GLM-6.0-läckan: Z.ais nästa flaggskepp är 'Full Self-Training' — vad vi vet hittills

På kvällen den 31 augusti 2026 höll Z.ai (Zhipu) sin första delårspresentation sedan noteringen på Hongkongbörsen i januari — och grundaren Tang Jie (唐杰) använde en del av den för att definiera företagets nästa basmodell, och namngav den för första gången officiellt: GLM-6.0. Han positionerade modellen kring en teknisk väg som Z.ai kallar "Full Self-Training" (完全自训练), som han sade motsvarar det som västvärlden kallar RSI — rekursiv självförbättring. GLM-6.0 har inget releasedatum, inget modellkort, inget API och inget oberoende riktmärke. Det här är en artikel om vad vi vet hittills om den första officiella bekräftelsen av namnet och riktningen, inte en lanseringsnyhet.

Vad resultatkonferensen faktiskt sa om GLM-6.0

Redogörelsen för samtalet kommer från 观点网 (Guandian), en Hongkongbaserad finanskanal som rapporterade om det samma kväll; signalen publicerades på X av @dotey. Varje GLM-6.0-detalj nedan är enligt Guandians rapport om Tang Jies uttalanden, och ingen av den har bekräftats genom ett tillkännagivande från Z.ai eller ett modellkort.

Enligt rapporten definierade Tang Jie GLM-6.0 som en "Full Self-Training"-modell. Den centrala förmågan han beskrev är självrening: modellen täcker hela träningspipelinen — förträning, mitträning och efterträning — med målet att bli helt autonom i träning och självutveckling. Rubriken handlar inte om ett nytt antal parametrar; det är ett påstående om att modellen kommer att ta över delar av sin egen träning.

Han var tydlig med det svåra. Den största utmaningen, sade han, är inte att skala upp modellen; det är huruvida modellen kan uppnå självbedömning — att själv bestämma när den ska sluta träna och rätta sina egna fel. Han kallade det för vägens kärnsvårighet och en viktig riktning för framtida forskning. Han sade också att framtida modellarbete skulle inkludera etik och social styrning som dimensioner i designen, inte eftertankar.

Samma samtal innehöll Z.ai:s bredare inramning. Tang Jie lade fram en formel — AGI:s affärsvärde motsvarar intelligensgräns × tokenförbrukningsskala — och argumenterade för att Z.ai borde "sälja uppgifter, inte modeller." På datasidan noterade han att inhemska träningskorpusar för stora modeller generellt ligger i intervallet 30–50 biljoner token, och att avkastningen från att helt enkelt stapla parametrar minskar. Det argumentet om dataväggen är den ekonomiska drivkraften för självträning: om text av mänsklig kvalitet slutar skala, måste modellen generera och bedöma sin egen träningssignal.

Vad "Full självträning" (RSI) egentligen innebär

RSI — rekursiv självförbättring — är den idéfamilj där en modell förbättrar de processer som gör den smartare, och sluter loopen mellan träning och tränad. I sin starkaste form skriver eller finjusterar modellen delar av sin egen träningspipeline, så att förmågan ackumuleras utan att en mänsklig ingenjör behöver vara med i varje loop. Framstående labb har skrivit essäer om det; nästan ingen har offentligt kopplat det till en lanserad flaggskeppsmodell. Z.ais positionering i sina resultatsamtal gör precis det, och det är därför frasen spelar roll redan innan någon GLM-6.0-kod existerar.

Positioneringen kom inte från ingenstans. Den förebådades i det interna brev som Tang Jie skickade till personalen den 11 juli 2026 — 《巨浪已来》 ("Den stora vågen har kommit") — där han tillkännagav "Touch High"-planen (摸高): två år av strategiska investeringar, med avkall på kortsiktig monetarisering, för att satsa på nästa AGI-höjd. Brevet namngav fyra kärnmotorer; en av dem var helt självtränande. Rapporteringen kring brevet beskrev den motorn i konkreta termer: bygg en högkvalitativ syntetisk datafabrik, använd AI-mot-AI:s självspel för att generera kunskap där mänsklig data håller på att ta slut, och — inuti en säkerhetssandlåda — ge systemet förmågan att skriva om sin egen kod, så att evolutionstakten inte längre begränsas av mänskliga ingenjörer.

Det är ett starkt uttalande, och det bör läsas med vederbörlig försiktighet: allt är företagets beskrivning av en ambition. Inget labb har demonstrerat full självträning i frontier-skala, och brevet är ett strategidokument, inte ett riktmärke.

Den utmaning som Tang Jie nämnde är den ärliga delen.

Det mest värdefulla i samtalet, för en läsare som försöker förutsäga om GLM-6.0 kommer att spela roll, är det Tang Jie sa är svårt. Självbedömning — att veta när man ska sluta träna och korrigera fel autonomt — är det bärande antagandet i hela satsningen. Om modellen inte på ett tillförlitligt sätt kan bedöma sina egna utdata, förstärker syntetisk data och självspel bara bruset, och "självträning" kollapsar till en mycket dyr datapipeline med en människa som säkerhetsnät.

Inramningen är konsekvent i båda uttalandena: brevets motor behandlar beräkning som bränsle för evolution; samtalets utmaning handlar om det omdöme som gör bränslet användbart. Han betonade också en princip om storlek — att undvika en modell som är för stor för att vara användbar — vilket är viktigt eftersom självträningssatsningen inte är en ren skalningssatsning. Det är en betydelsefull signal om vad GLM-6.0 inte är: inte bara "den hittills största modellen i GLM-familjen."

Var GLM-6.0 ligger i serien

Z.ai rapporterade att GLM-familjen har gått igenom sex generationer på elva månader, med företagets eget mått på intelligens som stigit från 32 till 60. Den nuvarande flaggskeppsmodellen är GLM-5.3, som tillkännagavs i mitten av augusti med API:et öppnat den 19 augusti och open weights bekräftade den 28 augusti. Det är en text-in/text-out MoE med 40B aktiva parametrar, ett kontextfönster på 1M-token och ett Artificial Analysis Intelligence Index på 60 — det nuvarande rekordet för open weights — prissatt till 1,40 USD per miljon input-tokens och 4,40 USD per miljon output. Den mindre GLM-5.3-Flash levererades med MIT-licens, och Z.ai säger att den drog 62 biljoner tokens under sina första sex dagar (en leverantörssiffra, inte en oberoende mätning).

Den intressanta frågan är vad som hände med GLM-5.5. Under större delen av augusti hade analytikerrapporter hos Reuters och CGTN en GLM-5.5-flaggskeppsmodell som skulle anlända "inom augusti" – och den dök inte upp. Resultatkonferensen namngav nästa generation GLM-6.0 och hoppade därmed helt över 5.5. Huruvida 5.5 bytte namn, slogs in i 6.0 eller aldrig funnits som en officiell produkt är obekräftat. Vad konferensen fastställer är den officiella läsningen: nästa generations basmodell är GLM-6.0.

Även obekräftat: eventuellt parameterantal, arkitektur, prissättning eller tillgänglighet för GLM-6.0. Z.ais uttalade princip om "inte för stor för att vara användbar," kombinerat med självträningsinramningen, antyder att den intressanta förändringen kan vara träningsparadigm snarare än skala — men det är slutledning, inte information.

Vad är bekräftat och vad är inte

• Bekräftat, enligt Guandians rapport från resultatsamtalet den 31 augusti: Tang Jie namngav GLM-6.0 som nästa generations basmodell; han positionerade den som Full Self-Training; han beskrev självrening genom hela träningspipelinen och självbedömning som den centrala utmaningen; och Z.ai rapporterade intäkter för H1 2026 på 954 M¥, upp 399,7 % jämfört med föregående år, med API/MaaS-verksamheten på 86,5 % av intäkterna och en nettoförlust på 2,07 Md¥, minskad med 12,1 %.

• Bekräftat oberoende av läckan: GLM-5.3:s status — AA Intelligence Index 60, $1.40/$4.40, 1M kontext, endast text, öppna vikter — mätt av Artificial Analysis, inte av Z.ai.

• Ej bekräftat: att GLM-6.0 finns som en levererad produkt; något releasedatum; parametrar, arkitektur eller prissättning; huruvida GLM-5.5 hoppas över eller byter namn; något benchmark; någon tillgänglighet via någon leverantör.

• En varning om enskild källa: citaten om GLM-6.0 bygger på en enda kanals rapport om samtalet. Z.ai har inte utfärdat något eget tillkännagivande om GLM-6.0 i skrivande stund.

Vad en utvecklare bör göra nu

Ingenting i den här signalen bör påverka ett produktionsbeslut idag, eftersom det inte finns någon GLM-6.0 att anropa. Det rätta svaret på en bekräftelse av färdplanen är att hålla alternativet öppet, inte att byta plattform.

Det användbara att notera är vad en självtränande flaggskeppsmodell skulle förändra om den lanseras. GLM-familjens prissättning har legat stadigt på $1,40/$4,40 per miljon tokens över de senaste flaggskeppsgenerationerna, vilket understiger de slutna frontlinjelabbens priser samtidigt som den hamnar efter dem i oberoende indexpoäng. En GLM-6.0 som verkligen tränar sig själv skulle testa taket för öppna vikter på ett sätt som inget enskilt modellsläpp har gjort — och den första platsen där den frågan får svar är om den dyker upp i en leverantörskatalog till ett vettigt pris med riktig failover runt sig.

När och om GLM-6.0 dyker upp i en katalog är prissättningsregeln på OrcaRouter enkel: leverantörens listpris förs vidare utan påslag, aktivt samma dag — ingen omförhandling och inget andra kontrakt. Det är samma regel som GLM-5.3 redan omfattas av på plattformen, där den nuvarande flaggskeppsmodellen levereras till $1,26 / $3,96 per miljon token (10 % lanseringsrabatt på listpriset $1,40 / $4,40), allt genom ett API för 200+ modeller. Och en oprövad modell med en färdplan så djärv som RSI är precis fallet för routing baserad på resultat snarare än namn: dirigera en del av trafiken till den nya modellen med automatisk failover till en beprövad sådan — GLM-5.3, DeepSeek V4 Pro eller GPT-5.6 Sol — så att en modell som visar sig vara överskattad degraderas till fallbacken istället för att leverera trasiga resultat. När det ännu inte finns någon GLM-6.0 att dirigera är den motsvarande förberedelsen att ha routingregeln skriven innan modellen finns.

Vad du ska titta på härnäst

• Ett releasedatum. Z.ai:s flaggskeppstakt har varit ungefär två månader mellan generationer; samtalet ger inget datum, och en "full självtränande" modell kanske inte följer en normal takt alls.

• Det första konkreta objektet: ett modellkort, ett viktsläpp eller ett API-ID. Så snart GLM-6.0 får en API-identifierare blir ryktet testbart.

• GLM-5.5:s öde. Om en GLM-5.5 dyker upp först, ändras tolkningen av färdplanen; om den förblir tyst, är "6.0 hoppade över numret" den mer sannolika historien.

• Huruvida andra labb svarar. RSI diskuteras vanligtvis i essäer, inte i resultatsamtal; om ett stort labb offentligt kopplar självträning till ett flaggskepp, slutar inramningen att vara en Z.ai-egenhet och blir en trend.

• Det första oberoende resultatet. Det nuvarande rekordet för öppna vikter på Artificial Analysis Intelligence Index är 60 (GLM-5.3, delat med Kimi K3). En GLM-6.0 som överträffar det på en oberoende topplista är det som räknas — allt innan dess är bara en färdplan.

Inget av detta är en lansering. GLM-6.0 är ett namn och en riktning, bekräftat offentligt under en resultatkonferens, och inget mer konkret finns ännu. Men riktningen är själva historien: ett stort labb med öppna vikter har offentligt satsat sitt nästa flaggskepp på att modellen ska lära sig att träna sig själv, och har i förväg namngett den svåra delen – omdöme, inte skala. Det är den typen av signal som är värd att anteckna innan den får ett releasedatum, för i samma ögonblick som GLM-6.0 får ett modellkort upphör frågan om huruvida Z.ai menar allvar och blir istället om det faktiskt fungerar.