TL;DR
GLM-5.5 è il prossimo modello principale atteso nella famiglia GLM di Z.ai. Reuters ha descritto GLM-5.5 come un traguardo successivo della roadmap, ma il report non ha fornito un impegno di lancio confermato, un’architettura, un conteggio dei parametri, un limite di contesto, una tabella dei benchmark, un prezzo o un piano di accesso.
Z.ai presenta GLM-5.3 come il suo ultimo modello di punta e il riferimento fattuale più solido per stimare la prossima release. Utilizza lo stesso modello base del suo predecessore, con progressi derivanti dal post-addestramento, supportando un contesto da 1M token / 128K output. Z.ai riporta inoltre un aumento del 50% delle prestazioni di coding sul suo Code Bench interno.
L’aspettativa più credibile non è semplicemente “un modello più grande”. Z.ai ha dichiarato pubblicamente che i modelli futuri punteranno a attività di lungo orizzonte e agenti autonomi auto-evolutivi. GLM-5.5 è quindi più probabilmente focalizzato su completamento affidabile dei compiti, auto-correzione, gestione del contesto, uso degli strumenti e lavoro di ingegneria sostenuto, più che su un singolo aumento “di facciata” del numero di parametri.
Punti chiave
- Reuters ha identificato GLM-5.5 come un traguardo successivo della roadmap, ma Z.ai non ha pubblicato un impegno di lancio preciso.
- GLM-5.3 è il modello di punta più recentemente documentato di Z.ai.
- L’attuale baseline architetturale resta una classe MoE sparsa con circa 744B totali / 40B attivi, poiché GLM-5.3 mantiene lo stesso modello base migliorando il post-addestramento.
- GLM-5.3 offre già una finestra di contesto da 1M token e un output massimo di 128K, quindi GLM-5.5 potrebbe prioritizzare la qualità del contesto e la gestione della memoria più che un limite pubblicizzato maggiore.
- La direzione di sviluppo probabile di Z.ai è verso agenti più autonomi e auto-correggenti.
- Un rilascio con pesi aperti resta plausibile perché GLM-5.3 è posizionato come modello con pesi aperti, ma la licenza di GLM-5.5 è ancora sconosciuta.
- Al momento non ci sono evidenze pubbliche a supporto di un claim specifico “con trilioni di parametri” per GLM-5.5.
- CometAPI offre già un endpoint dedicato a GLM-5.3 con un sconto del 20% visualizzato. Se GLM-5.5 verrà rilasciato ufficialmente, è prevedibile che CometAPI lo aggiunga rapidamente a tariffa scontata, mantenendo disponibili altri modelli di punta GLM sulla stessa piattaforma.
Che cos’è GLM-5.5?
GLM-5.5 è il traguardo successivo, oltre GLM-5.3, nella roadmap dei modelli frontier di Z.ai. Il nome “5.5” è apparso nei report di Reuters, ma non ancora in una scheda modello ufficiale di Z.ai, in un endpoint per sviluppatori, in una nota di rilascio, in un repository su Hugging Face o in una tabella prezzi.
La famiglia ha seguito una sequenza chiara. GLM-5 ha definito la direzione dell’“Ingegneria agentica” con un MoE sparso da 744B parametri. GLM-5.1 ha spostato l’attenzione verso un’esecuzione prolungata, e la generazione successiva ha ampliato il contesto utilizzabile a 1M token. GLM-5.3 mantiene lo stesso modello base ma scala molto più aggressivamente il post-addestramento, con prestazioni migliori nel coding complesso e negli agenti a lungo orizzonte.
Questa progressione suggerisce che GLM-5.5 verrà probabilmente valutato in base a quanto a lungo può lavorare in modo affidabile, quanto bene si riprende dagli errori e cosa riesce effettivamente a consegnare — non solo in base a come si comporta su test brevi a singola interazione.
Cosa è probabile che sia nuovo in GLM-5.5?
Uno spostamento verso agenti autonomi auto-evolutivi
Il segnale pubblico più chiaro proviene dal responsabile tecnico di CodeGeeX di Z.ai, che ha detto a Reuters che i modelli futuri punteranno a attività di lungo orizzonte e agenti autonomi auto-evolutivi. Ciò indica agenti in grado di eseguire esperimenti, ispezionare i risultati, rivedere le strategie e migliorare il proprio lavoro all’interno di un ambiente di compiti delimitato.
Per l’ingegneria del software, questo potrebbe significare un ciclo più stretto di analisi del repository, pianificazione, implementazione, test, debug, misurazione delle prestazioni e verifica. Il modello verrebbe giudicato dallo stato finale del progetto piuttosto che dalla qualità apparente di una singola risposta.
Baseline visiva: l’ultima figura ufficiale di benchmark nella sezione Prestazioni documenta GLM-5.3 , non specifiche annunciate di GLM-5.5.
Una continuazione della scalabilità MoE sparsa
Un’architettura a mixture-of-experts sparsa è l’aspettativa architetturale più difendibile. Il report tecnico di GLM-5 descrive 744B totali / 40B attivi, 256 esperti, otto esperti instradati per token e un esperto condiviso. GLM-5.3 utilizza lo stesso modello base del predecessore, quindi questo design MoE sparso resta il riferimento architetturale pubblicato più vicino.
GLM-5.5 potrebbe aumentare la capacità del modello, ma non ci sono evidenze pubbliche che supererà un trilione di parametri. Z.ai potrebbe ottenere guadagni maggiori migliorando dati di addestramento, specializzazione degli esperti, instradamento, apprendimento per rinforzo, decodifica speculativa o efficienza d’inferenza mantenendo il modello complessivamente nella stessa classe di scala.
Miglior uso del contesto lungo
GLM-5.3 supporta 1M token di input e fino a 128K token di output. Un contesto nominalmente più ampio non è quindi necessario perché GLM-5.5 sia un upgrade significativo. Miglioramenti più preziosi includerebbero migliore richiamo dei requisiti iniziali, minore deriva degli obiettivi, recupero più solido su grandi codebase, compattazione del contesto più affidabile e costi di serving inferiori.
La compattazione del contesto è particolarmente importante per agenti i cui log degli strumenti e stati intermedi possono crescere oltre la finestra del modello. GLM-5.3 porta avanti SAO con compattazione per l’addestramento su lungo orizzonte, aiutando i progressi a persistere su attività estese anziché solo brevi. Un modello successivo potrebbe estendere tale approccio.
Attenzione sparsa e decodifica più efficienti
Poiché GLM-5.3 mantiene lo stesso modello base, l’attuale stack per il lungo contesto continua a basarsi su IndexShare, dove gruppi di quattro layer di attenzione sparsa riutilizzano lo stesso indicizzatore. Z.ai riporta che questo design riduce la computazione per token legata agli indicizzatori di 2,9 volte a una lunghezza di contesto di 1M token, mentre la predizione multi-token migliora la decodifica speculativa. GLM-5.3 aggiunge poi i suoi guadagni principalmente tramite post-addestramento scalato.
GLM-5.5 potrebbe basarsi su queste tecniche con selezione dei token più efficiente, gestione della KV‑cache, instradamento degli esperti o decodifica con modelli di bozza. Tali guadagni inciderebbero direttamente su latenza e costo durante esecuzioni lunghe degli agenti.
Apprendimento per rinforzo e verifica più solidi
Il report tecnico di GLM-5 descrive una pipeline di post-addestramento sequenziale che copre RL di ragionamento, RL agentico e RL generale, supportata da un’infrastruttura asincrona che separa generazione da addestramento. Ciò consente al sistema di esplorare traiettorie più lunghe e imparare da pianificazione, uso degli strumenti, auto-correzione e feedback ambientale.
Per GLM-5.5, il miglioramento probabile non è semplicemente più token di ragionamento. È una migliore verifica dell’esito: sapere se il codice compila, i test sono passati, è stato raggiunto un target di prestazioni, una chiamata allo strumento è stata autorizzata, o una consegna richiesta ha effettivamente soddisfatto i vincoli originali.
Cosa non sappiamo ancora
GLM-5.5 ha una finestra di rilascio riportata, ma le sue specifiche di prodotto finali restano non divulgate. Le proiezioni seguenti sono deliberatamente conservative e non devono essere lette come specifiche annunciate.
| Area | Cosa è pubblico | Proiezione attuale |
|---|---|---|
| Stato | Reuters afferma che il modello è atteso ad agosto 2026. | Un annuncio ad agosto è plausibile, ma la tempistica potrebbe slittare. |
| Architettura | Non è stata pubblicata alcuna architettura di GLM-5.5. | Un design MoE sparso derivato dalla famiglia GLM-5 è l’aspettativa principale. |
| Scala del modello | Nessun conteggio di parametri o di parametri attivi è pubblico. | Un modello della classe 750B o un aumento moderato è più difendibile di un claim specifico “trilione di parametri”. |
| Finestra di contesto | Nessun limite di GLM-5.5 è pubblico. | Almeno 1M token è plausibile; una memoria effettiva migliore potrebbe contare più di un numero maggiore. |
| Modalità | Nessuna modalità di input di GLM-5.5 è pubblica. | Testo-centrico per coding e agenti è la baseline più solida; la multimodalità nativa è incerta. |
| Prestazioni | Non esistono punteggi di benchmark ufficiali di GLM-5.5. | I guadagni maggiori sono probabili nel coding a lungo orizzonte, uso di strumenti, recupero dagli errori e consegna autonoma. |
| Prezzi API | Nessuna tariffa o endpoint del modello è stato annunciato. | Il prezzo potrebbe restare vicino a GLM-5.2 o avere un modesto sovrapprezzo. |
| Pesi aperti | Nessuna licenza di GLM-5.5 è stata annunciata. | Un rilascio con licenza MIT è plausibile per precedente, ma non garantito. |
| Accesso | Nessuna anteprima, API o sequenza di rilascio pesi ufficiale esiste. | È possibile un rollout graduale tramite prodotti Z.ai, Coding Plan, API e pesi aperti. |
Architettura e parametri attivi
L’attuale baseline architetturale è insolitamente ben documentata. GLM-5 utilizza 256 esperti, otto esperti instradati più uno condiviso per ciascun token. Il suo design da 744B totali / 40B attivi ha approssimativamente raddoppiato la capacità totale di GLM-4.5 aumentando più modestamente la capacità attivata da 32B a 40B.
Z.ai afferma che GLM-5.3 utilizza lo stesso modello base del predecessore, con tutti i maggiori guadagni derivanti dal post-addestramento. Ciò rende il design MoE sparso 744B totali / circa 40B attivi il baseline architetturale pubblicato più vicino, senza implicare che GLM-5.5 manterrà lo stesso layout.
Il conteggio dei parametri attivi conterà di più per il serving pratico rispetto al totale pubblicitario. Influenza il traffico di memoria, la comunicazione tra esperti, la latenza e la quantità di hardware richiesta per token generato. Un modello può diventare più capace senza diventare proporzionalmente più costoso se instradamento e attenzione migliorano.
Finestra di contesto e memoria
GLM-5.3 supporta una finestra di contesto da 1M con un output massimo di 128K. Z.ai posiziona questa capacità di contesto per l’ingegneria software complessa e workflow Agent di lungo orizzonte, piuttosto che come massimo puramente sintetico.
Per GLM-5.5, le domande importanti saranno se il modello preserva i vincoli iniziali, ricorda il lavoro completato, recupera i file corretti, comprime vecchie tracce degli strumenti senza perdere stato critico e mantiene decisioni coerenti per molte ore. Una finestra nominale di due milioni di token sarebbe meno utile di un workflow affidabile da un milione di token con latenza e costo inferiori.
Prestazioni
Non sono stati pubblicati risultati di benchmark di GLM-5.5. L’attuale baseline di GLM-5.3 include 28.3 su Terminal-Bench 3.0, 66.9 su DeepSWE v1.1 e 28.5 su Agents’ Last Exam. Z.ai riporta anche un miglioramento del 50% sul suo Code Bench interno, con i guadagni maggiori nei compiti di coding complesso e a lungo orizzonte.
Fonte: comunicato ufficiale di Z.ai &#xNAN;· Vedi immagine originale
Z.ai riporta che GLM-5.3 guida il suo confronto su CyberGym, AutomationBench e GDPval-AA v2, mentre GPT-5.6 Sol resta avanti su Terminal-Bench 3.0 e DeepSWE e Claude Fable 5 resta più forte su diverse valutazioni di exploit-development. Questi sono risultati riportati dal fornitore e vanno interpretati tenendo presente il setup di valutazione.
Un miglioramento significativo di GLM-5.5 sarebbe visibile in affidabilità su esecuzioni ripetute e tassi di completamento: meno attività abbandonate, minore deriva strategica, recuperi più riusciti dopo comandi falliti, maggiore conformità alle regole del repository e verifica finale più robusta. Piccoli guadagni su test brevi di ragionamento sarebbero meno importanti di un’esecuzione sostenuta su progetti reali.
Prezzi API e disponibilità su CometAPI
Z.ai non ha pubblicato una tariffa API generale per token per GLM-5.3 nella sua tabella prezzi standard. GLM-5.3 è disponibile tramite il GLM Coding Plan, rendendo l’accesso in abbonamento un riferimento ufficiale più rilevante finché la tariffa API standard non sarà pubblicata completamente.
CometAPI elenca GLM-5.3 a $1.12/M input e $3.528/M output, con uno sconto del 20% visualizzato. Fornisce inoltre accesso dedicato a GLM-5 e GLM-5-Turbo sulla stessa piattaforma API.
I prezzi di GLM-5.5 non sono stati annunciati. Un’aspettativa ragionevole è che Z.ai possa mantenerli vicini alla fascia prezzo dell’attuale modello di punta o applicare un modesto sovrapprezzo se il costo di inferenza aumenta. Se GLM-5.5 verrà rilasciato ufficialmente, CometAPI dovrebbe aggiungere rapidamente un endpoint dedicato e continuare la sua strategia di sconti, offrendo agli sviluppatori un percorso a costo inferiore insieme ad altri modelli di punta.
Varianti di prodotto e percorsi di accesso
L’ecosistema GLM esistente include un modello di punta, GLM-5-Turbo per workload di agenti più veloci, un Coding Plan, API hosted e checkpoint con pesi aperti. GLM-5.3 supporta tre livelli di sforzo di ragionamento, streaming, chiamata di funzioni, caching del contesto e output strutturato.
GLM-5.5 potrebbe apparire prima nel prodotto di chat di Z.ai o nel Coding Plan, seguito da un’API standard e da pesi scaricabili. Potrebbe anche lanciare varianti separate ottimizzate per la velocità o con capacità di visione. Nessuna di queste scelte di packaging è stata annunciata.
Posizionamento competitivo e casi d’uso probabili
Il posizionamento competitivo probabile di GLM-5.5 è un modello per coding e agenti aperto o accessibile con contesto insolitamente lungo e basso costo di serving. I suoi casi d’uso più forti includerebbero sviluppo su repository di grandi dimensioni, refactoring di sistema, test automatizzati, ottimizzazione delle prestazioni, agenti di ricerca, workflow enterprise ricchi di documenti e deployment privati che non possono fare completo affidamento su API esterne chiuse.
I pesi aperti sarebbero particolarmente preziosi per aziende che necessitano di controlli di sicurezza locali, adattamento al dominio, deployment su acceleratori nazionali o controllo diretto dello stack di inferenza. Tuttavia, un modello MoE della classe 750B resta costoso da gestire in self‑hosting anche quando solo una frazione dei suoi parametri è attiva per token.
Data di rilascio esatta e accesso
Reuters ha descritto GLM-5.5 come un traguardo futuro della roadmap. La formulazione riflette un’aspettativa piuttosto che un impegno ufficiale di lancio e non identifica una sequenza di rollout fissata.
La documentazione pubblica, le pagine dei prezzi e il Coding Plan di Z.ai sono incentrati su GLM-5.3. Nessun endpoint ufficiale GLM-5.5, scheda del modello, report dei benchmark, licenza o piano di accesso dettagliato è stato pubblicato nelle fonti esaminate.
Un rilascio futuro di GLM-5.5 resta plausibile. “Rilascio” potrebbe significare un annuncio, un’anteprima limitata nel Coding Plan, un rollout in chat hosted, un endpoint API, accesso enterprise, pesi aperti, o tutti questi in fasi diverse. I lettori dovrebbero distinguere tra questi traguardi quando apparirà il primo aggiornamento ufficiale.
Valutazione finale
GLM-5.5 si comprende meglio come continuazione attesa del passaggio dalla generazione di codice all’ingegneria autonoma di Z.ai. Le evidenze pubbliche supportano un focus su attività di più lungo orizzonte, agenti auto-evolutivi, efficienza MoE sparsa e consegna pratica dei compiti. Non supportano un conteggio finale dei parametri, un punteggio benchmark, un limite di contesto, un prezzo, una licenza o una data esatta.
La domanda chiave non è se GLM-5.5 sia più grande di GLM-5.3. È se il modello può restare allineato a un obiettivo più a lungo, gestire la memoria in modo più efficace, recuperare da azioni fallite, verificare il proprio lavoro e completare più compiti di ingegneria reali con meno supervisione.
Finché Z.ai non pubblica una scheda del modello e i dettagli di accesso, GLM-5.5 dovrebbe essere descritto come atteso — ma non ancora annunciato. La finestra di agosto è sufficientemente credibile da monitorare, mentre tutte le specifiche dettagliate dovrebbero restare chiaramente etichettate come proiezioni.