TLDR Z.ai ha rilasciato GLM-5.3 il 14 agosto 2026, sullo stesso modello base Mixture-of-Experts da ~743–753B parametri di GLM-5.2. Ogni miglioramento deriva dal post-training scalato su ambienti a lungo orizzonte. Il risultato è un miglioramento relativo di ~50% sul Code Bench interno di Z.ai, SOTA open-source su Terminal-Bench 3.0 (4.6 → 28.3) e Agents’ Last Exam, punteggi agentici drasticamente migliori, e prestazioni emergenti di cybersecurity allo stato dell’arte (CyberGym 84.5%). È migliorata anche l’efficienza dei token.
I pesi sono previsti circa due settimane dopo il lancio, dopo il rafforzamento della sicurezza. Gli sviluppatori possono già accedere ai modelli GLM correlati e testare i workflow in modo efficiente tramite piattaforme unificate come CometAPI.
Punti chiave
- Stesso modello base di GLM-5.2; tutti i progressi derivano dal post-training (IndexShare, SAO, framework slime + più ambienti e compute).
- Coding: Terminal-Bench 3.0 4.6 → 28.3; DeepSWE v1.1 46.2 → 66.9; Code Bench interno di Z.ai ~50% meglio con meno token di output.
- Agentico: AutomationBench 26.2 → 48.2; Agents’ Last Exam 23.8 → 28.5; GDPval-AA v2 1508 → 1769.
- Cyber: CyberGym 77.2 → 84.5 (SOTA, davanti a Mythos 5 e GPT-5.6 Sol); ExploitBench più che raddoppiato (24.4 → 54.4). Riscontri reali: 2.436 vulnerabilità su 269 progetti.
- Specifiche invariate nell’architettura core: contesto da 1M, fino a 128K token di output, ragionamento sempre attivo con impegno basso/alto/massimo.
- Accesso: live via GLM Coding Plan e ZCode; API generica e pesi aperti (previsti stile MIT) in arrivo dopo la revisione di sicurezza. CometAPI offre accesso compatibile con OpenAI alla famiglia GLM per test side-by-side e instradamento in produzione.
GLM-5.3 vs GLM-5.2 in sintesi
| Dimensione | GLM-5.3 | GLM-5.2 | Vincitore / Note |
|---|---|---|---|
| Modello base | Stesso MoE ~743–753B | Stesso | Identici |
| Post-training | Ambienti fortemente scalati | Stack precedente | 5.3 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 5.3 (grande) |
| DeepSWE v1.1 | 66.9 | 46.2 | 5.3 |
| Internal Code Bench (Max) | 34.5% @ ~75K token | 23.4% @ ~96K token | 5.3 (prestaz. + efficienza) |
| 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 |
| Contesto / Output massimo | 1M / 128K | 1M / simile | Uguali |
| Ragionamento | Sempre attivo (basso/alto/max) | Più flessibile in precedenza | 5.3 (always-on) |
| Pesi aperti | ~2 settimane post-lancio (previsti) | Disponibili (MIT) | 5.2 attualmente |
| Accesso primario ora | Coding Plan / ZCode | API + pesi + Coding Plan | 5.2 più maturo |
Introduzione: il post-training offre un salto generazionale
A metà agosto 2026 la comunità AI ha assistito a un’altra iterazione rapida nella corsa ai pesi aperti. Z.ai (il volto internazionale dell’ex team Zhipu AI / ChatGLM) ha lanciato GLM-5.3 appena 59 giorni dopo GLM-5.2. L’annuncio è stato insolito per chiarezza: il modello base sottostante è rimasto identico. “Per GLM-5.3 abbiamo solo scalato il post-training,” ha affermato l’azienda.
Questa affermazione è importante. Per anni ha dominato la narrativa “i modelli più grandi vincono”. GLM-5.3 dimostra che lo scaling aggressivo degli ambienti di apprendimento per rinforzo, la diversità di compiti a lungo orizzonte e l’infrastruttura di sistema possono produrre guadagni sproporzionati su workload difficili di coding, agentici e persino di cybersecurity senza un nuovo ciclo di pre-training. I numeri sono abbastanza grandi su diversi benchmark impegnativi che osservatori indipendenti hanno descritto il salto come qualitativamente diverso piuttosto che incrementale. Panoramica di funzionalità, benchmark e note di accesso di GLM-5.3.
GLM-5.3 vs GLM-5.2: cosa è realmente cambiato?
Il più grande fraintendimento sarebbe pensare che GLM-5.3 sia semplicemente “GLM-5.2 ma più grande”.
Non lo è.
Il modello base rimane sostanzialmente lo stesso, secondo Z.ai. La principale innovazione è il post-training scalato. Z.ai evidenzia tre pilastri:
- Miglioramenti di sistema all’interno di slime — Addestramento migliore
- Scaling degli ambienti — Pipeline che sintetizzano ambienti eseguibili, verificabili e a lungo orizzonte a partire da workflow professionali reali. Agenti di ricerca estraggono pattern di compiti; agenti giudici verificano la risolvibilità; i verificatori sono costruiti senza accesso alle soluzioni di riferimento per ridurre il reward hacking.
- Uso continuo di SAO + compaction — Aiuta i guadagni a persistere su traiettorie lunghe anziché collassare su quelle corte. –consistenza dei rollout (differenze di log-prob controllate a ~1e-7), caching gerarchico, supporto multi-teacher, pianificazione consapevole del carico e riportati >2.3× di guadagno di throughput end-to-end su task RL di coding a lungo orizzonte.
Questi cambiamenti hanno prodotto miglioramenti misurabili su suite di coding, agentiche e di cybersecurity. Importante, i guadagni relativi più grandi emergono sui test più difficili e con baseline più basse—esattamente il pattern atteso quando un modello viene spinto in regimi che in precedenza non riusciva a gestire in modo affidabile.
Il risultato è un upgrade del modello che riguarda principalmente comportamento e capacità, piuttosto che semplicemente l’architettura.
GLM-5.3 vs GLM-5.2: confronto delle funzionalità
1. Post-training scalato invece di un nuovo modello base
Z.ai descrive lo scaling del post-training come l’intera ricetta di GLM-5.3. Gli agenti di ricerca trasformano pattern dal lavoro reale in compiti eseguibili con stato nascosto e dipendenze multi-step. Un agente giudice verifica che ogni compito sia risolvibile. I verificatori vengono creati senza vedere la soluzione di riferimento, poi testati contro stati oracle, no-op e unsolved per ridurre scorciatoie di ricompensa.
Il sistema richiede ancora revisione umana, e Z.ai afferma esplicitamente che generazione e verifica più autonome degli ambienti restano lavori futuri. Questa clausola aumenta la credibilità dell’affermazione: si tratta di una grande pipeline di training, non del claim che gli ambienti sintetici siano diventati completamente autogovernati.
2. Coding a lungo orizzonte più robusto
GLM-5.3 migliora nel lavoro su repository, attività da terminale, infrastruttura di machine learning, ottimizzazione delle prestazioni e delivery software multi-step. Sul Code Bench interno di Z.ai, la valutazione privata pensata per riflettere scenari utente realistici, Z.ai riporta ~50% di miglioramento nel coding rispetto a GLM-5.2.
Il risultato di efficienza è importante quanto il punteggio. A impegno Max, GLM-5.3 ha raggiunto 34.5% con circa 75K token di output per task, contro il 23.4% a 96K di GLM-5.2. È un guadagno di 11.1 punti di qualità producendo circa il 22% di token in meno. A impegno High, GLM-5.3 ha raggiunto 31.4% usando circa 50K token, davanti a Claude Opus 4.8 a 29.5% con 120K nello stesso grafico first-party. Claude Fable 5 rimane più alto a 39.5% sotto Max.
3. Capacità di cybersecurity emergente
Z.ai ha aggiunto ambienti di scoperta di vulnerabilità durante il post-training. Secondo il report di lancio, la capacità è cresciuta oltre il rilevamento di difetti isolati: il modello ha iniziato a ragionare su più fasi di una catena di exploitation.
I punteggi pubblici mostrano sia progressi che limiti. GLM-5.3 guida la tabella di confronto di Z.ai su CyberGym a 84.5, contro 77.2 di GLM-5.2. Su ExploitBench più che raddoppia GLM-5.2, raggiungendo 54.4 contro 24.4, ma rimane ben dietro Fable 5 a 78.0 e GPT-5.6 Sol a 76.5. Su ExploitGym completa 105 task in un budget normalizzato di due ore e 130 in sei ore, rispetto a 29 e 39 di GLM-5.2; GPT-5.6 Sol e Fable 5 rimangono sostanzialmente avanti.
Queste capacità sono dual-use. Le organizzazioni dovrebbero limitare l’accesso al modello, sandboxare gli strumenti, loggare le azioni, richiedere autorizzazione per la scansione e mantenere un umano nel loop per validazione e disclosure delle vulnerabilità.
4. Ragionamento sempre attivo con tre livelli di impegno
GLM-5.3 supporta low, high e max come livelli di impegno nel ragionamento. A differenza di GLM-5.2, non supporta il pensiero disabilitato. Le integrazioni esistenti che inviano thinking.type: "disabled" devono cambiare il valore in enabled prima di passare all’ID del modello, altrimenti Z.ai afferma che la richiesta fallirà.
Usa low per modifiche interattive e trasformazioni a basso rischio, high per compiti sostanziali su repository, e max per coding difficile o analisi di sicurezza. L’impegno più alto va valutato per latenza e costo perché una risposta più forte non è automaticamente la più economica.
5. Miglior throughput di training tramite slime
GLM-5.3 continua a usare slime, il framework open-source di Z.ai con Megatron lato training e SGLang lato rollout. Z.ai riporta aggiunte per top-p masking, top-k e distillazione on-policy a vocabolario completo, cambio di teacher, caching e allineamento numerico più stretto tra training e rollout. Il report di lancio afferma che le differenze medie di log-probabilità sono state controllate al livello 1e-7, oltre il 99.99% inferiori rispetto a setup precedenti.
Pianificazione e bilanciamento del carico consapevoli del workload avrebbero migliorato il throughput end-to-end di reinforcement learning di oltre 2.3 volte su task di coding a lungo orizzonte. Si tratta di miglioramenti di infrastruttura di training piuttosto che garanzie di inferenza lato utente, ma spiegano come Z.ai abbia scalato traiettorie più lunghe e varie in un mese.
6. Pesi aperti ritardati per revisione di sicurezza
Z.ai definisce GLM-5.3 un modello a pesi aperti, ma i pesi non erano scaricabili al giorno del lancio. L’azienda afferma che verranno rilasciati due settimane dopo il lancio, dopo valutazione e irrobustimento della sicurezza. È una differenza materiale rispetto a GLM-5.2, i cui pesi con licenza MIT sono già su Hugging Face.
Per la maggior parte dei team, i test via API hosted restano il primo passo pratico. Il modello è grande, e i pesi aperti non eliminano il costo di hardware d’inferenza, quantizzazione, serving, monitoraggio o controlli di sicurezza.
GLM-5.3 vs GLM-5.2: miglioramenti sui benchmark
La tabella seguente usa i dati ufficiali di lancio di Z.ai. “Variazione” è un calcolo semplice dai punteggi riportati. Le percentuali relative possono sembrare drammatiche quando la baseline di GLM-5.2 è bassa, quindi è mostrata anche la variazione assoluta.
| Benchmark | GLM-5.2 | GLM-5.3 | Variazione assoluta | Variazione relativa |
|---|---|---|---|---|
| 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, attività da 2 ore | 29 | 105 | +76 | +262.1% |
| ExploitGym, attività da 6 ore | 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 con strumenti | 54.7 | 62.5 | +7.8 | +14.3% |
| GDPval-AA v2, Elo | 1508 | 1769 | +261 | +17.3% |
Miglioramenti sui benchmark: GLM-5.3 vs GLM-5.2 e concorrenti
Tutti i numeri sotto sono riportati dal vendor nel blog ufficiale di Z.ai (con note metodologiche su harness, lunghezze di contesto e sampling). La verifica indipendente seguirà una volta disponibili pesi e accesso più ampio.
Benchmark di coding
| Benchmark | GLM-5.3 | GLM-5.2 | Note / Concorrenti |
|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | Competitivo con top modelli closed |
| 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 | Salto forte |
| 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 (interno, Max effort) | ~34.5% completamento @ ~75K token | ~23.4% @ ~96K token | ~50% miglioramento complessivo nel coding; maggiore efficienza |
A impegno High, GLM-5.3 ha raggiunto 31.4% di completamento con ~50K token, superando Claude Opus 4.8 (29.5% con 120K token) sul bench interno, pur rimanendo dietro Claude Fable 5 (39.5% a Max).
Benchmark di cybersecurity
| Benchmark | GLM-5.3 | GLM-5.2 | Concorrenti (circa) |
|---|---|---|---|
| CyberGym | 84.5% | 77.2% | Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA) |
| ExploitBench | 54.4% | 24.4% | Più che raddoppia il precedente; modelli closed più alti (Mythos 5 ~78%, GPT-5.6 Sol ~76.5%) |
| ExploitGym (2h/6h) | 105 / 130 | 29 / 39 | Mythos 5 ancora avanti (181/247) |
I guadagni sono maggiori più in alto nella catena di exploitation. Nei test reali con team di sicurezza cinesi, il modello (basandosi sul lavoro di GLM-5.2) ha identificato 2.436 vulnerabilità su 269 progetti, incluse 1.097 di gravità medio-alta. Alcuni difetti risalgono a ~40 anni fa (il più vecchio ~1981). Le evidenze sono tracciate nel registro pubblico Z.ai Security Disclosure Ledger.
Benchmark agentici e altri
| Benchmark | GLM-5.3 | GLM-5.2 | Note |
|---|---|---|---|
| Toolathlon Verified | 73.0 | 59.9 | — |
| AutomationBench v1.0.6 | 48.2 | 26.2 | Grande guadagno |
| Agents’ Last Exam (ALE-CLI) | 28.5 | 23.8 | Competitivo open-source |
| HLE con strumenti | 62.5 | 54.7 | — |
| GDPval-AA v2 | 1769 | 1508 | Copre 44 professioni |
Questi risultati mostrano progressi chiari su compiti professionali a lungo orizzonte e multi-step.
Efficienza dei token, modalità di ragionamento e comportamento pratico
Un miglioramento silenzioso ma importante è l’efficienza dei token. Sul Code Bench interno, tassi di completamento più alti arrivano con meno token di output. Conta per costo e latenza nei loop agent in produzione.
GLM-5.3 abilita sempre il ragionamento. Sono supportati tre livelli di impegno: low, high e max (predefinito e consigliato per il coding è max). Disabilitare il ragionamento non è più supportato; le applicazioni che in precedenza impostavano thinking.type: "disabled" devono migrare.
Il contesto resta solido a 1M token con output massimo fino a 128K. L’architettura è invariata rispetto a GLM-5.2, quindi il dimensionamento hardware per futuro self-hosting può essere stimato dall’esperienza con GLM-5.2 (impronte quantizzate ancora grandi dato il conteggio totale di parametri).
Per gli sviluppatori che vogliono sperimentare subito o mantenere flessibilità tra modelli, i gateway unificati sono utili. CometAPI elenca i modelli della serie GLM (incluso GLM-5.3 sotto l’ID modello glm-5.3 man mano che diventa disponibile) con endpoint compatibili con OpenAI, tariffe competitive, billing a consumo e la possibilità di passare tra GLM-5.2, GLM-5.3 e decine di altri modelli frontier e open senza riscrivere il codice di integrazione. È particolarmente pratico per A/B test di agenti di coding, misurare il costo per task riuscito e instradare il traffico in base al workload.
Chi dovrebbe passare a GLM-5.3 e come valutare
I team che costruiscono agenti di coding, automazione a lungo orizzonte, workflow ingegneristici su scala repository o strumenti di sicurezza difensivi dovrebbero prioritizzare la valutazione. La combinazione di tassi di completamento più alti, migliore efficienza dei token su compiti complessi e agency multi-step più forte è sostanziale.
Percorso di valutazione consigliato:
- Esegui gli stessi compiti interni (o un harness fisso) su GLM-5.2 e GLM-5.3 (o via Coding Plan) con livelli di impegno allineati.
- Misura non solo il tasso di passaggio ma anche token, tempo wall-clock e tasso di intervento umano.
- Usa uno strato API unificato come CometAPI per mantenere il confronto senza attriti e conservare l’opzione di fallback o instradamento selettivo.
- Per workload sensibili alla sicurezza, attendi i pesi aperti completamente irrobustiti e rivedi le pratiche di disclosure.
Il self-hosting diventerà interessante una volta che i pesi saranno disponibili, specialmente per le organizzazioni che già gestiscono infrastruttura GLM-5.2.
Conclusione: il post-training come nuova frontiera dello scaling
GLM-5.3 è una delle dimostrazioni più chiare recenti che lo scale del post-training—ambienti più realistici, migliore infrastruttura RL e compute sostenuto su traiettorie lunghe—può produrre salti di capacità che in precedenza sembravano richiedere nuovi modelli base. I guadagni nel coding e nell’agency sono grandi; i risultati nel cyber sono stati in gran parte emergenti e già competitivi o leader su benchmark orientati alla discovery.
Per i pratici, il takeaway è semplice: testa il modello sui tuoi workload reali, misura il costo per risultato riuscito piuttosto che la posizione pura in classifica, e mantieni l’integrazione flessibile. Piattaforme come CometAPI semplificano il processo offrendo una singola chiave, interfaccia compatibile con OpenAI, e passaggio facile tra la serie GLM e modelli concorrenti mentre decidi quanto aggressivamente adottare le nuove capacità.