TLDR Z.ai merilis GLM-5.3 pada 14 Agustus 2026, di atas model dasar Mixture-of-Experts ~743–753B parameter yang sama persis seperti GLM-5.2. Semua peningkatan berasal dari pasca-pelatihan berskala pada lingkungan horizon panjang. Hasilnya adalah peningkatan relatif ~50% pada Code Bench internal Z.ai, SOTA open-source di Terminal-Bench 3.0 (4.6 → 28.3) dan Agents’ Last Exam, skor agentic yang jauh lebih baik, dan performa keamanan siber mutakhir yang muncul (CyberGym 84.5%). Efisiensi token juga meningkat.
Bobot model diperkirakan tersedia sekitar dua minggu setelah peluncuran, setelah pengetatan keselamatan. Pengembang sudah bisa mengakses model GLM terkait dan menguji alur kerja secara efisien melalui platform terpadu seperti CometAPI.
Poin Utama
- Model dasar sama seperti GLM-5.2; semua peningkatan dari pasca-pelatihan (IndexShare, SAO, kerangka slime + lebih banyak lingkungan dan komputasi).
- Coding: Terminal-Bench 3.0 4.6 → 28.3; DeepSWE v1.1 46.2 → 66.9; Z.ai Code Bench internal ~50% lebih baik dengan token keluaran lebih sedikit.
- Agentic: AutomationBench 26.2 → 48.2; Agents’ Last Exam 23.8 → 28.5; GDPval-AA v2 1508 → 1769.
- Cyber: CyberGym 77.2 → 84.5 (SOTA, di depan Mythos 5 dan GPT-5.6 Sol); ExploitBench lebih dari dua kali lipat (24.4 → 54.4). Temuan di dunia nyata: 2.436 kerentanan di 269 proyek.
- Spesifikasi inti arsitektur tidak berubah: 1M konteks, hingga 128K token keluaran, pemikiran selalu aktif dengan tingkat effort low/high/max.
- Akses: Live via GLM Coding Plan dan ZCode; API umum dan bobot terbuka (diperkirakan gaya MIT) menyusul setelah tinjauan keselamatan. CometAPI menawarkan akses nyaman yang kompatibel dengan OpenAI ke keluarga GLM untuk pengujian berdampingan dan perutean produksi.
GLM-5.3 vs GLM-5.2 Sekilas
| Dimensi | GLM-5.3 | GLM-5.2 | Pemenang / Catatan |
|---|---|---|---|
| Model dasar | Sama ~743–753B MoE | Sama | Identik |
| Pasca-pelatihan | Lingkungan sangat diskalakan | Stack lebih awal | 5.3 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 5.3 (besar) |
| DeepSWE v1.1 | 66.9 | 46.2 | 5.3 |
| Internal Code Bench (Max) | 34.5% @ ~75K token | 23.4% @ ~96K token | 5.3 (performa + efisiensi) |
| 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 |
| Konteks / Keluaran maks | 1M / 128K | 1M / serupa | Sama |
| Pemikiran | Selalu aktif (low/high/max) | Sebelumnya lebih fleksibel | 5.3 (selalu aktif) |
| Bobot terbuka | ~2 minggu pasca rilis (direnc.) | Tersedia (MIT) | 5.2 saat ini |
| Akses utama saat ini | Coding Plan / ZCode | API + bobot + Coding Plan | 5.2 lebih matang |
Pengantar: Pasca-Pelatihan Menghadirkan Lompatan Generasional
Pada pertengahan Agustus 2026 komunitas AI menyaksikan iterasi cepat lain dalam perlombaan bobot terbuka. Z.ai (wajah internasional tim eks Zhipu AI / ChatGLM) meluncurkan GLM-5.3 hanya 59 hari setelah GLM-5.2. Pengumumannya jelas: model dasar tetap identik. “Menskalakan pasca-pelatihan adalah satu-satunya yang kami lakukan untuk GLM-5.3,” kata perusahaan.
Klaim itu penting. Bertahun-tahun narasi dominan adalah “model yang lebih besar menang.” GLM-5.3 menunjukkan bahwa penskalaan agresif lingkungan reinforcement learning, keragaman tugas horizon panjang, dan infrastruktur sistem dapat menghasilkan lompatan besar pada beban kerja coding, agentic, dan bahkan keamanan siber tanpa prapelatihan baru. Angkanya cukup besar pada beberapa benchmark sulit sehingga pengamat independen menyebut lompatan ini bersifat kualitatif, bukan inkremental. Ikhtisar fitur, benchmark, dan catatan akses GLM-5.3.
GLM-5.3 vs GLM-5.2: Apa yang Sebenarnya Berubah?
Kesalahpahaman terbesar adalah mengira GLM-5.3 sekadar “GLM-5.2 yang lebih besar.”
Bukan.
Model dasar pada dasarnya sama, menurut Z.ai. Inovasi utamanya adalah penskalaan pasca-pelatihan. Z.ai menekankan tiga pilar:
- Peningkatan sistem di dalam slime — Pelatihan lebih baik
- Penskalaan lingkungan — Pipeline yang menyintesis lingkungan yang dapat dieksekusi, terverifikasi, dan horizon panjang dari alur kerja profesional nyata. Agen riset mengekstrak pola tugas; agen juri memverifikasi keterpecahan; verifier dibangun tanpa akses ke solusi referensi untuk mengurangi reward hacking.
- Penggunaan berkelanjutan SAO + kompaksi — Membantu gain bertahan pada trajektori panjang alih-alih runtuh pada yang pendek. –konsistensi rollout (perbedaan log-prob dikendalikan hingga ~1e-7), caching hierarkis, dukungan multi-teacher, penjadwalan sadar-beban kerja, dan dilaporkan >2,3× peningkatan throughput end-to-end pada tugas RL coding horizon panjang.
Perubahan ini menghasilkan peningkatan terukur di seluruh suite coding, agentic, dan keamanan siber. Pentingnya, gain relatif terbesar muncul pada uji yang paling sulit dengan baseline terendah—persis pola yang diharapkan saat model didorong ke rezim yang sebelumnya tidak dapat ditanganinya secara andal.
Hasilnya adalah peningkatan model yang terutama menyangkut perilaku dan kapabilitas, bukan sekadar arsitektur.
GLM-5.3 vs GLM-5.2: Perbandingan Fitur
1. Pasca-Pelatihan Diskalakan, Bukan Model Dasar Baru
Z.ai menggambarkan pasca-pelatihan diskalakan sebagai keseluruhan resep untuk GLM-5.3. Agen riset mengubah pola dari pekerjaan nyata menjadi tugas yang dapat dijalankan dengan state tersembunyi dan dependensi multi-langkah. Agen juri memverifikasi bahwa tiap tugas dapat diselesaikan. Verifier dibuat tanpa melihat solusi referensi, lalu diuji terhadap oracle, no-op, dan state yang belum terselesaikan untuk mengurangi jalan pintas reward.
Sistem ini tetap memerlukan tinjauan manusia, dan Z.ai menyatakan dengan jelas bahwa generasi dan verifikasi lingkungan yang lebih otonom masih menjadi pekerjaan masa depan. Kaveat itu meningkatkan kredibilitas klaim: ini adalah pipeline pelatihan besar, bukan klaim bahwa lingkungan sintetis telah sepenuhnya swakelola.
2. Coding Horizon Panjang yang Lebih Kuat
GLM-5.3 membaik pada pekerjaan repositori, tugas terminal, infrastruktur machine learning, optimasi performa, dan delivery perangkat lunak multi-langkah. Pada Z.ai Code Bench, evaluasi internal privat yang dimaksudkan mencerminkan skenario pengguna realistis, Z.ai melaporkan sekitar 50% performa coding lebih baik daripada GLM-5.2.
Hasil efisiensi sama pentingnya dengan skor. Pada tingkat Max, GLM-5.3 mencapai 34,5% pada sekitar 75K token keluaran per tugas, dibandingkan 23,4% pada 96K untuk GLM-5.2. Itu adalah kenaikan kualitas 11,1 poin sambil menghasilkan sekitar 22% lebih sedikit token keluaran. Pada tingkat High, GLM-5.3 mencapai 31,4% dengan sekitar 50K token, melampaui Claude Opus 4.8 pada 29,5% dengan 120K dalam bagan first-party yang sama. Claude Fable 5 tetap lebih tinggi di 39,5% pada tingkat Max.
3. Kapabilitas Keamanan Siber yang Muncul
Z.ai menambahkan lingkungan penemuan kerentanan selama pasca-pelatihan. Menurut laporan peluncuran, kapabilitas tumbuh melampaui menemukan cacat terisolasi: model mulai bernalar di berbagai tahap rantai eksploitasi.
Skor publik menunjukkan kemajuan dan batas. GLM-5.3 memimpin tabel perbandingan Z.ai pada CyberGym di 84,5, versus 77,2 untuk GLM-5.2. Pada ExploitBench ia lebih dari dua kali lipat GLM-5.2, mencapai 54,4 versus 24,4, namun masih tertinggal dari Fable 5 di 78,0 dan GPT-5.6 Sol di 76,5. Pada ExploitGym ia menyelesaikan 105 tugas dalam anggaran dua jam ternormalisasi dan 130 dalam enam jam, dibanding 29 dan 39 untuk GLM-5.2; GPT-5.6 Sol dan Fable 5 tetap jauh di depan.
Kapabilitas ini bersifat dual-use. Organisasi harus membatasi akses model, men-sandbox alat, mencatat tindakan, mewajibkan otorisasi untuk pemindaian, dan mempertahankan manusia dalam loop untuk validasi dan pengungkapan kerentanan.
4. Reasoning Selalu Aktif dengan Tiga Tingkat Effort
GLM-5.3 mendukung low, high, dan max reasoning effort. Berbeda dengan GLM-5.2, ia tidak mendukung pemikiran yang dinonaktifkan. Integrasi yang ada yang mengirim thinking.type: "disabled" harus mengubah nilainya menjadi enabled sebelum mengganti ID model, atau Z.ai mengatakan permintaan akan gagal.
Gunakan low untuk edit interaktif dan transformasi berisiko rendah, high untuk tugas repositori substansial, dan max untuk coding sulit atau analisis keamanan. Tingkat effort lebih tinggi perlu dievaluasi untuk latensi dan biaya karena jawaban yang lebih kuat tidak otomatis jawaban paling ekonomis.
5. Throughput Pelatihan Lebih Baik melalui slime
GLM-5.3 terus menggunakan slime, kerangka kerja open-source Z.ai dengan Megatron di sisi pelatihan dan SGLang di sisi rollout. Z.ai melaporkan penambahan untuk top-p masking, distilasi on-policy top-k dan full-vocabulary, peralihan teacher, caching, dan penyelarasan numerik yang lebih ketat antara pelatihan dan rollout. Laporan peluncuran menyebut perbedaan rata-rata log-probabilitas dikendalikan pada level 1e-7, lebih dari 99,99% lebih rendah daripada setup sebelumnya.
Penjadwalan sadar-beban kerja dan penyeimbangan beban dilaporkan meningkatkan throughput reinforcement learning end-to-end lebih dari 2,3 kali pada tugas coding horizon panjang. Ini adalah peningkatan infrastruktur pelatihan, bukan jaminan inferensi sisi pengguna akhir, tetapi menjelaskan bagaimana Z.ai menskalakan trajektori yang lebih panjang dan lebih bervariasi dalam sebulan.
6. Bobot Terbuka Ditunda demi Tinjauan Keselamatan
Z.ai menyebut GLM-5.3 sebagai model bobot terbuka, tetapi bobotnya tidak dapat diunduh pada hari peluncuran. Perusahaan mengatakan bobot akan dirilis dua minggu setelah peluncuran usai evaluasi dan pengetatan keselamatan. Ini berbeda secara material dari GLM-5.2, yang bobot berlisensi MIT-nya sudah ada di Hugging Face.
Bagi sebagian besar tim, pengujian API hosted tetap langkah praktis pertama. Modelnya besar, dan bobot terbuka tidak menghapus biaya perangkat keras inferensi, kuantisasi, serving, pemantauan, atau kontrol keamanan.
GLM-5.3 vs GLM-5.2: Peningkatan Benchmark
Tabel berikut menggunakan data peluncuran resmi Z.ai. “Perubahan” adalah perhitungan sederhana dari skor yang dilaporkan. Persentase relatif bisa tampak dramatis saat baseline GLM-5.2 rendah, jadi perubahan absolut juga ditampilkan.
| Benchmark | GLM-5.2 | GLM-5.3 | Perubahan absolut | Perubahan relatif |
|---|---|---|---|---|
| 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, tugas 2 jam | 29 | 105 | +76 | +262.1% |
| ExploitGym, tugas 6 jam | 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% |
Peningkatan Benchmark: GLM-5.3 vs GLM-5.2 dan Pesaing
Semua angka di bawah dilaporkan vendor dari blog resmi Z.ai (dengan catatan metodologi tentang harness, panjang konteks, dan sampling). Verifikasi independen akan menyusul setelah bobot dan akses lebih luas tersedia.
Benchmark Coding
| Benchmark | GLM-5.3 | GLM-5.2 | Catatan / Pesaing |
|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | Bersaing dengan model tertutup teratas |
| Terminal Bench 3.0 | 28.3 | 4.6 | SOTA open-source; vs Fable 5 ~33.7, GPT-5.6 Sol ~34.6 |
| DeepSWE v1.1 | 66.9 | 46.2 | Lompatan kuat |
| 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 token | ~23.4% @ ~96K token | ~50% peningkatan keseluruhan dalam rasa coding; efisiensi lebih tinggi |
Pada tingkat High, GLM-5.3 mencapai 31,4% completion dengan ~50K token, melampaui Claude Opus 4.8 (29,5% dengan 120K token) pada bench internal, meski masih di bawah Claude Fable 5 (39,5% pada Max).
Benchmark Keamanan Siber
| Benchmark | GLM-5.3 | GLM-5.2 | Pesaing (perkiraan) |
|---|---|---|---|
| CyberGym | 84.5% | 77.2% | Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA) |
| ExploitBench | 54.4% | 24.4% | Lebih dari dua kali lipat; model tertutup lebih tinggi (Mythos 5 ~78%, GPT-5.6 Sol ~76,5%) |
| ExploitGym (2h/6h) | 105 / 130 | 29 / 39 | Mythos 5 masih di depan (181/247) |
Kenaikan terbesar terjadi lebih jauh di rantai eksploitasi. Dalam pengujian dunia nyata dengan tim keamanan Tiongkok, model (melanjutkan pekerjaan GLM-5.2) mengidentifikasi 2.436 kerentanan di 269 proyek, termasuk 1.097 isu dengan tingkat keparahan menengah hingga tinggi. Beberapa cacat berusia ~40 tahun (tertua ~1981). Temuan dilacak dalam Z.ai Security Disclosure Ledger publik.
Agentic & Benchmark Lain
| Benchmark | GLM-5.3 | GLM-5.2 | Catatan |
|---|---|---|---|
| Toolathlon Verified | 73.0 | 59.9 | — |
| AutomationBench v1.0.6 | 48.2 | 26.2 | Kenaikan besar |
| Agents’ Last Exam (ALE-CLI) | 28.5 | 23.8 | Kompetitif open-source |
| HLE w/ Tools | 62.5 | 54.7 | — |
| GDPval-AA v2 | 1769 | 1508 | Mencakup 44 profesi |
Hasil ini menunjukkan kemajuan yang jelas pada tugas profesional multi-langkah ber-horizon panjang.
Efisiensi Token, Mode Pemikiran, dan Perilaku Praktis
Peningkatan yang tidak mencolok namun penting adalah efisiensi token. Pada Code Bench internal, tingkat completion lebih tinggi hadir dengan token keluaran lebih sedikit. Ini penting bagi biaya dan latensi di loop agen produksi.
GLM-5.3 selalu mengaktifkan pemikiran. Tiga tingkat effort didukung: low, high, dan max (default dan direkomendasikan untuk coding adalah max). Menonaktifkan pemikiran tidak lagi didukung; aplikasi yang sebelumnya menetapkan thinking.type: "disabled" harus bermigrasi.
Konteks tetap solid 1M token dengan keluaran maksimum hingga 128K. Arsitektur tidak berubah dari GLM-5.2, sehingga penentuan ukuran perangkat keras untuk self-hosting di masa depan dapat diperkirakan dari pengalaman GLM-5.2 (jejak terkuantisasi tetap besar mengingat total jumlah parameter).
Bagi pengembang yang ingin bereksperimen segera atau mempertahankan fleksibilitas lintas model, gateway terpadu bermanfaat. CometAPI mencantumkan model seri GLM (termasuk GLM-5.3 di bawah ID model glm-5.3 saat tersedia) dengan endpoint yang kompatibel OpenAI, tarif kompetitif , penagihan berbasis penggunaan, dan kemampuan beralih antara GLM-5.2, GLM-5.3, dan puluhan model frontier dan open lainnya tanpa menulis ulang kode integrasi. Ini sangat praktis untuk A/B testing agen coding, mengukur biaya per tugas berhasil di dunia nyata, dan merutekan trafik berdasarkan beban kerja.
Siapa yang Harus Beralih ke GLM-5.3 dan Cara Mengevaluasi
Tim yang membangun agen coding, otomasi horizon panjang, alur kerja rekayasa skala repositori, atau tooling keamanan defensif harus memprioritaskan evaluasi. Kombinasi tingkat completion lebih tinggi, efisiensi token yang lebih baik pada tugas kompleks, dan agensi multi-langkah yang lebih kuat itu material.
Jalur evaluasi yang direkomendasikan:
- Jalankan tugas internal yang sama (atau harness tetap) pada GLM-5.2 dan GLM-5.3 (atau via Coding Plan) pada tingkat effort yang disamakan.
- Ukur bukan hanya tingkat lolos tetapi juga token, waktu dinding, dan tingkat intervensi manusia.
- Gunakan lapisan API terpadu seperti CometAPI untuk menjaga perbandingan tetap mulus dan mempertahankan opsi fallback atau perutean selektif.
- Untuk beban kerja sensitif keamanan, tunggu bobot terbuka yang telah diperkuat keselamatannya sepenuhnya dan tinjau praktik pengungkapan.
Self-hosting akan menjadi menarik setelah bobot dirilis, terutama bagi organisasi yang sudah menjalankan infrastruktur GLM-5.2.
Kesimpulan: Pasca-Pelatihan sebagai Frontier Penskalahan Baru
GLM-5.3 adalah salah satu demonstrasi paling jelas baru-baru ini bahwa skala pasca-pelatihan—lingkungan yang lebih realistis, infrastruktur RL yang lebih baik, dan komputasi berkelanjutan pada trajektori panjang—dapat menghasilkan lompatan kapabilitas yang sebelumnya tampak memerlukan model dasar baru. Gain coding dan agentic besar; hasil cyber sebagian besar bersifat emergen dan sudah kompetitif atau terdepan pada benchmark penemuan.
Bagi praktisi, intinya sederhana: uji model pada beban kerja nyata Anda, ukur biaya per hasil sukses alih-alih posisi leaderboard mentah, dan pertahankan integrasi yang fleksibel. Platform seperti CometAPI menyederhanakan proses itu dengan menawarkan satu kunci, antarmuka yang kompatibel OpenAI, dan kemudahan beralih di seluruh seri GLM dan model pesaing sembari Anda memutuskan seberapa agresif mengadopsi kapabilitas baru.