Mit CometAPI entwickelnEine API für mehrere Modelle erforderlich?Teste den Workflow im Playground und erstelle anschließend einen API-Schlüssel, sobald Modell und Kosten zu deinem Anwendungsfall passen.
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).
Weiterlernen
Diesen Artikel mit der nächsten Entscheidung verknüpfen.
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.
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
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
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.