke uitspraak, en die moet met de nodige voorzichtigheid worden gelezen: alles erin is het bedrijf dat een ambitie beschrijft. Geen enkel laboratorium heeft volledige zelf-training op frontierschaal aangetoond, en de brief is een strategiedocument, geen benchmark.

De uitdaging die Tang Jie noemde is het eerlijke deel.

Het meest waardevolle in het gesprek, voor een lezer die probeert te voorspellen of GLM-6.0 er toe zal doen, is wat Tang Jie moeilijk noemt. Zelfbeoordeling — weten wanneer je moet stoppen met trainen en autonoom fouten corrigeren — is de dragende aanname van de hele gok. Als het model zijn eigen output niet betrouwbaar kan beoordelen, dan versterken synthetische data en zelfspel alleen maar ruis, en stort "zelf-training" in tot een zeer dure datapijplijn met een menselijk vangnet.

De formulering is consistent in beide uitspraken: de engine van de brief behandelt compute als evolutiebrandstof; de uitdaging van de oproep gaat over het oordeelsvermogen dat die brandstof nuttig maakt. Hij benadrukte ook een schaalprincipe — het vermijden van een model dat te groot is om bruikbaar te zijn — wat ertoe doet omdat de self-training-inzet geen pure schaalvergroting is. Dat is een betekenisvol signaal over wat GLM-6.0 níét is: niet zomaar "het grootste GLM-familie model tot nu toe."

Waar GLM-6.0 in de lijn staat

Z.ai meldde dat de GLM-familie in elf maanden zes generaties heeft doorlopen, waarbij de eigen intelligentiemeting van het bedrijf steeg van 32 naar 60. Het huidige vlaggenschip is GLM-5.3, medio augustus aangekondigd, met de API die op 19 augustus werd geopend en open gewichten die op 28 augustus werden bevestigd. Het is een tekst-in/tekst-uit MoE met 40B actieve parameters, een contextvenster van 1M tokens en een Artificial Analysis Intelligence Index van 60 — het huidige hoogtepunt voor open gewichten — geprijsd op $1,40 per miljoen invoertokens en $4,40 per miljoen uitvoertokens. De kleinere GLM-5.3-Flash werd uitgebracht onder een MIT-licentie, en Z.ai zegt dat het in de eerste zes dagen 62 biljoen tokens verwerkte (een cijfer van de leverancier, geen onafhankelijke meting).

De interessante vraag is wat er met GLM-5.5 is gebeurd. Het grootste deel van augustus stond in analistenrapporten van Reuters en CGTN dat een vlaggenschip GLM-5.5 'binnen augustus' zou verschijnen — en het verscheen niet. Tijdens de earnings call werd de volgende generatie GLM-6.0 genoemd, waarbij 5.5 volledig werd overgeslagen. Of 5.5 is hernoemd, in 6.0 is opgegaan, of nooit als officieel product heeft bestaan, is niet bevestigd. Wat de call wel vaststelt, is de officiële lezing: het volgende generatie basismodel is GLM-6.0.

Ook onbevestigd: het aantal parameters, de architectuur, de prijs of de beschikbaarheid van GLM-6.0. Z.ai's verklaarde principe van 'niet te groot om bruikbaar te zijn', gecombineerd met de framing rond zelf-training, suggereert dat de interessante verandering wellicht in het trainingsparadigma ligt in plaats van in de schaal — maar dat is een gevolgtrekking, geen informatie.

Wat is bevestigd, wat niet

• Bevestigd, volgens het rapport van Guandian over de earnings call van 31 augustus: Tang Jie noemde GLM-6.0 als het basismodel van de volgende generatie; hij positioneerde het als Full Self-Training; hij beschreef zelfzuivering in de hele trainingspijplijn en zelfbeoordeling als de centrale uitdaging; en Z.ai rapporteerde over H1 2026 een omzet van ¥954 miljoen, een stijging van 399,7% jaar-op-jaar, waarbij de API/MaaS-activiteiten goed waren voor 86,5% van de omzet en het nettoverlies ¥2,07 miljard bedroeg, een afname van 12,1%.

• Onafhankelijk van het lek bevestigd: de status van GLM-5.3 — AA Intelligence Index 60, $1,40/$4,40, 1M context, alleen tekst, open gewichten — gemeten door Artificial Analysis, niet door Z.ai.

• Niet bevestigd: dat GLM-6.0 bestaat als een product dat daadwerkelijk wordt uitgeleverd; eventuele releasedatum; parameters, architectuur of prijzen; of GLM-5.5 is overgeslagen of hernoemd; eventuele benchmark; eventuele beschikbaarheid via welke provider dan ook.

• Een kanttekening bij één enkele bron: de GLM-6.0-citaten zijn gebaseerd op het verslag van één medium over het gesprek. Z.ai heeft tot op heden geen eigen aankondiging over GLM-6.0 uitgegeven.

Wat een ontwikkelaar nu moet doen

Niets in dit signaal zou vandaag een productiebeslissing moeten beïnvloeden, want er is geen GLM-6.0 om aan te roepen. De juiste reactie op een bevestiging van de roadmap is om de optie open te houden, niet om van platform te veranderen.

Het nuttige om op te merken is wat een zelf-trainend vlaggenschip zou veranderen als het uitkomt. De prijzen van de GLM-familie zijn stabiel gebleven op $1,40/$4,40 per miljoen tokens gedurende de recente vlaggenschipgeneraties, waarmee ze de toonaangevende gesloten labs op prijs onderbieden, terwijl ze achterblijven op onafhankelijke indexscores. Een GLM-6.0 die zichzelf echt traint, zou het plafond van open-weights testen op een manier die geen enkele modelrelease heeft gedaan — en de eerste plek waar die vraag wordt beantwoord, is of het verschijnt in een providercatalogus tegen een redelijke prijs met echte failover eromheen.

Als en wanneer GLM-6.0 in een catalogus verschijnt, is de prijsregel op OrcaRouter simpel: de lijstprijs van de provider wordt zonder opslag doorberekend, dezelfde dag live — geen heronderhandeling en geen tweede contract. Dat is dezelfde regel waaronder GLM-5.3 al op het platform draait, waar het huidige vlaggenschip wordt aangeboden voor $1.26 / $3.96 per miljoen tokens (een introductiekorting van 10% op de lijstprijs van $1.40 / $4.40), allemaal via één API voor 200+ modellen. En een onbewezen model met een roadmap die net zo gedurfd is als RSI is precies het geval voor routing op basis van resultaten in plaats van namen: stuur een deel van het verkeer naar het nieuwe model met automatische failover naar een bewezen model — GLM-5.3, DeepSeek V4 Pro of GPT-5.6 Sol — zodat een model dat overhyped blijkt te zijn, terugvalt op de fallback in plaats van kapotte output te leveren. Als er nog geen GLM-6.0 is om naartoe te routeren, is de equivalente voorbereiding het opstellen van de routeringsregel voordat het model bestaat.

Wat nu te kijken

• Een releasedatum. De flagship-cadans van Z.ai is ruwweg twee maanden tussen generaties geweest; het gesprek geeft geen datum, en een "volledig zelf-trainend" model volgt mogelijk helemaal geen normale cadans.

• Het eerste concrete object: een modelkaart, een gewichtsdump, of een API-ID. Zodra GLM-6.0 een API-identificatiecode krijgt, wordt het gerucht testbaar.

• Het lot van GLM-5.5. Als er eerst een GLM-5.5 verschijnt, verandert de interpretatie van de roadmap; als het stil blijft, is de lezing "6.0 heeft het nummer overgeslagen" het waarschijnlijkste verhaal.

• Of andere labs antwoorden. RSI wordt meestal besproken in essays, niet in earnings calls; als een groot lab publiekelijk self-training aan een vlaggenschip koppelt, is het geen Z.ai-eigenaardigheid meer maar een trend.

• De eerste onafhankelijke score. De huidige open-weights high op de Artificial Analysis Intelligence Index is 60 (GLM-5.3, gelijk aan Kimi K3). Een GLM-6.0 die dat op een onafhankelijke ranglijst haalt, is de gebeurtenis die ertoe doet — alles daarvoor is slechts een routekaart.

Niets hiervan is een lancering. GLM-6.0 is een naam en een richting, officieel bevestigd tijdens een earnings call, en er bestaat nog niets concreets. Maar de richting is het verhaal: een groot open-weights lab heeft publiekelijk zijn volgende vlaggenschip ingezet op een model dat leert zichzelf te trainen, en heeft het moeilijke deel van tevoren benoemd — oordeelsvermogen, niet schaal. Dat is het soort signaal dat de moeite waard is om vast te leggen voordat het een releasedatum heeft, want op het moment dat GLM-6.0 een modelkaart krijgt, is de vraag niet langer of Z.ai het meent, maar of het werkt.