550 Milliarden Zhipu weigert sich, der „Angestellte“ der großen Tech-Giganten zu werden
Das wahllose Hochschrauben von Parametern wird abgelehnt: Der Wettbewerb um große KI-Modelle hat einen neuen Bewertungsmaßstab erhalten.
Am 31. August veröffentlichte Zhipu seinen Halbjahresbericht 2026. Aus dem Finanzbericht geht hervor, dass Zhipu von Januar bis Juni einen Umsatz von 953,9 Millionen Yuan erzielte, was einem starken Anstieg von rund 400 % im Vergleich zum Vorjahreszeitraum entspricht; der Bruttogewinn belief sich auf 252 Millionen Yuan, ein Anstieg von 163,7 % im Vergleich zum Vorjahr, während der Verlust im Berichtszeitraum 2,072 Milliarden Yuan betrug, verglichen mit einem Verlust von 2,358 Milliarden Yuan im Vorjahreszeitraum; die Ausgaben für Forschung und Entwicklung lagen bei 2,13 Milliarden Yuan, was einem Anstieg von 33 % im Vergleich zum Vorjahr entspricht.
Liu Debing, Vorsitzender von Zhipu, erklärte: Wenn das Schlüsselwort von Zhipu im vergangenen Jahr die „intelligente Obergrenze“ war, dann lautet das Schlüsselwort für das erste Halbjahr dieses Jahres „Umsetzung der Fähigkeiten“.
Aus der Umsatzstruktur geht hervor, dass die Kommerzialisierung von Zhipu in eine Phase des schnellen, skalierbaren Wachstums eingetreten ist. Im ersten Halbjahr belief sich der Umsatz der Open-Plattform- und API-Geschäfte auf rund 825 Millionen Yuan, was einem Anstieg von 2735,7 % im Vergleich zum Vorjahr entspricht, wobei der Anteil am Gesamtumsatz von 15,2 % im Vorjahreszeitraum auf 86,5 % gestiegen ist. Daraus lässt sich ersehen, dass die Umsatzstruktur von Zhipu eine grundlegende Veränderung durchlaufen hat.
Obwohl die Umsatzdaten von Zhipu bereits ein sehr hohes Wachstumstempo aufweisen, liegen sie noch unter den von externen Institutionen prognostizierten 1,3 Milliarden Yuan Umsatz. Die Unternehmensleitung hat zudem ein weiteres Richtsignal gegeben: Bis Ende August 2026 hat der monatlich berechnete ARR (annualisierter wiederkehrender Umsatz) bereits 1,6 Milliarden US-Dollar erreicht. Im August allein belief sich der Umsatz auf 133 Millionen US-Dollar, was in etwa dem Umsatzvolumen des gesamten ersten Halbjahres entspricht.
„Für ausländische Spitzenmodellunternehmen und ein weiteres Unternehmen der Branche wird der Wert der letzten Woche mit 52 multipliziert. Unter Berücksichtigung der Hochlaufphase von GLM-5.3 übertrifft der aktuelle ARR bei dieser Berechnungsweise bereits 2 Milliarden US-Dollar“, erklärte Xiao Lei, Sekretär des Verwaltungsrats von Zhipu.
Während der Umsatz sprunghaft ansteigt, bleiben die Rechenkapazitätsausgaben von Zhipu weiterhin hoch. Die Bruttomarge des Unternehmens ist von 50 % im Vorjahreszeitraum auf 26,4 % gesunken. Gleichzeitig dauert der Preiskrieg um große KI-Modelle weiter an. GLM-5.3 wurde am 19. August veröffentlicht, und der Preis der GLM-5.3-Flash-Version liegt noch unter dem des „Innovationswettbewerbs-Champions“ DeepSeek-V4-Flash.
Eine am 28. August von Barclays veröffentlichte Studie zur KI-Branche zeigt: Für jede 100 US-Dollar Umsatz, die Modellunternehmen erzielen, fließen etwa 35 bis 40 US-Dollar in Form von Kosten für die Inferenz-Rechenkapazitäten an die drei großen Cloud-Giganten: Amazon AWS, Microsoft Azure und die Google Cloud Platform.
In dem Finanzbericht und der Telefonkonferenz betonte die Leitung von Zhipu den „Nordstern“-Indikator für die Teilnahme am Wettbewerb um große KI-Modelle: Die Spitzenposition bei kurzfristigen Ranglisten ist nicht mehr das Wichtigste. Der entscheidende Wettbewerbsvorteil der Branche liegt darin, wer in der Lage ist, stärkere Modelle schneller und zu besseren Kosten kontinuierlich auf den Markt zu bringen.
Aus diesem Grund hat Zhipu ein Diagramm erstellt, in dem es neben seinen eigenen Modellen auch Anbieter wie Kimi, DeepSeek, OpenAI und Anthropic zum Vergleich ausgewählt hat: Die horizontale Achse stellt den Fortschritt des Paradigmas dar, die vertikale Achse den Intelligenzindex, und die Tiefendimension die Kosten pro Aufgabe.
Quelle: Zhipu Halbjahresbericht 2026
Der Preis ist weiterhin ein empfindlicher Maßstab für die Kostenbewertung großer KI-Modelle. Aus dem Diagramm geht hervor, dass DeepSeek bis Mitte August den ersten Platz im Intelligenz-Kosten-Diagramm belegte, aber nachdem DeepSeek-V4-Pro Mitte August eine Preiserhöhung angekündigt hatte, übernahmen die Versionen GLM-5.3 und GLM-5.3-Flash den Spitzenplatz von DeepSeek.
Was Zhipu diese Überholung ermöglicht, ist sein entschlossener technologischer Weg. Die Leitung von Zhipu ist der Ansicht: Bei gleicher Architektur, gleicher Gesamtparameterzahl und gleicher Anzahl aktivierter Parameter führt allein die Erweiterung des Post-Trainingsumfangs zu einer Steigerung der End-to-End-Erfolgsrate um mehr als 50 %. Die Leistung von GLM-5.3 bestätigt dies: Das Scaling (Skalierung des Modellumfangs) ist nicht der einzige Weg, um Parameter zu erhöhen. Das Post-Training ist der Bereich mit dem größten Potenzial zur Leistungssteigerung in der aktuellen Phase.
Dies wirft jedoch auch Fragen in der Öffentlichkeit auf: Während DeepSeek und Kimi an der Erhöhung der Trainingsparameter arbeiten, nutzt die Trainingsbasis der GLM-5.3-Serie von Zhipu nach wie vor GLM-5.0. Kann die bloße Verstärkung des Post-Trainings und die Optimierung der Infrastruktur dem Modell helfen, eine höhere intelligente Obergrenze zu erreichen?
Nach Börsenbeginn an der Hongkonger Börse am 1. September stieg der Aktienkurs von Zhipu zeitweise um fast 5 %, ging am Nachmittag in eine seitliche Abwärtsbewegung über und lag zum Börsenschluss bei 1179 Hongkong-Dollar, was einem leichten Rückgang von 1,34 % entspricht. Die Gesamtmarktkapitalisierung beträgt 550 Milliarden Hongkong-Dollar.
Modellunternehmen werden immer kapitalintensiver
Zhipu entwickelt sich zu einem immer kapitalintensiveren Unternehmen. Nach Angaben des Finanzberichts beträgt die Mitarbeiterzahl 981, doppelt so viele wie bei MiniMax. Darüber hinaus hat MiniMax im ersten Halbjahr keine Übernahmen getätigt, während Zhipu zahlreiche Kapitalmaßnahmen durchgeführt hat.
Aus dem Finanzbericht geht der Fortschritt von zwei Übernahmen durch Zhipu hervor: Erstens erwarb Zhipu im Mai dieses Jahres 100 % der Anteile an Beijing Hongzuan zu einem Preis von nicht mehr als 361 Millionen Yuan. Das Hauptvermögen des letzteren ist das Diamond Building an der Nordwest-Wanxi-Straße im Haidian-Distrikt von Peking. Zweitens erwarb Zhipu im Juni dieses Jahres 60 % der Anteile an Zhongke Jiahe, einem Anbieter für die Entwicklung von KI-Infrastruktur, zu einem Barpreis von 292 Millionen Yuan. Die Übernahme wurde im Juni abgeschlossen.
Im Juli dieses Jahres schloss Zhipu die Platzierung neuer Aktien (Kapitalerhöhung) im Wert von 31,41 Milliarden Hongkong-Dollar ab. Laut der Mitteilung wird das eingeworbene Kapital hauptsächlich für die Forschung und Entwicklung von Basismodellen, die Infrastruktur für Rechenkapazitäten sowie für Übernahmen und Fusionen verwendet.
Der Aufbau eigener Rechenzentren ist zu einem Kernbereich der Kapitalausgaben von Modellunternehmen geworden. Medienberichten zufolge hat Zhipu bereits ein Rechenzentrum im 1-GW-Maßstab in Betrieb genommen, das vollständig mit inländischen Chips betrieben wird. Damit soll sowohl der Nachfrage nach Geschäftserweiterung entsprochen als auch eine weitere Senkung der Rechenkapazitätskosten angestrebt werden.
Quelle: KI-generiert
Zhipu gab bekannt, dass die Inferenz von GLM‑5.3‑Flash vollständig von einem Cluster mit inländischen Chips bereitgestellt wird. Nach der Realisierung der kostengünstigen skalierbaren Inferenz mit 100.000 inländischen Chips auf der Trainings- und Inferenzseite sind die Kosten für die Inferenz pro Token im Vergleich zum Jahresbeginn um 80 % gesunken.
Rechenkapazität wird zunehmend zu einem Engpass. Die bloße Anmietung reicht nicht mehr aus, um die Anforderungen an das Modelltraining und die sprunghaft gestiegene Nachfrage nach Inferenz zu erfüllen. Modelle müssen eng mit der Infrastruktur gekoppelt werden, um die höchste Effizienz und die bestmögliche Leistung zu erzielen.
Aus dem Finanzbericht von Zhipu geht hervor, dass die Vertriebskosten des Unternehmens von 95,45 Millionen Yuan auf 702 Millionen Yuan gestiegen sind, was einem Anstieg von 635,4 % im Vergleich zum Vorjahr entspricht, was hauptsächlich auf die gestiegenen Kosten für Computerdienstleistungen zurückzuführen ist.
Die Ausgaben der Modellanbieter fließen an die Cloud-Anbieter. Im zweiten Quartal 2026 erzielte Alibaba Cloud einen Quartalsumsatz von 48,437 Milliarden Yuan, was einem Anstieg von 45 % im Vergleich zum Vorjahreszeitraum (dem ersten Quartal des Geschäftsjahres 2027 von Alibaba) entspricht – der höchste Wachstumsanstieg seit 22 Quartalen.
Um die Herausforderungen bei der Speicherkapazität und der Bandbreite von inländischen Chips zu bewältigen, hat Zhipu die Infrastrukturebene optimiert und die Dichte der Intelligenz pro Einheit erhöht – den „Rechenkapazitäts-Multiplikator“ (der Umsatz der Open-Plattform- und API-Geschäfte, der pro 1 Yuan an Investitionen in Rechenkapazität von großen KI-Modellunternehmen erzielt wird). Der Rechenkapazitäts-Multiplikator von Zhipu hat sich in diesem Jahr im Vergleich zum ersten Halbjahr des Vorjahres um das 14-fache erhöht, was auch darauf hindeutet, dass die Effizienz der Rechenkapazitätsversorgung des Unternehmens deutlich verbessert wurde.
Wie kann man mit Post-Training erfolgreich sein?
Zhipus Zusammenfassung seines technologischen Weges lautet: Zur richtigen Zeit mit den richtigen Daten im richtigen Umfang trainieren, um das richtige Modell zu erhalten – nicht das Modell mit dem größten Umfang. Das Ziel besteht darin, unter den aktuellen Einschränkungen von Daten und Rechenkapazitäten die Trainingstiefe ausreichend zu gestalten, um ein Modell mit ausreichendem Intelligenzgewinn zu erhalten.
Dieser Ansatz unterscheidet sich deutlich von dem von Kimi und DeepSeek.
Mitte Juli wurde Kimi K3 veröffentlicht, das eine Gesamtparameterzahl von 2,8 Billionen und etwa 104 Milliarden aktivierte Parameter aufweist. Es ist derzeit das Open-Source-Modell mit der größten Parameteranzahl weltweit. DeepSeek-V4-Pro, das im April dieses Jahres veröffentlicht wurde, hat eine Gesamtparameterzahl von 1,6 Billionen, eine Menge von 33 T an Vortrainingsdaten und etwa 49 Milliarden aktivierte Parameter.
GLM-5.0, das Zhipu im Februar dieses Jahres veröffentlicht hat, weist eine Parameteranzahl von nur 744 Milliarden, 40 Milliarden aktivierte Parameter und eine Vortrainingsdatenmenge von 28,5 T auf. Sowohl die Parameteranzahl als auch das Vortrainingsvolumen liegen unter denen von Moonshot AI und DeepSeek.
Angesichts der Fragen aus der Öffentlichkeit erklärte Tang Jie, Gründer von Zhipu, dass die Modellgröße eine umfassende Entscheidung ist, bei der Ressourcen, Daten und Benutzerfreundlichkeit gleichzeitig berücksichtigt werden müssen. Die inländischen Trainingsdaten liegen normalerweise im Bereich von 30 T bis 50 T Token. Bei dieser Datenmenge ist der Grenznutzen nicht unbedingt hoch genug, wenn das Modell nach dem Scaling Law stark erweitert wird. Bei begrenzten Rechenkapazitäten muss man vielmehr beurteilen, welcher Umfang der optimale ist.
„Andererseits ist das Potenzial des mittleren Trainings und des Post-Trainings noch nicht vollständig ausgeschöpft. In der aktuellen Phase ist die bloße Erhöhung der Parameter nicht das Wichtigste. Das Unternehmen hat das Scaling des Basismodells nicht gestoppt, sondern führt es schrittweise nach dem festgelegten Plan durch“, sagte Tang Jie.
Der von Tang Jie erwähnte festgelegte Plan lautet: Im Januar 2026 nutzte das Unternehmen ein Basismodell mit etwa 744 Milliarden Parametern für das Training von GLM-5.3. Zhipu plant, dieses Basismodell noch mindestens sechs Monate lang zu verwenden. Die Planung für das mittlere Training, das Post-Training, die Aufgabenumgebung und die SFT-Daten von GLM-5.1, 5.2 und 5.3 wurde bereits zu Beginn des Jahres abgeschlossen.
„Die Vorentwicklung des Inferenzsystems für das nächste Modell hat bereits begonnen. Das Ziel besteht darin, das Modell am ersten Tag seiner Veröffentlichung in ausreichendem Umfang für Benutzer bereitzustellen, anstatt ein Modell mit sehr großen Parametern zu erstellen, das nicht wirtschaftlich eingesetzt werden kann“, sagte Tang Jie.
Am Beispiel von GLM-5.3-Flash: Es verwendet eine völlig neue Architektur, die speziell zur Kostensenkung entwickelt wurde. Die Leistung bei Benchmark-Tests und in der praktischen Anwendung ist besser als die von GLM-5.2, während der Preis nur ein Zehntel des Preises von GLM-5.2 beträgt.
Darüber hinaus erwähnte Tang Jie auch das RSI (Rekursives Selbstverbessern) des Modells, das er als Fully Self-Training bezeichnet. Dabei wird das Modell in das Vortraining, das mittlere Training und das Post-Training einbezogen, sodass es schrittweise Fähigkeiten zur Selbstverbesserung entwickelt.
Er erklärte offen: Die größte Schwierigkeit besteht nicht darin, das Modell weiter zu vergrößern, sondern darin, das Modell zuverlässig in die Lage zu versetzen, zu beurteilen, wann es anhalten soll, wann es Fehler korrigieren soll und wie es seine eigenen Trainingsergebnisse bewerten kann.