TLDR Z.ai veröffentlichte am 14. August 2026 GLM-5.3 auf exakt demselben ~743–753B-Parameter-Mixture-of-Experts-Basismodell wie GLM-5.2. Alle Zugewinne stammen aus skaliertem Post-Training auf Langhorizont-Umgebungen. Das Ergebnis ist eine ~50% relative Verbesserung auf Z.ais internem Code Bench, Open-Source-SOTA auf Terminal-Bench 3.0 (4.6 → 28.3) und Agents’ Last Exam, deutlich bessere agentische Scores sowie emergente State-of-the-Art-Cybersicherheitsleistung (CyberGym 84.5%). Die Token-Effizienz hat sich ebenfalls verbessert.
Die Gewichte werden nach Sicherheitshärtung voraussichtlich etwa zwei Wochen nach dem Start erwartet. Entwickler können bereits jetzt verwandte GLM-Modelle nutzen und Workflows effizient über vereinheitlichte Plattformen wie CometAPI testen.
Key Takeaways
- Gleiches Basismodell wie GLM-5.2; alle Fortschritte durch Post-Training (IndexShare, SAO, slime-Framework + mehr Umgebungen und Compute).
- Coding: Terminal-Bench 3.0 4.6 → 28.3; DeepSWE v1.1 46.2 → 66.9; interner Z.ai Code Bench ~50% besser mit weniger Ausgabetokens.
- Agentisch: AutomationBench 26.2 → 48.2; Agents’ Last Exam 23.8 → 28.5; GDPval-AA v2 1508 → 1769.
- Cyber: CyberGym 77.2 → 84.5 (SOTA, vor Mythos 5 und GPT-5.6 Sol); ExploitBench mehr als verdoppelt (24.4 → 54.4). Praxisfunde: 2.436 Schwachstellen in 269 Projekten.
- Spezifikationen in der Kernarchitektur unverändert: 1M Kontext, bis zu 128K Ausgabetokens, Always-on-Denken mit low/high/max effort.
- Zugang: Live über GLM Coding Plan und ZCode; allgemeine API und offene Gewichte (voraussichtlich MIT-ähnlich) nach Sicherheitsprüfung. CometAPI bietet bequemen OpenAI-kompatiblen Zugang zur GLM-Familie für Side-by-Side-Tests und Produktionsrouting.
GLM-5.3 vs GLM-5.2 at a Glance
| Dimension | GLM-5.3 | GLM-5.2 | Winner / Notes |
|---|---|---|---|
| Base model | Same ~743–753B MoE | Same | Identical |
| Post-training | Heavily scaled environments | Earlier stack | 5.3 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 5.3 (large) |
| DeepSWE v1.1 | 66.9 | 46.2 | 5.3 |
| Internal Code Bench (Max) | 34.5% @ ~75K tokens | 23.4% @ ~96K tokens | 5.3 (perf + efficiency) |
| Agents’ Last Exam | 28.5 | 23.8 | 5.3 |
| AutomationBench | 48.2 | 26.2 | 5.3 |
| CyberGym | 84.5 (SOTA) | 77.2 | 5.3 |
| ExploitBench | 54.4 | 24.4 | 5.3 |
| GDPval-AA v2 | 1769 | 1508 | 5.3 |
| Context / Max output | 1M / 128K | 1M / similar | Same |
| Thinking | Always on (low/high/max) | More flexible previously | 5.3 (always-on) |
| Open weights | ~2 weeks post-launch (planned) | Available (MIT) | 5.2 currently |
| Primary access now | Coding Plan / ZCode | API + weights + Coding Plan | 5.2 more mature |
Introduction: Post-Training Delivers a Generational Jump
Mitte August 2026 erlebte die KI-Community eine weitere schnelle Iteration im Rennen um offene Gewichte. Z.ai (die internationale Marke des ehemaligen Zhipu AI / ChatGLM-Teams) lancierte GLM-5.3 nur 59 Tage nach GLM-5.2. Die Ankündigung war ungewöhnlich klar: Das zugrundeliegende Basismodell blieb identisch. “Scaling post-training is all we did for GLM-5.3,” so das Unternehmen.
Diese Aussage ist wichtig. Jahrelang galt die dominierende Erzählung “größere Modelle gewinnen.” GLM-5.3 zeigt, dass aggressives Skalieren von Reinforcement-Learning-Umgebungen, Langhorizont-Aufgabendiversität und Systeminfrastruktur überproportionale Gewinne bei schweren Coding-, agentischen und sogar Cybersicherheits-Workloads liefern kann – ohne neuen Pre-Training-Run. Die Zahlen sind auf mehreren schwierigen Benchmarks so groß, dass unabhängige Beobachter den Sprung eher als qualitativ denn als inkrementell beschreiben. Übersicht der GLM-5.3-Features, Benchmarks und Zugangshinweise.
GLM-5.3 vs GLM-5.2: What Actually Changed?
Die größte Fehlannahme wäre, GLM-5.3 sei einfach “GLM-5.2, nur größer.”
Ist es nicht.
Das Basismodell bleibt laut Z.ai im Wesentlichen dasselbe. Die zentrale Innovation ist das Post-Training-Scaling. Z.ai betont drei Säulen:
- Systemverbesserungen in slime — Besseres Training
- Umgebungsskalierung — Pipelines, die ausführbare, verifizierbare Langhorizont-Umgebungen aus realen professionellen Workflows synthetisieren. Research-Agenten extrahieren Aufgabenmuster; Richter-Agenten verifizieren Lösbarkeit; Verifizierer werden ohne Zugriff auf Referenzlösungen gebaut, um Reward Hacking zu reduzieren.
- Weiterer Einsatz von SAO + Kompaktierung — Hilft, dass Zugewinne auf langen Trajektorien bestehen bleiben und nicht auf kurzen kollabieren. – Rollout-Konsistenz (Log-Prob-Differenzen kontrolliert auf ~1e-7), hierarchisches Caching, Multi-Teacher-Unterstützung, arbeitslastbewusste Planung sowie gemeldete >2,3× End-to-End-Throughput-Gewinne bei Langhorizont-Coding-RL-Aufgaben.
Diese Änderungen führten zu messbaren Verbesserungen in Coding-, agentischen und Cybersicherheits-Suites. Wichtig: Die größten relativen Zugewinne erscheinen auf den härtesten, niederbaseligen Tests – exakt das Muster, das zu erwarten ist, wenn ein Modell in Regime gedrückt wird, die es zuvor nicht zuverlässig bewältigen konnte.
Das Ergebnis ist ein Modell-Upgrade, das primär Verhalten und Fähigkeiten betrifft – nicht einfach die Architektur.
GLM-5.3 vs GLM-5.2: Features Comparison
1. Skaliertes Post-Training statt eines neuen Basismodells
Z.ai beschreibt skaliertes Post-Training als das gesamte Rezept für GLM-5.3. Research-Agenten verwandeln Muster aus realer Arbeit in ausführbare Aufgaben mit verstecktem Zustand und mehrstufigen Abhängigkeiten. Ein Richter-Agent verifiziert, dass jede Aufgabe lösbar ist. Verifizierer werden erstellt, ohne die Referenzlösung zu sehen, und dann gegen Orakel-, No-Op- und ungelöste Zustände getestet, um Belohnungsabkürzungen zu vermeiden.
Das System erfordert weiterhin menschliche Überprüfung, und Z.ai sagt ausdrücklich, dass eine stärker autonome Umgebungs-Generierung und -Verifizierung zukünftige Arbeit bleibt. Dieses Caveat erhöht die Glaubwürdigkeit der Aussage: Dies ist eine große Trainingspipeline – kein Anspruch, dass synthetische Umgebungen bereits vollständig selbstgesteuert sind.
2. Stärkeres Langhorizont-Coding
GLM-5.3 verbessert sich bei Repository-Arbeit, Terminalaufgaben, ML-Infrastruktur, Performance-Optimierung und mehrstufiger Softwarebereitstellung. Auf dem Z.ai Code Bench, der internen, privat geführten Bewertung, die reale Nutzungsszenarien abbilden soll, berichtet Z.ai etwa 50% bessere Coding-Performance als GLM-5.2.
Das Effizienzergebnis ist ebenso wichtig wie der Score. Bei Max effort erzielte GLM-5.3 34.5% bei etwa 75K Ausgabetokens pro Aufgabe, verglichen mit 23.4% bei 96K für GLM-5.2. Das ist ein Qualitätsgewinn von 11,1 Punkten bei rund 22% weniger Ausgabetokens. Bei High effort erreichte GLM-5.3 31.4% mit etwa 50K Tokens, vor Claude Opus 4.8 mit 29.5% bei 120K im gleichen First-Party-Chart. Claude Fable 5 blieb mit 39.5% unter Max effort höher.
3. Emergente Cybersicherheitsfähigkeit
Z.ai fügte während des Post-Trainings Schwachstellen-Findungs-Umgebungen hinzu. Laut Launch-Bericht wuchs die Fähigkeit über das Auffinden isolierter Schwachstellen hinaus: Das Modell begann über mehrere Stufen einer Exploit-Kette hinweg zu schlussfolgern.
Die öffentlichen Scores zeigen sowohl Fortschritt als auch Grenzen. GLM-5.3 führt Z.ais Vergleichstabelle auf CyberGym mit 84.5 an, gegenüber 77.2 für GLM-5.2. Auf ExploitBench verdoppelt es GLM-5.2 mehr als und erreicht 54.4 gegenüber 24.4, bleibt jedoch deutlich hinter Fable 5 mit 78.0 und GPT-5.6 Sol mit 76.5. Auf ExploitGym schließt es 105 Aufgaben in einem normalisierten Zwei-Stunden-Budget und 130 in sechs Stunden ab, verglichen mit 29 bzw. 39 für GLM-5.2; GPT-5.6 Sol und Fable 5 liegen weiterhin deutlich vorn.
Diese Fähigkeiten sind Dual-Use. Organisationen sollten den Modellzugang begrenzen, Tools sandboxen, Aktionen protokollieren, Autorisierung für Scans verlangen und den Menschen in die Schleife für Schwachstellenvalidierung und Disclosure einbinden.
4. Always-On-Denken mit drei Effort-Stufen
GLM-5.3 unterstützt low, high und max Reasoning-Effort. Anders als GLM-5.2 unterstützt es kein deaktiviertes Denken. Bestehende Integrationen, die thinking.type: "disabled" senden, müssen den Wert vor dem Wechsel der Modell-ID auf enabled ändern, sonst schlägt die Anfrage laut Z.ai fehl.
Verwenden Sie low für interaktive Edits und risikoarme Transformationen, high für substanzielle Repository-Aufgaben und max für schwieriges Coding oder Sicherheitsanalysen. Höherer Effort sollte hinsichtlich Latenz und Kosten evaluiert werden, da eine stärkere Antwort nicht automatisch die wirtschaftlichste ist.
5. Besserer Training-Throughput durch slime
GLM-5.3 nutzt weiterhin slime, Z.ais Open-Source-Framework mit Megatron auf der Trainingsseite und SGLang auf der Rollout-Seite. Z.ai berichtet Ergänzungen für Top-p-Masking, Top-k- und Vollvokabular-On-Policy-Distillation, Teacher Switching, Caching und engere numerische Angleichung zwischen Training und Rollout. Der Launch-Bericht sagt, durchschnittliche Log-Probabilitätsdifferenzen seien auf 1e-7-Niveau kontrolliert worden, mehr als 99.99% niedriger als in früheren Setups.
Arbeitslastbewusste Planung und Lastverteilung verbesserten den End-to-End-Reinforcement-Learning-Throughput bei Langhorizont-Coding-Aufgaben Berichten zufolge um mehr als das 2,3-Fache. Dies sind Trainingsinfrastruktur-Verbesserungen, keine Endnutzer-Inferenzgarantien, erklären aber, wie Z.ai innerhalb eines Monats längere und vielfältigere Trajektorien skaliert hat.
6. Verzögerte offene Gewichte zur Sicherheitsprüfung
Z.ai nennt GLM-5.3 ein Open-Weights-Modell, aber die Gewichte waren am Launch-Tag nicht herunterladbar. Das Unternehmen sagt, sie würden zwei Wochen nach dem Start nach Sicherheitsbewertung und -härtung veröffentlicht. Das ist ein wesentlicher Unterschied zu GLM-5.2, dessen MIT-lizenzierte Gewichte bereits auf Hugging Face liegen.
Für die meisten Teams ist gehostetes API-Testing weiterhin der praktische erste Schritt. Das Modell ist groß, und offene Gewichte beseitigen nicht die Kosten für Inferenz-Hardware, Quantisierung, Serving, Monitoring oder Sicherheitskontrollen.
GLM-5.3 vs GLM-5.2: Benchmark Improvements
Die folgende Tabelle verwendet Z.ais offizielle Launch-Daten. „Change“ ist eine einfache Berechnung aus den gemeldeten Scores. Relative Prozentsätze können dramatisch wirken, wenn die GLM-5.2-Basis niedrig ist, daher wird auch die absolute Änderung gezeigt.
| Benchmark | GLM-5.2 | GLM-5.3 | Absolute change | Relative change |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 81.0 | 88.2 | +7.2 | +8.9% |
| Terminal-Bench 3.0 | 4.6 | 28.3 | +23.7 | +515.2% |
| DeepSWE v1.1 | 46.2 | 66.9 | +20.7 | +44.8% |
| NL2Repo | 48.9 | 58.0 | +9.1 | +18.6% |
| ProgramBench Almost Solved | 9.5 | 19.0 | +9.5 | +100.0% |
| FrontierSWE | 67.5 | 78.1 | +10.6 | +15.7% |
| SWE-Marathon v1.1 | 19.4 | 42.5 | +23.1 | +119.1% |
| PostTrainBench | 31.7 | 39.8 | +8.1 | +25.6% |
| CyberGym | 77.2 | 84.5 | +7.3 | +9.5% |
| ExploitBench | 24.4 | 54.4 | +30.0 | +123.0% |
| ExploitGym, 2-hour tasks | 29 | 105 | +76 | +262.1% |
| ExploitGym, 6-hour tasks | 39 | 130 | +91 | +233.3% |
| Toolathlon Verified | 59.9 | 73.0 | +13.1 | +21.9% |
| AutomationBench v1.0.6 | 26.2 | 48.2 | +22.0 | +84.0% |
| Agents' Last Exam CLI | 23.8 | 28.5 | +4.7 | +19.7% |
| HLE with tools | 54.7 | 62.5 | +7.8 | +14.3% |
| GDPval-AA v2, Elo | 1508 | 1769 | +261 | +17.3% |
Benchmark Improvements: GLM-5.3 vs GLM-5.2 and Competitors
Alle Zahlen unten sind vom Anbieter gemeldet und stammen vom offiziellen Z.ai-Blog (mit Methodikhinweisen zu Harnesses, Kontextlängen und Sampling). Unabhängige Verifikation folgt, sobald Gewichte und breiterer Zugang verfügbar sind.
Coding Benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Notes / Competitors |
|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | Wettbewerbsfähig mit Top-Closed-Modellen |
| Terminal Bench 3.0 | 28.3 | 4.6 | Open-Source SOTA; vs Fable 5 ~33.7, GPT-5.6 Sol ~34.6 |
| DeepSWE v1.1 | 66.9 | 46.2 | Starker Sprung |
| NL2Repo | 58.0 | 48.9 | — |
| ProgramBench Almost Solved | 19.0 | 9.5 | — |
| FrontierSWE | 78.1 | 67.5 | — |
| SWE-Marathon v1.1 | 42.5 | 19.4 | — |
| Z.ai Code Bench (internal, Max effort) | ~34.5% completion @ ~75K tokens | ~23.4% @ ~96K tokens | ~50% Gesamtverbesserung im Coding-„Feel“; höhere Effizienz |
Bei High effort erreichte GLM-5.3 31.4% Completion mit ~50K Tokens und übertraf damit Claude Opus 4.8 (29.5% mit 120K Tokens) auf dem internen Bench, lag jedoch weiterhin hinter Claude Fable 5 (39.5% bei Max).
Cybersecurity Benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Competitors (approx.) |
|---|---|---|---|
| CyberGym | 84.5% | 77.2% | Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA) |
| ExploitBench | 54.4% | 24.4% | Mehr als verdoppelt; Closed-Modelle höher (Mythos 5 ~78%, GPT-5.6 Sol ~76.5%) |
| ExploitGym (2h/6h) | 105 / 130 | 29 / 39 | Mythos 5 weiterhin vorn (181/247) |
Die Zugewinne sind am größten weiter oben in der Exploit-Kette. In Praxistests mit chinesischen Sicherheitsteams identifizierte das Modell (aufbauend auf der Arbeit zu GLM-5.2) 2.436 Schwachstellen in 269 Projekten, darunter 1.097 mit mittlerer bis hoher Schwere. Einige Mängel datierten etwa 40 Jahre zurück (ältester ~1981). Funde sind im öffentlichen Z.ai Security Disclosure Ledger nachverfolgt.
Agentic & Other Benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Notes |
|---|---|---|---|
| Toolathlon Verified | 73.0 | 59.9 | — |
| AutomationBench v1.0.6 | 48.2 | 26.2 | Großer Sprung |
| Agents’ Last Exam (ALE-CLI) | 28.5 | 23.8 | Open-Source konkurrenzfähig |
| HLE w/ Tools | 62.5 | 54.7 | — |
| GDPval-AA v2 | 1769 | 1508 | Deckt 44 Berufe ab |
Diese Ergebnisse zeigen klaren Fortschritt bei Langhorizont-, mehrstufigen professionellen Aufgaben.
Token Efficiency, Thinking Modes, and Practical Behavior
Eine stille, aber wichtige Verbesserung ist die Token-Effizienz. Auf dem internen Code Bench gehen höhere Completion-Raten mit weniger Ausgabetokens einher. Das zählt für Kosten und Latenz in produktiven Agent-Loops.
GLM-5.3 aktiviert Denken immer. Es werden drei Effort-Stufen unterstützt: low, high und max (Standard und für Coding empfohlen ist max). Das Deaktivieren des Denkens wird nicht mehr unterstützt; Anwendungen, die zuvor thinking.type: "disabled" gesetzt haben, müssen migrieren.
Der Kontext bleibt solide bei 1M Tokens mit maximaler Ausgabe bis zu 128K. Die Architektur ist gegenüber GLM-5.2 unverändert, so dass die Hardwaredimensionierung für zukünftiges Self-Hosting aus der GLM-5.2-Erfahrung abgeschätzt werden kann (quantisierte Footprints bleiben angesichts der Gesamtparameterzahl groß).
Für Entwickler, die sofort experimentieren oder flexibel über Modelle bleiben möchten, sind vereinheitlichte Gateways nützlich. CometAPI listet GLM-Serienmodelle (einschließlich GLM-5.3 unter der Modell-ID glm-5.3, sobald verfügbar) mit OpenAI-kompatiblen Endpunkten, wettbewerbsfähigen Preisen, nutzungsbasierter Abrechnung und der Möglichkeit, zwischen GLM-5.2, GLM-5.3 und Dutzenden anderer Frontier- und Open-Modelle zu wechseln, ohne Integrationscode neu zu schreiben. Das ist besonders praktisch für A/B-Tests von Coding-Agenten, die Messung realer Kosten pro erfolgreicher Aufgabe und das Routing von Traffic basierend auf dem Workload.
Who Should Move to GLM-5.3 and How to Evaluate
Teams, die Coding-Agenten, Langhorizont-Automatisierung, Repository-Skalen-Engineering-Workflows oder defensive Security-Tools bauen, sollten die Evaluation priorisieren. Die Kombination aus höheren Completion-Raten, besserer Token-Effizienz bei komplexen Aufgaben und stärkerer mehrstufiger Agency ist wesentlich.
Empfohlener Evaluationspfad:
- Führen Sie die gleichen internen Aufgaben (oder ein festes Harness) auf GLM-5.2 und GLM-5.3 (oder via Coding Plan) bei abgestimmten Effort-Stufen aus.
- Messen Sie nicht nur Passrate, sondern Tokens, Wall-Clock-Zeit und Rate menschlicher Intervention.
- Verwenden Sie eine einheitliche API-Schicht wie CometAPI, um den Vergleich reibungslos zu halten und die Option für Fallback oder selektives Routing zu behalten.
- Für sicherheitssensible Workloads: Warten Sie auf die vollständig sicherheitsgehärteten offenen Gewichte und prüfen Sie Disclosure-Praktiken.
Selbsthosting wird attraktiv, sobald die Gewichte ausgeliefert werden – insbesondere für Organisationen, die bereits GLM-5.2-Infrastruktur betreiben.
Conclusion: Post-Training as the New Scaling Frontier
GLM-5.3 ist eine der klarsten jüngeren Demonstrationen, dass Post-Training-Skalierung – realistischere Umgebungen, bessere RL-Infrastruktur und nachhaltiger Compute auf langen Trajektorien – Fähigkeitsprünge erzeugen kann, die zuvor neue Basismodelle zu erfordern schienen. Die Coding- und agentischen Zugewinne sind groß; die Cyber-Ergebnisse waren weitgehend emergent und bereits konkurrenzfähig oder führend auf Discovery-orientierten Benchmarks.
Für Praktiker ist die praktische Quintessenz klar: Testen Sie das Modell auf Ihren tatsächlichen Workloads, messen Sie Kosten pro erfolgreichem Ergebnis statt reine Leaderboard-Positionen, und halten Sie die Integration flexibel. Plattformen wie CometAPI vereinfachen diesen Prozess, indem sie einen einzigen Key, eine OpenAI-kompatible Schnittstelle und einfaches Umschalten über die GLM-Serie und konkurrierende Modelle bieten, während Sie entscheiden, wie aggressiv Sie die neuen Fähigkeiten übernehmen.