Unzensierte GLM-API: der beste Gegenwert pro Token

Die meisten Vergleiche zum „günstigsten Modell“ sind unredlich, weil die günstige Option meist ein kleines Modell im Marketingmantel eines großen ist. Das ist hier nicht der Fall. GLM-5.2 ist eines der größten offenen Fundamente, die je jemand veröffentlicht hat, und mit $0.73 rein / $2.34 raus liegt es eine Stufe über der Untergrenze unseres Katalogs, während es ein Fundament trägt, das um ein Vielfaches größer ist als das, was man an dieser Untergrenze sonst bekommt. Diese Lücke — großes Modell, Preis nahe der Untergrenze — ist der Grund, warum es diese Seite gibt.

01Woher GLM kommt: Tsinghua, Blank Infilling und eine harte Wende zu Agenten

GLM ist kein umetikettiertes Llama-Derivat. Es ist eine der wenigen Modellfamilien mit einem eigenen Pretraining-Ziel, seit fünf Jahren von derselben Forschungsgruppe weiterentwickelt. Der Name steht für General Language Model, und die Gründungsarbeit — GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 — schlug eine dritte Option neben BERTs Masked Language Modeling und GPTs striktem Links-nach-rechts-Autoregressiv vor. GLM leert zusammenhängende Spannen und erzeugt sie autoregressiv in gemischter Reihenfolge neu, mit zweidimensionalen Positionskodierungen, die sowohl die Position eines Tokens im beschädigten Dokument als auch seine Position innerhalb der gefüllten Spanne verfolgen: eine Architektur, die Verstehen und Generieren gleich gut beherrscht.

Dahinter stand die Knowledge Engineering Group der Tsinghua-Universität, aus der das Unternehmen hervorging, das heute als Z.ai bekannt ist (früher Zhipu AI). Sein erstes Aushängeschild war GLM-130B im Oktober 2022 — ein zweisprachiges englisch-chinesisches dichtes Modell mit 130 Milliarden Parametern, dessen Gewichte und Code zum Zeitpunkt der Veröffentlichung öffentlich freigegeben wurden. Offene Veröffentlichung ist seither Hausstil.

Die MoE-Ära und die Wende zu Agenten

Der rote Faden zählt mehr als jedes einzelne Release. Seit GLM-4.5 ist jede Version auf dasselbe hin optimiert: über Dutzende Tool-Aufrufe hinweg kohärent zu bleiben. Das ist ein anderes Ziel als das Maximieren von Benchmark-Werten in einer einzigen Runde, und es zeigt sich in weniger fehlerhaften Tool-Argumenten, weniger Drift in einem langen Plan und weniger von dem Verhalten, in Runde 14 selbstbewusst die Aufgabe neu zu beginnen, das Agenten-Frameworks teuer macht.

02Was GLM-5.2 ist und woran es gemessen wurde

Z.ai veröffentlicht Benchmark-Zahlen für GLM-5.2 im GLM-5-Repository. Zwei davon bilden echte agentische Arbeit ab und nicht Faktenabfrage:

Terminal-Bench 2.1 — Kommandozeilen-Agentenaufgaben über lange Horizonte. Von Z.ai berichtet.

SWE-bench Pro — Lösen echter Repository-Issues. Von Z.ai berichtet; GLM-5.1 erreichte im selben Test 58.4.

Das sind die Zahlen des Labors, nicht unsere, und sie beschreiben das unkomprimierte Fundament. Sie legen die Klasse des Modells fest, mit dem Sie es zu tun haben, keine Garantie.

Ein Datenpunkt wiegt schwerer als ein Benchmark, weil er von einer Instanz kommt, die keinen Anreiz hat, dem Modell zu schmeicheln. Im Juli 2026 bewertete das Center for AI Standards and Innovation des US-amerikanischen National Institute of Standards and Technology GLM-5.2 und kam zu dem Schluss, es sei zum Zeitpunkt seiner Veröffentlichung vermutlich das leistungsfähigste verfügbare KI-Modell mit offenen Gewichten gewesen, mit Gesamtfähigkeiten vergleichbar mit GPT-5.2 und Cyber-Fähigkeiten vergleichbar mit Claude Opus 4.6. Dieselbe Bewertung stellte fest, dass GLM-5.2 weniger heikle Anfragen blockiert als US-Referenzmodelle und dass in offene Gewichte eingebackene Schutzmechanismen umgangen werden können, sobald diese Gewichte selbst gehostet werden. Abschnitt 05 kommt darauf zurück.

03Was „3BIT-REAP“ bedeutet und was es Sie kostet

REAP: Experten entfernen statt verschmelzen

Ein MoE-Modell mit 744 Mrd. Parametern hat 256 Experten pro Schicht, von denen 8 bei einem gegebenen Token feuern. Der Router verteilt die Arbeit nicht gleichmäßig — manche Experten werden ständig getroffen, und ein langer Schwanz wird selten getroffen und trägt dann wenig bei. REAP (Router-weighted Expert Activation Pruning) von Cerebras Research, angenommen auf der ICLR 2026, nutzt genau das: Es bewertet jeden Experten mit einem Saliency-Kriterium, das wie stark und wie oft der Router ihn ansteuert mit der Größenordnung seines Ausgabebeitrags kombiniert, und entfernt die schwach bewerteten dauerhaft.

Interessant ist der Vergleich, den REAP gewinnt. Die naheliegende Alternative zum Entfernen eines Experten ist, ihn in einen Überlebenden zu verschmelzen, was sicherer klingt. Der Befund der Arbeit über MoE-Modelle von 20 Mrd. bis 1 Bio. Parametern lautet, dass Verschmelzen für generative Arbeit tatsächlich schlechter ist und Pruning bemerkenswert gut hält: nahezu verlustfrei bei Benchmarks zu Codegenerierung und Tool-Calling, selbst nachdem die Hälfte der Experten entfernt wurde, auf Fundamenten wie Qwen3-Coder-480B und Kimi-K2. Dass Code und Tool-Calling intakt bleiben, ist genau das, was man auf einem Modell erhalten will, dessen Daseinsgrund agentisches Engineering ist.

3-Bit-Gewichte und der ehrliche Kompromiss

Zusätzlich zum Pruning werden die verbliebenen Gewichte mit 3 Bit gespeichert — aggressiver als die Stufen W4A16-AUTOROUND-REAP und W8A16 anderswo in unserem Katalog und den größten Fundamenten vorbehalten, bei denen es keinen anderen Weg gibt, ein Modell mit drei Vierteln einer Billion Parametern auf einen Serving-Knoten zu bekommen und die Token in brauchbarem Tempo fließen zu lassen.

Kompression ist nicht kostenlos. Das richtige Denkmodell: Pruning und Quantisierung verschlechtern zuerst den langen Schwanz. Dichte, häufig geübte Verhaltensweisen — Instruktionsbefolgung, Codestruktur, Formatierung von Tool-Aufrufen, mehrstufiges Planen — überstehen das gut, und genau das zeigen die REAP-Ergebnisse. Obskures Faktenwissen, seltene Sprachen und Nischentrivia sind die Stellen, an denen Sie einen Unterschied zu einem unkomprimierten GLM-5.2 erwarten sollten. Wenn Ihre Arbeitslast heißt „eine ungewöhnliche Tatsache aus dem Stand kennen“, zahlen Sie für eine Stufe mit höherer Treue. Wenn sie heißt „einen Plan über vierzig Tool-Aufrufe hinweg durchziehen, ohne aus der Spur zu geraten“, ist das die Stufe, für die die Methode entworfen wurde.

04Der Preis-Leistungs-Fall: was eine günstige unzensierte LLM-API im Betrieb wirklich kostet

Der von Z.ai selbst veröffentlichte API-Listenpreis für GLM-5.2 liegt bei $1.40 pro Million Eingabetoken und $4.40 pro Million Ausgabe. Unser Preis auf demselben Fundament ist $0.73 / $2.34 — rund 48% weniger bei der Eingabe und 47% weniger bei der Ausgabe. Diesen Abschlag erkauft die Kompression, und dazu kommt etwas Zweites, das Sie beim Erstanbieter zu keinem Preis bekommen: keine Ablehnungsschicht.

Innerhalb unseres eigenen Katalogs zählt der Mischpreis. Hier ist er bei einem Eingabe-Ausgabe-Verhältnis von 3:1, ungefähr so, wie ein Tool-Calling-Agent in der Praxis aussieht — viel Kontext und viele Tool-Ergebnisse hinein, vergleichsweise wenige Token hinaus.

Modell	Rein / 1 Mio.	Raus / 1 Mio.	Misch 3:1	Vision
GLM-5.2 · 3BIT-REAP	$0.73	$2.34	$1.13	Nein
Nemotron3Ultra · 3BIT-REAP	$0.75	$3.30	$1.39	Nein
Kimi-K2.6 · W4A16-AUTOROUND-REAP	$0.78	$3.67	$1.50	Ja
DeepSeek-V4-Pro-0813 · 3BIT-REAP	$1.95	$3.90	$2.44	Nein
inkling · W4A16-AUTOROUND-REAP	$1.42	$6.07	$2.58	Ja
Kimi-K3 · 3BIT-REAP	$3.83	$19.12	$7.65	Ja

Sechs Modelle liegen auf der Untergrenze von $0.50 / $2.00 — MiniMax-M3, DeepSeek-V4-Flash, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro und Hy3 — also bei einem Mischsatz von $0.875. GLM-5.2 liegt 29% über dieser Untergrenze und kauft Ihnen ein Fundament der 744-Mrd.-Klasse mit einer anhaltenden Investition in agentisches Verhalten dahinter. Alles, was darüber liegt, kostet gemischt mindestens 23% mehr, und Kimi-K3 kostet das 6,8-Fache. Das ist das Preis-Leistungs-Argument in einer Zeile: die günstigste Stelle im Katalog, an der man ein erstklassiges agentisches Fundament bekommt.

In Arbeit umgerechnet

• Eine volle Kontextfüllung — 262.144 Eingabetoken: $0.19. Ein ganzes großes Repository für unter zwanzig Cent ins Fenster gelesen.
• Eine Completion in maximaler Länge — 16.384 Ausgabetoken: $0.038.
• Eine Agentenrunde — 20K rein, 2K raus: $0.019. Dieselbe Runde kostet $0.115 auf Kimi-K3 und $0.047 auf DeepSeek-V4-Pro.
• Hundert Agentenrunden: $1.93, gegenüber $11.48 auf dem teuersten Modell im Katalog.

Agentische Arbeitslasten sind eingabelastig, und GLMs Vorsprung ist genau dort am größten: Sein Eingabepreis liegt um das 5,2-Fache unter dem von Kimi-K3 und um das 2,7-Fache unter dem von DeepSeek-V4-Pro. Wenn Ihr Agent in jeder Runde ein wachsendes Gespräch erneut sendet — und das tun fast alle Agenten —, ist genau dieser Faktor das, was auf Ihrer Rechnung landet.

05Was „unzensiert“ auf diesem Endpunkt bedeutet

Genau zwei Dinge: keine Ablehnungsschicht — kein Klassifikator, der entscheidet, welche Anfragen das Modell sehen darf, und kein Richtlinienmodell, das Ihren Prompt umschreibt, bevor er ankommt — und keine Ausgabefilterung, das heißt, die Token, die das Modell erzeugt, sind die Token, die Sie erhalten, ungeschwärzt und unausgetauscht.

Das ist etwas anderes als eine kommerzielle API, die einen „entspannten“ oder „Entwickler“-Modus bewirbt. Dort läuft der Verkehr weiterhin durch den Richtlinienstapel eines Anbieters; was sich ändert, ist die Schwelle, nicht die Existenz des Tors. Hier gibt es kein Tor zum Justieren — das Modell läuft auf unserem eigenen GPU-Cluster, und sein Verhalten ist das Verhalten des Fundaments. Lesen Sie den NIST-CAISI-Befund aus Abschnitt 02 als technische Aussage statt als Warnung, dann erklärt er das Produkt: Ein Modell, dessen Alignment in seinen Gewichten steckt und das ohne externe Richtlinienebene ausgeliefert wird, verhält sich gemäß seinen Gewichten.

Warum das speziell für Agenten zählt

Ablehnungen werden meist als Inhaltsfrage diskutiert. In agentischer Arbeit sind sie überwiegend eine Frage der Zuverlässigkeit. Eine Ablehnung in Runde 31 eines Laufs über 40 Runden ist keine höfliche Absage, die man liest und hinter sich lässt — sie ist ein fehlerhafter Schritt, ein Orchestrator, der nicht weiß, wie er fortfahren soll, ein zerbrochener Plan und 30 Runden verbrauchter Token ohne Ergebnis. Sicherheitsforschung, Malware-Analyse, Penetrationstests, Red-Teaming, Erotikliteratur, medizinische und juristische Entwürfe sowie die Datensatzerzeugung für Sicherheitstraining stoßen ständig darauf, und der Fehler ist gerade deshalb teuer, weil er spät auftritt.

Die Kehrseite ist, dass die Richtlinienebene jetzt Ihnen gehört. Die Nutzung des Shannon AI Gateway unterliegt unserer Richtlinie zur verantwortungsvollen Nutzung; das Urteil eines Anbieters aus der Schleife zu nehmen heißt, ein eigenes beizusteuern.

06Was der Endpunkt tatsächlich bietet

Fähigkeit	GLM-5.2 · 3BIT-REAP
Modell-ID	GLM-5.2-3BIT-REAP
Kontextfenster	262.144 Token
Max. Ausgabe pro Anfrage	16.384 Token
Streaming	Ja
Tool-Calling	Ja
Reasoning / reasoning_effort	Ja
JSON Schema (json_schema)	Ja
response_format	Ja
Vision / Bildeingabe	Nein — nur Text
Ablehnungsschicht / Ausgabefilterung	Keine

Lesen Sie die Vision-Zeile aufmerksam, bevor Sie bauen. GLM-5.2 ist auf unserem Gateway reiner Text. Wenn Sie Bildeingaben brauchen, hat der Katalog fünf vision-fähige Optionen — MiniMax-M3 und MiMo-V2.5 an der Untergrenze von $0.50 / $2.00, Kimi-K2.6 für $0.78 / $3.67, inkling für $1.42 / $6.07 und Kimi-K3 für $3.83 / $19.12. Ein sinnvolles Muster ist, Bildverstehen an MiniMax-M3 zu leiten und alles andere an GLM-5.2, was nichts weiter kostet als eine Modellzeichenkette.

Drei Dialekte, ein Modell

Dasselbe Modell ist über drei Anfrageformate erreichbar, alle mit Streaming: /v1/chat/completions (OpenAI-Dialekt), /v1/messages (Anthropic-Dialekt) und /v1/responses. Am Modell ändert sich dabei nichts — nehmen Sie das, was Ihr SDK ohnehin spricht, und Sie sind meist eine Änderung der Basis-URL vom Loslegen entfernt.

# OpenAI dialect — point your existing client at the gateway
from openai import OpenAI

client = OpenAI(
    base_url="https://api.shannon-ai.com/v1",
    api_key="sk-...",
)

resp = client.chat.completions.create(
    model="GLM-5.2-3BIT-REAP",
    messages=[{"role": "user", "content": "..."}],
    tools=tools,                 # tool calling supported
    reasoning_effort="medium", # low | medium | high
    stream=True,
)

Vollständige Anfrage- und Antwortschemata für alle drei Dialekte, das Format für Tool-Calling, die Formen der Streaming-Events und ein interaktiver Playground stehen in der API-Dokumentation von Shannon AI.

07Wann Sie GLM-5.2 wählen sollten — und wann nicht

Greifen Sie zu, wenn

• Sie Agenten betreiben. Lange Tool-Calling-Schleifen sind das, wofür diese Linie gebaut und wiederholt nachtrainiert wurde, und der Eingabepreis macht es bezahlbar, ein wachsendes Gespräch in jeder Runde erneut zu senden.
• Sie über einen großen Codebestand arbeiten. 262K Kontext, verlässliche Formatierung von Tool-Aufrufen und $0.19, um das ganze Fenster einzulesen.
• Das Volumen Ihre Grenze ist. Klassifikation, Extraktion, Erzeugung synthetischer Daten, massenhaftes Umschreiben — alles, wo Kosten pro Aufruf mal große Zahl darüber entscheiden, ob das Projekt tragfähig ist.
• Ablehnungen Ihre Pipeline zerreißen. Sicherheitsforschung, adversarielles Testen, unzensierte Fiktion, heikle Entwürfe — dieser Fehlermodus ist hier nicht vorhanden.

Greifen Sie zu etwas anderem, wenn

• Sie Vision brauchen. Nur Text. Siehe die vision-fähigen Optionen oben.
• Sie das tiefste Reasoning in einer einzigen Runde brauchen. Für die härtesten analytischen One-Shot-Probleme ist DeepSeek-V4-Pro-0813 · 3BIT-REAP das schwerere Instrument beim 2,2-Fachen der Mischkosten — bei Aufrufen, wo die Obergrenze die Grenze ist, ist das der richtige Tausch.
• Sie maximale Treue bei obskurem Wissen brauchen. Die W8A16-Stufe — MiMo-V2.5-Pro und Hy3 — ist weit weniger aggressiv komprimiert und liegt an der Untergrenze von $0.50 / $2.00, auf kleineren Fundamenten.

Die Benchmark-Zahlen zu GLM-5.2 (Terminal-Bench 2.1, SWE-bench Pro) werden von Z.ai für das unkomprimierte Fundament berichtet; eine unabhängige Replikation steht aus. Die Werte zu Claude Opus 4.8 und GPT-5.5 dienen nur als Referenz. Erstanbieter-Listenpreise für die GLM-5.2-API wie von Z.ai veröffentlicht, September 2026.

08Häufige Fragen

---

Quellen: Z.ai GLM-5-Repository · Du et al., GLM: General Language Model Pretraining with Autoregressive Blank Infilling, ACL 2022 · Zeng et al., GLM-130B: An Open Bilingual Pre-trained Model · Lasby et al., REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression, ICLR 2026 · NIST-CAISI-Bewertung von GLM-5.2 (Z.ai), Juli 2026. Die Benchmark-Werte des Fundaments sind vom Labor berichtet und vorläufig; sie beschreiben das unkomprimierte GLM-5.2, nicht diesen komprimierten Build. Preis-, Kontext- und Fähigkeitsangaben sind Katalogwerte von Shannon AI mit Stand 5. September 2026.