Eine Aufgabe, zwei Modelle, derselbe Agent
Der sauberste Weg, zwei Modelle zu vergleichen, ist, sonst nichts zu ändern. Genau das haben wir getan: dieselbe langfristige Aufgabe, derselbe Agent, dieselben Tools. Wir gaben GLM-5.1 und GLM-5.2 innerhalb von Eigent's Single-Agent-Harness denselben Auftrag und beobachteten, wie jedes Modell plante, recherchierte, verifizierte und lieferte.
Die Aufgabe war echte Analystenarbeit, kein Spielzeug-Benchmark:
Recherchiere 26 Unternehmen im KI-Infrastruktur-Stack — vom Siliziumdesign und der Halbleiterfertigung bis hin zu den Cloud-Plattformen und Rechenzentren, die Frontier-KI betreiben — und erstelle dann einen interaktiven Bericht.
Bei einer solchen langfristigen Aufgabe zeigen sich die Unterschiede zwischen Modellen wirklich. Es ist keine einzelne clevere Antwort; es sind Dutzende kleiner Entscheidungen über einen langen Lauf hinweg: wie tief geplant wird, wie viele Quellen vertrauenswürdig sind, wann die Recherche beendet wird und wie viel verifiziert wird, bevor als abgeschlossen gilt.
Der Prompt
Wir schickten beiden Läufen denselben Prompt, im Single-Agent-Modus:
Führe eine tiefgehende Recherche zu 26 Unternehmen im KI-Infrastruktur-Ökosystem durch — dem sichersten zentralen Strang der gesamten KI-Wertschöpfungskette. Decke die folgenden 6 Teilsektoren ab (wähle in jedem repräsentative Unternehmen aus, von Large-Cap-Führern bis zu kleineren Playern):
- KI-Rechenzentrum (Compute-Infrastruktur / Ausbau)
- GPU / KI-Chips (Training- & Inference-Silizium, ASICs, IP)
- Server, Netzwerke & optische Module (Switches, NICs, optische Verbindungen)
- Stromversorgung, Flüssigkeitskühlung & Energiespeicherung (Stromversorgung, Thermik, Energiemanagement)
- KI-Cloud / Compute-Plattform (Hyperscaler, GPU-Clouds, Compute-Rental-Plattformen)
- Unterstützendes Ökosystem (HBM / Advanced Packaging, Foundry, Steckverbinder und andere kritische Komponenten)
Recherchiere für jedes Unternehmen: Unternehmensname, Teilsektor, Hauptsitz / Land; Kernprodukte und seine spezifische Rolle in der KI-Kette; börsennotiert oder privat (Ticker + Börse, falls gelistet; falls privat, nenne die neueste Bewertung / Finanzierungsrunde); Marktkapitalisierung oder Bewertungsgröße (für das Ranking); Positionierung und Burggraben (1–2 Sätze); wichtige Kunden / Wettbewerber.
Ranke Unternehmen innerhalb jedes Teilsektors von groß nach klein und strukturiere alles von oben nach unten: von der gesamten Hardware-Ökosystem-Landschaft bis hin zu jedem einzelnen Unternehmen.
Ausgabe: Erstelle zuerst eine strukturierte ai_infra_data.json mit allen 26 Unternehmen, den 6 Teilsektor-Klassifizierungen, einem Public/Private-Flag und einer übergreifenden Vergleichsmatrix. Erstelle dann daraus einen ausgefeilten, interaktiven HTML-Bericht — Ökosystem-Landschaftsdiagramm, Sektorsektionen, Unternehmenskarten, Farbcodierung für börsennotiert vs. privat, ein Chart zur Marktkapitalisierungs-Rangfolge und eine sortier-/filterbare Vergleichstabelle. Verifiziere die Forschungsdaten zuerst auf Korrektheit (Listing-Status, Ticker, Bewertungen — neueste Zahlen, mit Quellenangaben), und erstelle dann den Bericht.
Zur Ausführung vorbereiten — GLM-5.2 plant tiefer
Die erste Abweichung zeigte sich, bevor eines der Modelle das Web berührte: im Plan.
GLM-5.1 zerlegte die Arbeit in 4 Schritte. GLM-5.2 erweiterte denselben Auftrag auf 6 Schritte — und setzte bezeichnenderweise „Korrektheit verifizieren“ als eigenen, dedizierten Schritt anstatt es nur nebenbei zu erledigen. So scope't ein sorgfältiger Analyst die Aufgabe: recherchieren, dann die Recherche belegen, dann bauen.
Gleiche Anweisungen. Unterschiedliches Urteil darüber, wie viel Strenge die Aufgabe verdient.
Die Recherche — doppelt so viele Quellen
Die Pläne führten zu sehr unterschiedlichen Rechercheläufen.
- GLM-5.1: ~40 Quellen
- GLM-5.2: ~82 Quellen — ungefähr 2× so viel Recherche
Und es waren nicht nur mehr Seiten — es waren besser verteilte Seiten. Während GLM-5.1 stark auf eine einzelne Datenseite setzte, prüfte GLM-5.2 jede Kennzahl quer über Finanznachrichten, Unternehmensmeldungen und Private-Market-Datenbanken: Reuters, Bloomberg, Crunchbase, TechCrunch und mehr.
Eine Quelle reicht nicht. Bei Bewertungen, Tickern und Listing-Status behandelte GLM-5.2 eine einzelne Zahl als Hypothese, die bestätigt werden muss — nicht als Fakt, den man kopiert.
GLM-5.2 antwortete nicht nur schneller. Es ging tiefer und zog aus doppelt so vielen Seiten Informationen heran, um jede Zahl zu verifizieren.
Erst verifizieren, dann fertig
Da GLM-5.2 die Verifikation als eigenen Schritt abgetrennt hatte, tat es das auch wirklich — es überprüfte Listing-Status, Ticker und Bewertungen erneut gegen die neuesten Zahlen, bevor es sie in den Bericht übernahm. Das Ergebnis ist ein Bericht, der seine Arbeit belegt, statt sie nur zu behaupten.
Das Ergebnis — tiefere Daten, echte Zitate
Gleiche Aufgabe. Zwei sehr unterschiedliche Ergebnisse.
GLM-5.2 lieferte:
- Ein reichhaltigeres Datenschema mit dedizierter Burggraben-Analyse, Finanzierungsdetails und einer vollständigen Quellenliste — jede Behauptung ist bis zur Herkunft nachvollziehbar.
- Einen finalen Bericht, der in Daten und Struktur nahezu 2× reichhaltiger war als der von GLM-5.1.
- Ein als vollständig deploybare, interaktive Site ausgeliefertes Ergebnis — nicht nur eine statische HTML-Seite: Ökosystem-Landschaftsdiagramm, Sektorsektionen, Farbcodierung für börsennotiert vs. privat, ein Chart zur Marktkapitalisierungs-Rangfolge und eine sortier-/filterbare Vergleichstabelle.
GLM-5.1 lieferte einen soliden, korrekten Bericht. GLM-5.2 lieferte einen, den man einem Anlageausschuss vorlegen könnte.
Warum das wichtig ist
Bei einer kurzen Aufgabe sehen zwei fähige Modelle ungefähr gleich aus. Bei einer langfristigen Aufgabe verstärken sich die Unterschiede. Jede zusätzliche Quelle, die GLM-5.2 gelesen hat, jede Kennzahl, die es doppelt geprüft hat, und die Entscheidung, Verifikation als erstklassigen Schritt zu behandeln, summierte sich zu einem messbar besseren Ergebnis.
Das Harness war identisch. Die Tools waren identisch. Die einzige Variable war das Modell — und genau das macht dies zu einer fairen Einschätzung, wie GLM-5.2 über einen längeren Lauf hinweg schlussfolgert:
Mehr Quellen. Schärferes Urteilsvermögen. Ein Bericht, der seine Arbeit belegt.
Selbst ausführen
Eigent erlaubt es dir, das Modell hinter demselben Single-Agent-Harness auszutauschen, sodass du diesen exakten Vergleich mit deiner eigenen Aufgabe durchführen kannst:
- Gehe zu Einstellungen → Modelle und wähle das Modell aus oder füge es hinzu, das du testen möchtest (GLM-5.1, GLM-5.2 oder jedes andere Function-Calling-Modell).
- Stelle die Aufgabe auf Single-Agent-Modus um.
- Füge den obigen Deep-Research-Prompt ein (oder dein eigenes langfristiges Briefing).
- Sende ihn einmal pro Modell und vergleiche dann die Pläne, die Quellenanzahlen und die finalen Berichte nebeneinander.
Was du als Nächstes ausprobieren solltest
Führe dasselbe Briefing erneut aus, verlange aber mindestens 3 unabhängige Quellen pro Bewertung und markiere jedes Unternehmen, bei dem die Quellen voneinander abweichen.
Erweitere das Universum von 26 auf 50 Unternehmen und füge der Vergleichsmatrix eine Spalte „Supply-Chain-Abhängigkeit“ hinzu.
Erstelle eine einseitige Executive Summary des finalen Berichts als PDF sowie ein Slide-Deck des Charts zur Marktkapitalisierungs-Rangfolge.
Lasse GLM-5.2 gegen ein anderes Modell bei derselben Aufgabe laufen und erstelle einen Diff-Bericht: wo sie übereinstimmten, wo sie sich unterschieden und welches die bessere Quellenlage hatte.
Tipps für bessere Ergebnisse
- Mache die Verifikation explizit. Das Modell zu bitten, „zuerst die Korrektheit zu verifizieren, dann zu bauen“, verändert das Verhalten messbar — GLM-5.2 machte aus dieser Zeile einen eigenen Planungsschritt.
- Fordere Zitate im Schema. Ein
sources-Feld pro Unternehmen zwingt zu nachvollziehbarer Recherche statt zu selbstsicheren Vermutungen. - Trenne Daten von Präsentation. Das Generieren von
ai_infra_data.jsonvor dem HTML hält den Bericht neu generierbar und die Fakten prüfbar. - Nutze den Single-Agent-Modus für langfristiges Denken. Er hält den vollständigen Aufgabenkontext in den Händen eines Modells — genau das, was du willst, wenn du vergleichst, wie ein Modell plant und sich über einen langen Lauf selbst korrigiert.
