Unterstützt die GLM-5.2-API Self-Hosting?

Ja. GLM-5.2 wird mit MIT-lizenzierten offenen Gewichten veröffentlicht, sodass Organisationen das Modell lokal bereitstellen und anpassen können.

Welche Reasoning-Modi sind in GLM-5.2 verfügbar?

GLM-5.2 bietet die Reasoning-Modi High und Max. Max ist für schwierige Coding- und Agentenaufgaben gedacht, während High Reasoning-Qualität und Effizienz ausbalanciert.

Wodurch unterscheidet sich die GLM-5.2-API von GLM-5.1?

Das größte Upgrade ist die Erweiterung des Kontextfensters von etwa 200K Tokens auf ein 1M-Token-Kontextfenster, zusammen mit verbessertem agentischem Coding und verbesserter Leistung bei Aufgaben mit langem Zeithorizont.

Ist die GLM-5.2-API für autonome Coding-Agenten geeignet?

Ja. Das Modell wurde speziell für agentische Coding-Workflows positioniert und unterstützt beliebte Coding-Agent-Ökosysteme wie Claude Code, Cline, Roo Code und OpenCode.

Wie schneidet GLM-5.2 im Vergleich zu anderen Coding-Modellen mit offenen Gewichten ab?

GLM-5.2 zeichnet sich durch die Kombination aus einem 1M-Token-Kontextfenster, MIT-Lizenz, Coding-fokussiertem Training und Unterstützung für lang laufende Agent-Workflows aus.

Wann sollten Entwickler GLM-5.2 anstelle von Claude- oder GPT-Modellen wählen?

GLM-5.2 ist besonders attraktiv für Coding-Workflows im großen Maßstab, Self-Hosting-Anforderungen und Repository-Analysen mit langem Kontext. Claude- und GPT-Modelle können in einigen Reasoning-Benchmarks weiterhin stärkere Validierung bieten.

Kann die GLM-5.2-API ein gesamtes Software-Repository in einem Prompt verarbeiten?

Ja. GLM-5.2 unterstützt ein 1,000,000-Token-Kontextfenster, wodurch viele Repositories, Dokumentationssammlungen und Entwicklungsartefakte in einen einzigen Kontext passen.

Z.AI

API live

glm-5.2

GLM 5.2 API

GLM-5.2 ist ein bedeutendes Update von Zhipu in den Bereichen der Open-Source-Großmodelle und der KI-Programmierung.

Startpreis

$1.12 / 1 Mio. Eingabe-Tokens

Nutzungsbasierte Abrechnung

API-Status

Betriebsbereit

100.0% Verfügbarkeit / 24 Std.

Antwortzeit

1899 ms

Gemessene API-Antwortzeit

Veröffentlicht

Jun 17, 2026

Z.AI

Testumgebung

Testen Sie GLM 5.2 mit einer echten Anfrage, prüfen Sie die Parameter und validieren Sie die Ausgabe vor der API-Integration.

Preisgestaltung

Nutzen Sie die obige Schnellschätzung für einen einzelnen Durchlauf und prüfen Sie anschließend den vollständigen Vergleich von CometAPI- und offiziellem Preis.

Erste Anfrage

$0.0046

Geschätzte CometAPI-Nutzungskosten

Zehn Anfragen

$0.0465

Geschätzte CometAPI-Nutzungskosten

Fünfzehn Anfragen

$0.0697

Geschätzte CometAPI-Nutzungskosten

⇌

Umrechnung von Credits

1.000 Credits = 1 $

Credits machen Budgets über Token-, Anfrage- und Laufzeitabrechnung hinweg vergleichbar. Der USD-Betrag bleibt beim Bezahlvorgang maßgeblich.

✓Aktuelles Modell in Credits

Eingabe

1,120

Credits / 1 Mio. Token

Ausgabe

3,528

Credits / 1 Mio. Token

Transparenz bei Mindestgebühren Dieser Prototyp geht nicht von einer versteckten Mindestgebühr pro Anfrage aus. Falls eine Mindestabrechnung oder eine Mindestaufladung für die produktive Nutzung gilt, muss dies vor dem Kauf angezeigt und in jede Budgetschätzung einbezogen werden.

Comet-Preis (USD / Mio. Token)	Offizieller Preis (USD / Mio. Token)	Rabatt
Eingabe: $1.12/M Ausgabe: $3.53/M	Eingabe: $1.40/M Ausgabe: $4.41/M	-20%

Modellübersicht

Eine stabile Modellidentität für Suche und Evaluierung, kombiniert mit Live-Katalogdaten, die sich ändern können, ohne die grundlegende SEO-Struktur der Seite neu schreiben zu müssen.

Stabile Identität

Was ist GLM 5.2?

GLM-5.2 ist ein bedeutendes Update von Zhipu in den Bereichen der Open-Source-Großmodelle und der KI-Programmierung.

Die kanonische Modellidentität bleibt stabil, auch wenn sich Preise und Limits ändern.

Live-Modelldaten

Aktueller Katalogstand

Verfügbarkeit

Verfügbar

Einstiegspreis

$1.12 / 1 Mio. Eingabe-Tokens

Kontext

Funktionen anzeigen

Katalogdatum

Jun 17, 2026

Playground 2.0 / Entscheidungszentrale

Zuerst entscheiden. Mit Zuversicht integrieren.

Ein zentraler Arbeitsbereich, um Modelle zu vergleichen, Prompts zu optimieren, das Routing zu prüfen, Code zu migrieren und einen getesteten Ausgangspunkt bereitzustellen.

Verankert in GLM 5.2

Workflows

Vergleichen Sie, bevor Sie sich festlegen

Führen Sie denselben Prompt mit führenden Modellen aus und erhalten Sie eine evidenzbasierte Empfehlung.

3 Modelle · 1 Durchlauf

Evaluierungs-Prompt

ProgrammierungTemperatur 0,2JSON-Ausgabe

GPT-5

OpenAI

Qualität

91/100

Latenz

1.2s

Geschätzte Kosten

$0.018

Claude Opus 5

Anthropic

KI-Auswahl

Qualität

95/100

Latenz

1.8s

Geschätzte Kosten

$0.024

Gemini 3 Pro

Google

Qualität

89/100

Latenz

0.9s

Geschätzte Kosten

$0.011

Empfehlung: Wähle Claude Opus 5 für risikoreiche Code-Reviews; leite Routineprüfungen an Gemini 3 Pro weiter, um die Kosten um ~54 % zu senken.

Überblick

Ein praktischer Überblick über GLM 5.2, einschließlich wichtigem Verhalten und Hinweisen zur Integration.

Technische Spezifikationen von GLM-5.2

Element	GLM-5.2
Anbieter	Zhipu AI
Veröffentlichungsdatum	June 13, 2026
Modelltyp	Open-Weight Mixture-of-Experts (MoE) LLM
Gesamtparameter	~744B
Aktive Parameter	~40B pro Token
Kontextfenster	1,000,000 tokens
Maximale Ausgabe	131,072 tokens
Reasoning-Modi	High, Max
Lizenz	MIT
Primärer Schwerpunkt	Agentic coding, Software Engineering, Long-Horizon Reasoning
API-Verfügbarkeit	Z.ai platform and compatible providers
Offene Gewichte	Yes

GLM-5.2 ist das neueste Flaggschiffmodell aus der GLM-Familie von Zhipu AI. Anders als allgemeine Spitzenmodelle ist GLM-5.2 in erster Linie als coding-first und agentenorientiertes Modell positioniert, das für Software-Engineering im Repository-Maßstab, autonome Workflows und extrem langkontextiges Reasoning entwickelt wurde. Sein Hauptmerkmal ist ein natives Kontextfenster mit 1 million Tokens, was es zu einem der größten öffentlich verfügbaren Kontextfenster unter Open-Weight-Modellen macht.

Hauptfunktionen von GLM-5.2

1M-Token-Kontextfenster für gesamte Repositories, umfangreiche Dokumentationssätze und Agent-Workflows über mehrere Sitzungen hinweg.
Coding-first-Optimierung mit Fokus auf Refactoring, Debugging, Codegenerierung und Software-Engineering-Aufgaben.
Unterstützung agentischer Workflows für Tools wie Claude Code, Cline, Roo Code, OpenCode und ähnliche Coding-Agents.
Open-Weight-Veröffentlichung unter MIT-Lizenz, ermöglicht Self-Hosting und Fine-Tuning.
Zwei Reasoning-Modi (High und Max), die Trade-offs zwischen Latenz und Reasoning-Tiefe erlauben.
Große MoE-Architektur mit ungefähr 744B Gesamtparametern, wobei pro Token nur ~40B aktiviert werden, um Effizienz zu erreichen.

Benchmark-Leistung von GLM-5.2

Zhipu veröffentlichte zum Start keine umfassenden offiziellen Benchmark-Ergebnisse, was direkte Benchmarks unsicherer macht als bei Modellen wie GPT-5 oder Claude. Mehrere Branchenberichte vermerken das Fehlen unabhängig validierter Benchmark-Veröffentlichungen.

Benchmark	Gemeldeter Score
Terminal-Bench 2.1	81.0
SWE-Bench Pro	62.1
NL2Repo	48.9
AIME 2026	99.2

GLM 5.2

GLM-5.2 vs GLM-5.1 vs Claude Opus 4.8

Spezifikation	GLM-5.2	GLM-5.1	Claude Opus 4.8
Veröffentlichungsdatum	2026-06-13	2026	2026
Kontextfenster	1,000,000	~200,000	1,000,000
Offene Gewichte	Yes (MIT)	Yes	No
Reasoning-Modi	High, Max	Standard	Extended Thinking
Gesamtparameter	744B	744B	Not disclosed
Aktive Parameter	40B	40B	Not disclosed
Offizielle Benchmark-Daten	Not published	Published at launch	Published

Die primär dokumentierte Verbesserung von GLM-5.2 gegenüber GLM-5.1 ist die Erweiterung auf ein 1M-Token-Kontextfenster und die Einführung der auswählbaren Reasoning-Modi High und Max. Zum Start veröffentlichte Z.ai keine offiziellen Ergebnisse für SWE-Bench, LiveCodeBench, HumanEval oder ähnliche Benchmarks, daher bleiben Leistungsvergleiche mit Claude Opus 4.8, GPT-5, DeepSeek oder Qwen-Modellen unbestätigt.

Im Vergleich zu anderen offenen Modellen ist GLM-5.2s wichtigstes Unterscheidungsmerkmal die Kombination aus sehr großem Kontextfenster, Spezialisierung auf Coding und MIT-Lizenzierung. Seine größte Attraktivität liegt beim Software-Engineering im Repository-Maßstab statt bei allgemeinen Chat-Anwendungen.

Warum GLM-5.2 über CometAPI nutzen?

CometAPI ermöglicht es Entwicklern, GLM-5.2 über dieselbe Schnittstelle zu integrieren, die für Dutzende führender KI-Modelle verwendet wird.

Vorteile umfassen:

Einheitliche Authentifizierung über mehrere Anbieter hinweg
OpenAI-kompatible API-Integration
Vereinfachtes Abrechnungs- und Nutzungsmanagement
Schnelle Experimente mit alternativen Modellen
Einfaches Umschalten zwischen Coding-, Reasoning-, Bild-, Audio- und Videomodellen
Geringere Anbieterbindung für produktive Systeme

Egal, ob Sie eine KI-IDE, einen internen Engineering-Assistenten oder eine Enterprise-Automatisierungsplattform aufbauen, CometAPI minimiert den Integrationsaufwand und erhält zugleich die Flexibilität.

So greifen Sie auf die GLM-5.2-API über CometAPI zu

Starten Sie mit unserem Produkt in nur wenigen einfachen Schritten...

Schritt 1: Melden Sie sich für Ihren GLM-5.2-API-Schlüssel an

Erstellen Sie ein Konto auf CometAPI und navigieren Sie zum API-Dashboard, um Ihren GLM-5.2-API-Schlüssel zu generieren. Dieser Schlüssel authentifiziert all Ihre Anfragen und gibt Ihnen unmittelbaren Zugriff auf die vollständigen Fähigkeiten der GLM-5.2-API, einschließlich des 1M-Token-Kontextfensters und 128k Ausgabetokens.

Schritt 2: Senden Sie Anfragen an die GLM-5.2-API

Verwenden Sie Ihren GLM-5.2-API-Schlüssel, um POST-Anfragen an den CometAPI-Endpunkt zu senden. Übergeben Sie Ihren Prompt, setzen Sie Modellparameter wie Aufwandsstufe und maximale Token, und die GLM-5.2-API verarbeitet Ihre Anfrage — von Codegenerierung über Dokumentenanalyse bis hin zur agentischen Tool-Nutzung.

Schritt 3: Ergebnisse abrufen und GLM-5.2-API integrieren

Die GLM-5.2-API liefert strukturierte Antworten, einschließlich Completion-Text, Anweisungen zum Tool-Calling und Metadaten zur Token-Nutzung. Sie unterstützt sowohl standardmäßige synchrone Antworten als auch Echtzeit-Streaming via Server-Sent Events (SSE), wenn stream: true konfiguriert ist. Der Endpunkt lässt sich leicht in Ihre bestehenden Workflows integrieren, indem Sie Anfragen über url(//api.cometapi.com/v1) mit Ihrem Bearer Token routen, unter Verwendung gängiger HTTP-Clients oder OpenAI-kompatibler SDKs.

FAQ

Modell-Entscheidungszentrum

Kosten kennen. Die passende Arbeitslast wählen.

Modellieren Sie die fünf Abrechnungsdimensionen, testen Sie eine realistische Arbeitslast und entscheiden Sie vor der Bereitstellung, wo sich der Aufpreis für Opus lohnt.

20 % unter dem offiziellen Preis$1.12 gegenüber $1.40 / 1 Mio. Eingabetoken

Kostenlabor

Kosten eines echten Agentenlaufs berechnen

Spielen Sie reale Workloads erneut ab, anstatt Token-Preise isoliert zu vergleichen. Laden Sie eine Voreinstellung und passen Sie anschließend jede Abrechnungsdimension an.

Neue Eingabetoken

Token

Cache-Lesetoken

Token

Ausgabetoken

Token

$1.12

/ 1 Mio. Tokens

Eingabe

Neue Anweisungen, Dateien und Gesprächskontext, die bei jedem Durchlauf gesendet werden.

Kürzen Sie den abgerufenen Kontext, bevor er das Modell erreicht.

$0.2240

/ 1 Mio. Tokens

Cache-Lesezugriff

Zuvor zwischengespeicherte Prompt-Tokens, die in späteren Anfragen wiederverwendet werden.

Halten Sie System-Prompts und Repository-Übersichten byteidentisch.

$3.53

/ 1 Mio. Tokens

Ausgabe

Vom Modell generierte Schlussfolgerungen, Codes und Texte.

Verwenden Sie eindeutige Abschlusskriterien und Ausgabelimits.

Wo Opus den Aufpreis wert ist

Am besten geeignet

Softwareentwicklung auf Repository-Ebene

Verwenden Sie Opus, wenn die Aufgabe Architektur, mehrere Dateien und mehrdeutige Abwägungen bei der Implementierung umfasst.

Am besten geeignet

Lang laufende Agenten

Eine ausgezeichnete Wahl, wenn ein Agent die ursprüngliche Absicht über viele Tool-Aufrufe und Wiederherstellungsschritte hinweg bewahren muss.

Den Aufpreis wert

Review mit hoher Bedeutung

Setzen Sie es gezielt für Sicherheits-, Migrations- und Produktionsreviews ein, bei denen ein übersehenes Problem mehr kostet als die Token.

Ein leichteres Modell verwenden

Routinemäßige Aufgaben mit hohem Volumen

Klassifizierung, Extraktion und einfache Chats erzielen mit Sonnet oder Haiku in der Regel eine bessere Wirtschaftlichkeit pro Einheit.

Leitfaden für den Prompt-Cache

Präfix stabilisieren

Lassen Sie Richtlinien, Tool-Schemata und Repository-Übersichten unverändert.

Einmal schreiben

Platzieren Sie den Cache-Haltepunkt hinter dem wiederverwendbaren Kontext.

Wiederholt lesen

Hängen Sie in späteren Durchgängen nur die aufgabenspezifischen Änderungen an.

Aktuelles Szenario

240K zwischengespeicherte Tokens

zu 10 % des Preises für neue Eingaben wiederverwendet

vermiedene Kosten

$0.2150

Migration ohne Neuentwicklung

Behalten Sie Ihr bevorzugtes SDK bei und ändern Sie die Basis-URL, den Schlüssel und die Modell-ID.

messages.ts

import Anthropic from '@anthropic-ai/sdk';

const client = new Anthropic({
  apiKey: process.env.COMETAPI_KEY,
  baseURL: 'https://api.cometapi.com',
});

const message = await client.messages.create({
  model: 'glm-5.2',
  max_tokens: 4096,
  messages: [{ role: 'user', content: 'Review this change.' }],
});

API

Kopieren Sie einen funktionierenden Endpunkt und ein Codebeispiel; öffnen Sie bei Bedarf die vollständige API-Referenz für alle Parameter.

Eine API, produktionsreifer Modellzugriff

Einmal authentifizieren, den Modell-Endpunkt aufrufen und denselben Abrechnungs- und Monitoring-Workflow anbieterübergreifend beibehalten.

POST/v1/chat/completions

Beispielcode und API für GLM 5.2

Greifen Sie auf umfassende Beispielcodes und API-Ressourcen für GLM 5.2 zu, um Ihren Integrationsprozess zu optimieren. Unsere detaillierte Dokumentation bietet schrittweise Anleitungen und hilft Ihnen dabei, das volle Potenzial von GLM 5.2 in Ihren Projekten zu nutzen.

POST

/v1/chat/completions

# Get your CometAPI key from https://www.cometapi.com/console/token

response=$(curl -s https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks."
      },
      {
        "role": "user",
        "content": "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "reasoning_effort": "max",
    "max_tokens": 65536,
    "temperature": 1.0
  }')

printf '%s
' "$response" | python -c 'import json, sys; message = json.load(sys.stdin)["choices"][0]["message"]; print(message.get("content") or message)'

cURL Code Example

# Get your CometAPI key from https://www.cometapi.com/console/token

response=$(curl -s https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks."
      },
      {
        "role": "user",
        "content": "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "reasoning_effort": "max",
    "max_tokens": 65536,
    "temperature": 1.0
  }')

printf '%s\n' "$response" | python -c 'import json, sys; message = json.load(sys.stdin)["choices"][0]["message"]; print(message.get("content") or message)'

Python Code Example

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="glm-5.2",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior full-stack software engineer who is skilled at "
                "frontend development, backend architecture, and modern web stacks."
            ),
        },
        {
            "role": "user",
            "content": (
                "Design and implement a personal blog website with a home page, "
                "article list, and article detail page using React and Node.js."
            ),
        },
    ],
    temperature=1.0,
    max_tokens=65536,
    reasoning_effort="max",
    extra_body={"thinking": {"type": "enabled"}},
)

print(completion.choices[0].message.content)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://www.cometapi.com/console/token
const COMETAPI_KEY = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const BASE_URL = "https://api.cometapi.com/v1";

const client = new OpenAI({
  apiKey: COMETAPI_KEY,
  baseURL: BASE_URL,
});

const completion = await client.chat.completions.create({
  model: "glm-5.2",
  messages: [
    {
      role: "system",
      content:
        "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks.",
    },
    {
      role: "user",
      content:
        "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js.",
    },
  ],
  thinking: { type: "enabled" },
  reasoning_effort: "max",
  max_tokens: 65536,
  temperature: 1.0,
});

console.log(completion.choices[0].message.content);

Fähigkeiten

Prüfen Sie die wichtigsten Modellfakten, bevor Sie eine Architektur wählen oder die Produktionslast abschätzen.

Unterstützte Funktionen

Von der bestehenden Modell-API zurückgegebene Funktionen.

text-to-text

Eingabe und Ausgabe

Eingaben

text

Ausgaben

text

Produktionsprofil

Anbieter: Z.AI
Kontext: Modellabhängig
Kommerzielle Nutzung: Unterstützt

Anwendungsfälle

Nutzen Sie GLM 5.2 für Produktions-Workflows entsprechend seiner text-Fähigkeiten und vergleichen Sie Alternativen vor einer langfristigen Integration.

Produktions-Chat und Agenten-Workflows

Programmierung, Analyse und strukturierte Generierung

Umfangreiche Automatisierung über eine API

Weitere Modelle

Vergleichen Sie weitere über CometAPI verfügbare Modelle hinsichtlich Qualität, Latenz, Funktionsumfang und Preis.

Modellvergleich öffnen →

CometAPI

AUTO

CometAPI Auto API is an intelligent model routing feature that allows developers to access the appropriate AI model without specifying a specific model ID for each request.

Modell ansehen

Hunyuan

Hy 4

Tencent Hy4 ist ein Large Language Model der nächsten Generation, das vom Hunyuan-Team von Tencent entwickelt wurde und für komplexes Schlussfolgern, agentenbasierte Workflows, Softwareentwicklung sowie Produktivitätsaufgaben in der realen Welt konzipiert ist.

Modell ansehen

OpenAI

GPT 6.2 Sol

GPT 6.2 Sol-API entdecken.

Modell ansehen

OpenAI

GPT 6.1 Terra

GPT-6.1 Terra ist ein schnelles, kosteneffizientes OpenAI-Modell, das darauf ausgelegt ist, visuelles Verständnis, präzise Computernutzung und klare Formulierungen zu vereinen.

Modell ansehen

Moonshot AI

Kimi K3.1 Pro

Kimi K3.1 Pro und Kimi K3.1 Pro Highspeed sind zwei Serving-Varianten von Moonshot AIs Flaggschiff, dem multimodalen Reasoning-Modell K3.1 Pro.

Modell ansehen

Verfügbarkeit

Prüfen Sie Live-Heartbeat-Daten, Endpunktverfügbarkeit und gemessene Antwortzeiten vor dem Produktivbetrieb.

Verfügbarkeit

Anfrageerfolgsrate der letzten 30 Tage, die die Zuverlässigkeit jedes Modellanbieters widerspiegelt. CometAPI überwacht alle verbundenen Anbieter rund um die Uhr in Echtzeit.

RespondLIVE

1899msAvg. Response

UptimeLIVE

100.0%Avg. Uptime

Aktualisierungen

Verfolgen Sie relevante Änderungen bei Verfügbarkeit, Preisen und Funktionen von GLM 5.2, ohne die stabile Modellseite zu verlieren.

Modelländerungsprotokoll

Eine Seite, die mit der Zeit immer besser wird.

Versionshinweise, Preisänderungen, Benchmark-Aktualisierungen und Migrationsanleitungen werden hier gesammelt, während die kanonische URL unverändert bleibt.

Jun 17, 2026

API-Verfügbarkeit bestätigt

GLM 5.2 ist über den CometAPI-Modellkatalog und die API-Dokumentation verfügbar.

Aktuell

Live-Daten

Preise und Limits mit dem Katalog synchronisiert

Preis, Kontext, Verfügbarkeit und Limits werden als dynamische Eigenschaften behandelt, anstatt in den Seitentitel oder die Modellidentität eingebettet zu werden.

Jun 15, 2026

Dauerhafte Modellinstanz erstellt

Der Anbieter und der Modell-Slug bilden eine dauerhafte kanonische URL; zukünftige Inhalts- und Datenaktualisierungen bleiben auf dieser Seite.

Weiter erkunden

Modelle vergleichen und Ihre Recherche fortsetzen

Z.AI

API live

glm-5.2

GLM 5.2 API

GLM-5.2 ist ein bedeutendes Update von Zhipu in den Bereichen der Open-Source-Großmodelle und der KI-Programmierung.

Startpreis

$1.12 / 1 Mio. Eingabe-Tokens

Nutzungsbasierte Abrechnung

API-Status

Betriebsbereit

100.0% Verfügbarkeit / 24 Std.

Antwortzeit

1899 ms

Gemessene API-Antwortzeit

Veröffentlicht

Jun 17, 2026

Z.AI

Testumgebung

Testen Sie GLM 5.2 mit einer echten Anfrage, prüfen Sie die Parameter und validieren Sie die Ausgabe vor der API-Integration.

Preisgestaltung

Nutzen Sie die obige Schnellschätzung für einen einzelnen Durchlauf und prüfen Sie anschließend den vollständigen Vergleich von CometAPI- und offiziellem Preis.

Erste Anfrage

$0.0046

Geschätzte CometAPI-Nutzungskosten

Zehn Anfragen

$0.0465

Geschätzte CometAPI-Nutzungskosten

Fünfzehn Anfragen

$0.0697

Geschätzte CometAPI-Nutzungskosten

⇌

Umrechnung von Credits

1.000 Credits = 1 $

Credits machen Budgets über Token-, Anfrage- und Laufzeitabrechnung hinweg vergleichbar. Der USD-Betrag bleibt beim Bezahlvorgang maßgeblich.

✓Aktuelles Modell in Credits

Eingabe

1,120

Credits / 1 Mio. Token

Ausgabe

3,528

Credits / 1 Mio. Token

Comet-Preis (USD / Mio. Token)	Offizieller Preis (USD / Mio. Token)	Rabatt
Eingabe: $1.12/M Ausgabe: $3.53/M	Eingabe: $1.40/M Ausgabe: $4.41/M	-20%

Modellübersicht

Eine stabile Modellidentität für Suche und Evaluierung, kombiniert mit Live-Katalogdaten, die sich ändern können, ohne die grundlegende SEO-Struktur der Seite neu schreiben zu müssen.

Stabile Identität

Was ist GLM 5.2?

GLM-5.2 ist ein bedeutendes Update von Zhipu in den Bereichen der Open-Source-Großmodelle und der KI-Programmierung.

Die kanonische Modellidentität bleibt stabil, auch wenn sich Preise und Limits ändern.

Live-Modelldaten

Aktueller Katalogstand

Verfügbarkeit

Verfügbar

Einstiegspreis

$1.12 / 1 Mio. Eingabe-Tokens

Kontext

Funktionen anzeigen

Katalogdatum

Jun 17, 2026

Playground 2.0 / Entscheidungszentrale

Zuerst entscheiden. Mit Zuversicht integrieren.

Ein zentraler Arbeitsbereich, um Modelle zu vergleichen, Prompts zu optimieren, das Routing zu prüfen, Code zu migrieren und einen getesteten Ausgangspunkt bereitzustellen.

Verankert in GLM 5.2

Workflows

Vergleichen Sie, bevor Sie sich festlegen

Führen Sie denselben Prompt mit führenden Modellen aus und erhalten Sie eine evidenzbasierte Empfehlung.

3 Modelle · 1 Durchlauf

Evaluierungs-Prompt

ProgrammierungTemperatur 0,2JSON-Ausgabe

GPT-5

OpenAI

Qualität

91/100

Latenz

1.2s

Geschätzte Kosten

$0.018

Claude Opus 5

Anthropic

KI-Auswahl

Qualität

95/100

Latenz

1.8s

Geschätzte Kosten

$0.024

Gemini 3 Pro

Google

Qualität

89/100

Latenz

0.9s

Geschätzte Kosten

$0.011

Empfehlung: Wähle Claude Opus 5 für risikoreiche Code-Reviews; leite Routineprüfungen an Gemini 3 Pro weiter, um die Kosten um ~54 % zu senken.

Überblick

Ein praktischer Überblick über GLM 5.2, einschließlich wichtigem Verhalten und Hinweisen zur Integration.

Technische Spezifikationen von GLM-5.2

Element	GLM-5.2
Anbieter	Zhipu AI
Veröffentlichungsdatum	June 13, 2026
Modelltyp	Open-Weight Mixture-of-Experts (MoE) LLM
Gesamtparameter	~744B
Aktive Parameter	~40B pro Token
Kontextfenster	1,000,000 tokens
Maximale Ausgabe	131,072 tokens
Reasoning-Modi	High, Max
Lizenz	MIT
Primärer Schwerpunkt	Agentic coding, Software Engineering, Long-Horizon Reasoning
API-Verfügbarkeit	Z.ai platform and compatible providers
Offene Gewichte	Yes

Hauptfunktionen von GLM-5.2

1M-Token-Kontextfenster für gesamte Repositories, umfangreiche Dokumentationssätze und Agent-Workflows über mehrere Sitzungen hinweg.
Coding-first-Optimierung mit Fokus auf Refactoring, Debugging, Codegenerierung und Software-Engineering-Aufgaben.
Unterstützung agentischer Workflows für Tools wie Claude Code, Cline, Roo Code, OpenCode und ähnliche Coding-Agents.
Open-Weight-Veröffentlichung unter MIT-Lizenz, ermöglicht Self-Hosting und Fine-Tuning.
Zwei Reasoning-Modi (High und Max), die Trade-offs zwischen Latenz und Reasoning-Tiefe erlauben.
Große MoE-Architektur mit ungefähr 744B Gesamtparametern, wobei pro Token nur ~40B aktiviert werden, um Effizienz zu erreichen.

Benchmark-Leistung von GLM-5.2

Benchmark	Gemeldeter Score
Terminal-Bench 2.1	81.0
SWE-Bench Pro	62.1
NL2Repo	48.9
AIME 2026	99.2

GLM 5.2

GLM-5.2 vs GLM-5.1 vs Claude Opus 4.8

Spezifikation	GLM-5.2	GLM-5.1	Claude Opus 4.8
Veröffentlichungsdatum	2026-06-13	2026	2026
Kontextfenster	1,000,000	~200,000	1,000,000
Offene Gewichte	Yes (MIT)	Yes	No
Reasoning-Modi	High, Max	Standard	Extended Thinking
Gesamtparameter	744B	744B	Not disclosed
Aktive Parameter	40B	40B	Not disclosed
Offizielle Benchmark-Daten	Not published	Published at launch	Published

Warum GLM-5.2 über CometAPI nutzen?

CometAPI ermöglicht es Entwicklern, GLM-5.2 über dieselbe Schnittstelle zu integrieren, die für Dutzende führender KI-Modelle verwendet wird.

Vorteile umfassen:

Einheitliche Authentifizierung über mehrere Anbieter hinweg
OpenAI-kompatible API-Integration
Vereinfachtes Abrechnungs- und Nutzungsmanagement
Schnelle Experimente mit alternativen Modellen
Einfaches Umschalten zwischen Coding-, Reasoning-, Bild-, Audio- und Videomodellen
Geringere Anbieterbindung für produktive Systeme

So greifen Sie auf die GLM-5.2-API über CometAPI zu

Starten Sie mit unserem Produkt in nur wenigen einfachen Schritten...

Schritt 1: Melden Sie sich für Ihren GLM-5.2-API-Schlüssel an

Schritt 2: Senden Sie Anfragen an die GLM-5.2-API

Schritt 3: Ergebnisse abrufen und GLM-5.2-API integrieren

FAQ

Modell-Entscheidungszentrum

Kosten kennen. Die passende Arbeitslast wählen.

Modellieren Sie die fünf Abrechnungsdimensionen, testen Sie eine realistische Arbeitslast und entscheiden Sie vor der Bereitstellung, wo sich der Aufpreis für Opus lohnt.

20 % unter dem offiziellen Preis$1.12 gegenüber $1.40 / 1 Mio. Eingabetoken

Kostenlabor

Kosten eines echten Agentenlaufs berechnen

Spielen Sie reale Workloads erneut ab, anstatt Token-Preise isoliert zu vergleichen. Laden Sie eine Voreinstellung und passen Sie anschließend jede Abrechnungsdimension an.

Neue Eingabetoken

Token

Cache-Lesetoken

Token

Ausgabetoken

Token

$1.12

/ 1 Mio. Tokens

Eingabe

Neue Anweisungen, Dateien und Gesprächskontext, die bei jedem Durchlauf gesendet werden.

Kürzen Sie den abgerufenen Kontext, bevor er das Modell erreicht.

$0.2240

/ 1 Mio. Tokens

Cache-Lesezugriff

Zuvor zwischengespeicherte Prompt-Tokens, die in späteren Anfragen wiederverwendet werden.

Halten Sie System-Prompts und Repository-Übersichten byteidentisch.

$3.53

/ 1 Mio. Tokens

Ausgabe

Vom Modell generierte Schlussfolgerungen, Codes und Texte.

Verwenden Sie eindeutige Abschlusskriterien und Ausgabelimits.

Wo Opus den Aufpreis wert ist

Am besten geeignet

Softwareentwicklung auf Repository-Ebene

Verwenden Sie Opus, wenn die Aufgabe Architektur, mehrere Dateien und mehrdeutige Abwägungen bei der Implementierung umfasst.

Am besten geeignet

Lang laufende Agenten

Eine ausgezeichnete Wahl, wenn ein Agent die ursprüngliche Absicht über viele Tool-Aufrufe und Wiederherstellungsschritte hinweg bewahren muss.

Den Aufpreis wert

Review mit hoher Bedeutung

Setzen Sie es gezielt für Sicherheits-, Migrations- und Produktionsreviews ein, bei denen ein übersehenes Problem mehr kostet als die Token.

Ein leichteres Modell verwenden

Routinemäßige Aufgaben mit hohem Volumen

Klassifizierung, Extraktion und einfache Chats erzielen mit Sonnet oder Haiku in der Regel eine bessere Wirtschaftlichkeit pro Einheit.

Leitfaden für den Prompt-Cache

Präfix stabilisieren

Lassen Sie Richtlinien, Tool-Schemata und Repository-Übersichten unverändert.

Einmal schreiben

Platzieren Sie den Cache-Haltepunkt hinter dem wiederverwendbaren Kontext.

Wiederholt lesen

Hängen Sie in späteren Durchgängen nur die aufgabenspezifischen Änderungen an.

Aktuelles Szenario

240K zwischengespeicherte Tokens

zu 10 % des Preises für neue Eingaben wiederverwendet

vermiedene Kosten

$0.2150

Migration ohne Neuentwicklung

Behalten Sie Ihr bevorzugtes SDK bei und ändern Sie die Basis-URL, den Schlüssel und die Modell-ID.

messages.ts

import Anthropic from '@anthropic-ai/sdk';

const client = new Anthropic({
  apiKey: process.env.COMETAPI_KEY,
  baseURL: 'https://api.cometapi.com',
});

const message = await client.messages.create({
  model: 'glm-5.2',
  max_tokens: 4096,
  messages: [{ role: 'user', content: 'Review this change.' }],
});

API

Kopieren Sie einen funktionierenden Endpunkt und ein Codebeispiel; öffnen Sie bei Bedarf die vollständige API-Referenz für alle Parameter.

Eine API, produktionsreifer Modellzugriff

Einmal authentifizieren, den Modell-Endpunkt aufrufen und denselben Abrechnungs- und Monitoring-Workflow anbieterübergreifend beibehalten.

POST/v1/chat/completions

Beispielcode und API für GLM 5.2

POST

/v1/chat/completions

# Get your CometAPI key from https://www.cometapi.com/console/token

response=$(curl -s https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks."
      },
      {
        "role": "user",
        "content": "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "reasoning_effort": "max",
    "max_tokens": 65536,
    "temperature": 1.0
  }')

printf '%s
' "$response" | python -c 'import json, sys; message = json.load(sys.stdin)["choices"][0]["message"]; print(message.get("content") or message)'

cURL Code Example

# Get your CometAPI key from https://www.cometapi.com/console/token

response=$(curl -s https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "glm-5.2",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks."
      },
      {
        "role": "user",
        "content": "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "reasoning_effort": "max",
    "max_tokens": 65536,
    "temperature": 1.0
  }')

printf '%s\n' "$response" | python -c 'import json, sys; message = json.load(sys.stdin)["choices"][0]["message"]; print(message.get("content") or message)'

Python Code Example

from openai import OpenAI
import os

# Get your CometAPI key from https://www.cometapi.com/console/token
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="glm-5.2",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a senior full-stack software engineer who is skilled at "
                "frontend development, backend architecture, and modern web stacks."
            ),
        },
        {
            "role": "user",
            "content": (
                "Design and implement a personal blog website with a home page, "
                "article list, and article detail page using React and Node.js."
            ),
        },
    ],
    temperature=1.0,
    max_tokens=65536,
    reasoning_effort="max",
    extra_body={"thinking": {"type": "enabled"}},
)

print(completion.choices[0].message.content)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://www.cometapi.com/console/token
const COMETAPI_KEY = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const BASE_URL = "https://api.cometapi.com/v1";

const client = new OpenAI({
  apiKey: COMETAPI_KEY,
  baseURL: BASE_URL,
});

const completion = await client.chat.completions.create({
  model: "glm-5.2",
  messages: [
    {
      role: "system",
      content:
        "You are a senior full-stack software engineer who is skilled at frontend development, backend architecture, and modern web stacks.",
    },
    {
      role: "user",
      content:
        "Design and implement a personal blog website with a home page, article list, and article detail page using React and Node.js.",
    },
  ],
  thinking: { type: "enabled" },
  reasoning_effort: "max",
  max_tokens: 65536,
  temperature: 1.0,
});

console.log(completion.choices[0].message.content);

Fähigkeiten

Prüfen Sie die wichtigsten Modellfakten, bevor Sie eine Architektur wählen oder die Produktionslast abschätzen.

Unterstützte Funktionen

Von der bestehenden Modell-API zurückgegebene Funktionen.

text-to-text

Eingabe und Ausgabe

Eingaben

text

Ausgaben

text

Produktionsprofil

Anbieter: Z.AI
Kontext: Modellabhängig
Kommerzielle Nutzung: Unterstützt

Anwendungsfälle

Nutzen Sie GLM 5.2 für Produktions-Workflows entsprechend seiner text-Fähigkeiten und vergleichen Sie Alternativen vor einer langfristigen Integration.

Produktions-Chat und Agenten-Workflows

Programmierung, Analyse und strukturierte Generierung

Umfangreiche Automatisierung über eine API

Weitere Modelle

Vergleichen Sie weitere über CometAPI verfügbare Modelle hinsichtlich Qualität, Latenz, Funktionsumfang und Preis.

Modellvergleich öffnen →

CometAPI

AUTO

CometAPI Auto API is an intelligent model routing feature that allows developers to access the appropriate AI model without specifying a specific model ID for each request.

GPT 6.2 Sol-API entdecken.

Modell ansehen

OpenAI

GPT 6.1 Terra

GPT-6.1 Terra ist ein schnelles, kosteneffizientes OpenAI-Modell, das darauf ausgelegt ist, visuelles Verständnis, präzise Computernutzung und klare Formulierungen zu vereinen.

Modell ansehen

Moonshot AI

Kimi K3.1 Pro

Kimi K3.1 Pro und Kimi K3.1 Pro Highspeed sind zwei Serving-Varianten von Moonshot AIs Flaggschiff, dem multimodalen Reasoning-Modell K3.1 Pro.

Modell ansehen

Verfügbarkeit

Prüfen Sie Live-Heartbeat-Daten, Endpunktverfügbarkeit und gemessene Antwortzeiten vor dem Produktivbetrieb.

Verfügbarkeit

Anfrageerfolgsrate der letzten 30 Tage, die die Zuverlässigkeit jedes Modellanbieters widerspiegelt. CometAPI überwacht alle verbundenen Anbieter rund um die Uhr in Echtzeit.

RespondLIVE

1899msAvg. Response

UptimeLIVE

100.0%Avg. Uptime

Aktualisierungen

Verfolgen Sie relevante Änderungen bei Verfügbarkeit, Preisen und Funktionen von GLM 5.2, ohne die stabile Modellseite zu verlieren.

Modelländerungsprotokoll

Eine Seite, die mit der Zeit immer besser wird.

Versionshinweise, Preisänderungen, Benchmark-Aktualisierungen und Migrationsanleitungen werden hier gesammelt, während die kanonische URL unverändert bleibt.

Jun 17, 2026

API-Verfügbarkeit bestätigt

GLM 5.2 ist über den CometAPI-Modellkatalog und die API-Dokumentation verfügbar.

Aktuell

Live-Daten

Preise und Limits mit dem Katalog synchronisiert

Preis, Kontext, Verfügbarkeit und Limits werden als dynamische Eigenschaften behandelt, anstatt in den Seitentitel oder die Modellidentität eingebettet zu werden.

Jun 15, 2026

Dauerhafte Modellinstanz erstellt

Der Anbieter und der Modell-Slug bilden eine dauerhafte kanonische URL; zukünftige Inhalts- und Datenaktualisierungen bleiben auf dieser Seite.

Weiter erkunden