TLDR Z.ai lanceerde GLM-5.3 op 14 augustus 2026, op exact hetzelfde ~743–753B-parameter Mixture-of-Experts-basimodel als GLM-5.2. Alle winst kwam voort uit opgeschaalde post-training op long-horizon-omgevingen. Het resultaat is een relatieve verbetering van ~50% op Z.ai’s interne Code Bench, open-source SOTA op Terminal-Bench 3.0 (4.6 → 28.3) en Agents’ Last Exam, sterk betere agentische scores en emergente state-of-the-art prestaties in cybersecurity (CyberGym 84.5%). Ook de tokenefficiëntie is verbeterd.
Gewichten worden ongeveer twee weken na de lancering verwacht na veiligheidsverharding. Ontwikkelaars kunnen nu al gerelateerde GLM-modellen benaderen en workflows efficiënt testen via uniforme platforms zoals CometAPI.
Belangrijkste punten
- Zelfde basismodel als GLM-5.2; alle verbeteringen uit post-training (IndexShare, SAO, slime-framework + meer omgevingen en compute).
- Coding: Terminal-Bench 3.0 4.6 → 28.3; DeepSWE v1.1 46.2 → 66.9; interne Z.ai Code Bench ~50% beter met minder outputtokens.
- 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, voor Mythos 5 en GPT-5.6 Sol); ExploitBench meer dan verdubbeld (24.4 → 54.4). Praktijkvondsten: 2.436 kwetsbaarheden in 269 projecten.
- Specificaties ongewijzigd in kernarchitectuur: 1M context, tot 128K outputtokens, always-on thinking met low/high/max effort.
- Toegang: Live via GLM Coding Plan en ZCode; algemene API en open gewichten (verwacht MIT-stijl) komen na veiligheidsreview. CometAPI biedt handige OpenAI-compatibele toegang tot de GLM-familie voor efficiënte side-by-side tests en productie-routing.
GLM-5.3 vs GLM-5.2 in een oogopslag
| Dimensie | GLM-5.3 | GLM-5.2 | Winnaar / Opmerkingen |
|---|---|---|---|
| Basismodel | Zelfde ~743–753B MoE | Zelfde | Identiek |
| Post-training | Sterk opgeschaalde omgevingen | Eerdere stack | 5.3 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 5.3 (groot) |
| DeepSWE v1.1 | 66.9 | 46.2 | 5.3 |
| Internal Code Bench (Max) | 34.5% @ ~75K tokens | 23.4% @ ~96K tokens | 5.3 (prestaties + efficiëntie) |
| 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 / Maximale output | 1M / 128K | 1M / vergelijkbaar | Zelfde |
| Redeneren | Altijd aan (low/high/max) | Voorheen flexibeler | 5.3 (always-on) |
| Open gewichten | ~2 weken post-lancering (gepland) | Beschikbaar (MIT) | 5.2 momenteel |
| Primaire toegang nu | Coding Plan / ZCode | API + gewichten + Coding Plan | 5.2 volwassener |
Introductie: Post-training levert een sprong van een generatie
Midden augustus 2026 zag de AI-gemeenschap opnieuw een snelle iteratie in de open-weights-race. Z.ai (de internationale naam van het voormalige Zhipu AI / ChatGLM-team) lanceerde GLM-5.3 slechts 59 dagen na GLM-5.2. De aankondiging was ongebruikelijk duidelijk: het onderliggende basismodel bleef identiek. “Scaling post-training is all we did for GLM-5.3,” stelde het bedrijf.
Die claim is belangrijk. Jarenlang was het dominante verhaal “grotere modellen winnen.” GLM-5.3 laat zien dat agressief opschalen van reinforcement learning-omgevingen, diversiteit in long-horizon-taken en systeeminfrastructuur buitenproportionele winst kan opleveren bij zware coding-, agentische en zelfs cybersecurity-workloads zonder een nieuwe pre-training-run. De cijfers zijn op meerdere moeilijke benchmarks zo groot dat onafhankelijke observatoren de sprong als kwalitatief anders dan incrementeel hebben omschreven. Overzicht van GLM-5.3-functies, benchmarks en toegangsnotities.
GLM-5.3 vs GLM-5.2: Wat is er werkelijk veranderd?
De grootste misvatting zou zijn te denken dat GLM-5.3 simpelweg “GLM-5.2 maar groter” is.
Dat is niet zo.
Volgens Z.ai blijft het basismodel in wezen hetzelfde. De grote innovatie is de opschaling van post-training. Z.ai benadrukt drie pijlers:
- Systeemverbeteringen binnen slime — Betere training
- Opschaling van omgevingen — Pipelines die uitvoerbare, verifieerbare, long-horizon-omgevingen synthetiseren uit echte professionele workflows. Research-agents destilleren taakpatronen; judge-agents verifiëren oplosbaarheid; verifiers worden gebouwd zonder toegang tot referentieoplossingen om reward hacking te verminderen.
- Voortgezet gebruik van SAO + compaction — Helpt winsten te behouden op lange trajecten in plaats van in te storten op korte. –consistentie in rollouts (log-prob-verschillen gecontroleerd tot ~1e-7), hiërarchische caching, multi-teacher-ondersteuning, workload-bewuste scheduling, en gerapporteerde >2,3× end-to-end throughput-winst op long-horizon coding-RL-taken.
Deze veranderingen leverden meetbare verbeteringen op in coding-, agentische en cybersecurity-suites. Belangrijk is dat de grootste relatieve winsten verschijnen op de moeilijkste, laag-baseline tests—precies het patroon dat je verwacht wanneer een model wordt doorgeduwd naar regimes die eerder niet betrouwbaar hanteerbaar waren.
Het resultaat is een modelupgrade die primair draait om gedrag en capaciteit, niet simpelweg om architectuur.
GLM-5.3 vs GLM-5.2: Functievergelijking
1. Opgeschaalde post-training in plaats van een nieuw basismodel
Z.ai beschrijft opgeschaalde post-training als het volledige recept voor GLM-5.3. Research-agents vertalen patronen uit echt werk naar uitvoerbare taken met verborgen toestand en multi-step-afhankelijkheden. Een judge-agent verifieert dat elke taak oplosbaar is. Verifiers worden gemaakt zonder de referentieoplossing te zien en daarna getest tegen oracle-, no-op- en onopgeloste toestanden om reward-shortcuts te reduceren.
Het systeem vereist nog steeds menselijke review, en Z.ai zegt expliciet dat meer autonome generatie en verificatie van omgevingen toekomstwerk blijft. Die kanttekening vergroot de geloofwaardigheid van de claim: dit is een grote trainingspipeline, geen claim dat synthetische omgevingen volledig zelfsturend zijn geworden.
2. Sterker long-horizon coderen
GLM-5.3 verbetert bij repositorywerk, terminaltaken, machine-learning-infrastructuur, prestatieoptimalisatie en multi-step softwarelevering. Op Z.ai Code Bench, de private interne evaluatie bedoeld om realistische gebruikersscenario’s te reflecteren, rapporteert Z.ai ongeveer 50% betere codingprestaties dan GLM-5.2.
Het efficiëntieresultaat is net zo belangrijk als de score. Bij Max effort behaalde GLM-5.3 34.5% met ongeveer 75K outputtokens per taak, vergeleken met 23.4% voor GLM-5.2 bij 96K. Dat is een kwaliteitswinst van 11,1 punten terwijl ongeveer 22% minder outputtokens worden geproduceerd. Bij High effort haalde GLM-5.3 31.4% met ongeveer 50K tokens, vóór Claude Opus 4.8 op 29.5% met 120K in dezelfde first-party grafiek. Claude Fable 5 bleef hoger op 39.5% bij Max effort.
3. Emergent cybersecurityvermogen
Z.ai voegde vulnerability-discovery-omgevingen toe tijdens post-training. Volgens het lanceringsrapport groeide het vermogen voorbij het vinden van geïsoleerde fouten: het model begon te redeneren over meerdere stadia van een exploitatieketen.
De publieke scores tonen zowel vooruitgang als beperkingen. GLM-5.3 leidt Z.ai’s vergelijkingstabel op CyberGym met 84.5, tegenover 77.2 voor GLM-5.2. Op ExploitBench verdubbelt het GLM-5.2 ruimschoots, met 54.4 tegenover 24.4, maar blijft duidelijk achter Fable 5 op 78.0 en GPT-5.6 Sol op 76.5. Op ExploitGym voltooit het 105 taken in een genormaliseerd budget van twee uur en 130 in zes uur, vergeleken met 29 en 39 voor GLM-5.2; GPT-5.6 Sol en Fable 5 blijven aanzienlijk voor.
Deze capaciteiten zijn dual-use. Organisaties moeten modeltoegang beperken, tools sandboxen, acties loggen, autorisatie vereisen voor scans en een mens in de lus houden voor kwetsbaarheidsvalidatie en -disclosure.
4. Always-on redeneren met drie inspanningsniveaus
GLM-5.3 ondersteunt low, high en max reasoning effort. Anders dan GLM-5.2 ondersteunt het geen uitgeschakeld denken. Bestaande integraties die thinking.type: "disabled" sturen, moeten de waarde wijzigen naar enabled voordat ze de model-ID wisselen, anders zegt Z.ai dat het verzoek zal falen.
Gebruik low voor interactieve edits en laagrisicotransformaties, high voor substantiële repositorytaken en max voor moeilijke coding of security-analyse. Hogere effort moet worden geëvalueerd op latentie en kosten, omdat een sterker antwoord niet automatisch het meest economisch is.
5. Betere training-throughput via slime
GLM-5.3 blijft slime gebruiken, Z.ai’s open-source framework met Megatron aan de trainingskant en SGLang aan de rolloutkant. Z.ai rapporteert toevoegingen voor top-p masking, top-k en full-vocabulary on-policy distillation, teacher switching, caching en strakkere numerieke afstemming tussen training en rollout. Het lanceringsrapport zegt dat gemiddelde log-probability-verschillen op het niveau van 1e-7 werden gecontroleerd, meer dan 99,99% lager dan eerdere setups.
Workload-bewuste scheduling en load-balancing verbeterden naar verluidt de end-to-end reinforcement-learning-throughput met meer dan 2,3× op long-horizon codingtaken. Dit zijn verbeteringen aan de trainingsinfrastructuur, geen garanties voor eindgebruikersinference, maar ze verklaren hoe Z.ai langere en meer gevarieerde trajecten in een maand opschaalde.
6. Vertraagde open gewichten voor veiligheidsreview
Z.ai noemt GLM-5.3 een open-weights-model, maar de gewichten waren op de lanceringsdag niet downloadbaar. Het bedrijf zegt dat ze twee weken na lancering worden vrijgegeven na veiligheidsbeoordeling en hardening. Dit is een materieel verschil met GLM-5.2, waarvan de MIT-gelicentieerde gewichten al op Hugging Face staan.
Voor de meeste teams blijft gehoste API-testing de praktische eerste stap. Het model is groot, en open gewichten nemen de kosten van inferencehardware, kwantisatie, serving, monitoring of beveiligingscontroles niet weg.
GLM-5.3 vs GLM-5.2: Benchmarkverbeteringen
De volgende tabel gebruikt Z.ai’s officiële lanceringsdata. “Verandering” is een eenvoudige berekening op basis van de gerapporteerde scores. Relatieve percentages kunnen dramatisch lijken wanneer de GLM-5.2-baseline laag is, dus de absolute verandering wordt ook getoond.
| Benchmark | GLM-5.2 | GLM-5.3 | Absoluut verschil | Relatieve verandering |
|---|---|---|---|---|
| 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% |
Benchmarkverbeteringen: GLM-5.3 vs GLM-5.2 en concurrenten
Alle onderstaande cijfers zijn door de leverancier gerapporteerd in de officiële Z.ai-blog (met methodologienotities over harnesses, contextlengtes en sampling). Onafhankelijke verificatie volgt zodra gewichten en bredere toegang beschikbaar zijn.
Coding-benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Opmerkingen / Concurrenten |
|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | Competitief met top gesloten 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 | Sterke sprong |
| 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 (intern, Max effort) | ~34.5% voltooiing @ ~75K tokens | ~23.4% @ ~96K tokens | ~50% algemene verbetering in codinggevoel; hogere efficiëntie |
Bij High effort haalde GLM-5.3 31.4% voltooiing met ~50K tokens, en passeerde Claude Opus 4.8 (29.5% met 120K tokens) op de interne bench, terwijl het nog achter Claude Fable 5 (39.5% bij Max) bleef.
Cybersecurity-benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Concurrenten (bij benadering) |
|---|---|---|---|
| CyberGym | 84.5% | 77.2% | Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA) |
| ExploitBench | 54.4% | 24.4% | Meer dan verdubbelt eerdere; gesloten modellen hoger (Mythos 5 ~78%, GPT-5.6 Sol ~76.5%) |
| ExploitGym (2h/6h) | 105 / 130 | 29 / 39 | Mythos 5 nog steeds voor (181/247) |
Winsten zijn het grootst verderop in de exploitatieketen. In testen in de echte wereld met Chinese securityteams identificeerde het model (voortbouwend op GLM-5.2-werk) 2.436 kwetsbaarheden in 269 projecten, waaronder 1.097 middel- tot hoog-severity issues. Sommige fouten dateren van ~40 jaar geleden (oudste ~1981). Vondsten worden bijgehouden in de publieke Z.ai Security Disclosure Ledger.
Agentisch & andere benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Opmerkingen |
|---|---|---|---|
| Toolathlon Verified | 73.0 | 59.9 | — |
| AutomationBench v1.0.6 | 48.2 | 26.2 | Grote sprong |
| Agents’ Last Exam (ALE-CLI) | 28.5 | 23.8 | Open-source competitief |
| HLE w/ Tools | 62.5 | 54.7 | — |
| GDPval-AA v2 | 1769 | 1508 | Omvat 44 beroepen |
Deze resultaten tonen duidelijke vooruitgang op long-horizon, multi-step professionele taken.
Tokenefficiëntie, denkmodi en praktisch gedrag
Een stille maar belangrijke verbetering is tokenefficiëntie. Op de interne Code Bench gaan hogere voltooiingspercentages samen met minder outputtokens. Dit is belangrijk voor kosten en latentie in productieagentloops.
GLM-5.3 schakelt thinking altijd in. Er worden drie inspanningsniveaus ondersteund: low, high en max (standaard en aanbevolen voor coding is max). Het uitschakelen van thinking wordt niet langer ondersteund; applicaties die eerder thinking.type: "disabled" instelden, moeten migreren.
De context blijft een solide 1M tokens met maximale output tot 128K. De architectuur is ongewijzigd ten opzichte van GLM-5.2, dus hardware-sizing voor toekomstige self-hosting kan worden geschat op basis van bestaande GLM-5.2-ervaring (gekwantiseerde footprints blijven groot gezien het totale aantal parameters).
Voor ontwikkelaars die meteen willen experimenteren of flexibiliteit over modellen willen behouden, zijn uniforme gateways nuttig. CometAPI vermeldt GLM-seriemodellen (inclusief GLM-5.3 onder model-ID glm-5.3 zodra beschikbaar) met OpenAI-compatibele endpoints, concurrerende tarieven, verbruiksgebaseerde billing en de mogelijkheid om te schakelen tussen GLM-5.2, GLM-5.3 en tientallen andere frontier- en open-modellen zonder integratiecode te herschrijven. Dit is bijzonder praktisch voor A/B-testen van coding-agents, het meten van echte cost-per-successful-task en het routeren van verkeer op basis van workload.
Wie zou moeten overstappen naar GLM-5.3 en hoe te evalueren
Teams die coding-agents, long-horizon-automatisering, engineeringworkflows op repositoryschaal of defensieve securitytools bouwen, zouden evaluatie moeten prioriteren. De combinatie van hogere voltooiingspercentages, betere tokenefficiëntie op complexe taken en sterkere multi-step agency is materieel.
Aanbevolen evaluatiepad:
- Voer dezelfde interne taken (of een vaste harness) uit op GLM-5.2 en GLM-5.3 (of via Coding Plan) bij gematchte inspanningsniveaus.
- Meet niet alleen pass rate maar ook tokens, wall-clock-tijd en menselijke interventieratio.
- Gebruik een uniforme API-laag zoals CometAPI om de vergelijking frictieloos te houden en de optie te behouden om terug te vallen of selectief te routeren.
- Voor securitygevoelige workloads: wacht op de volledig safety-geharde open gewichten en review disclosure-praktijken.
Self-hosting wordt aantrekkelijk zodra de gewichten beschikbaar komen, vooral voor organisaties die al GLM-5.2-infrastructuur draaien.
Conclusie: Post-training als de nieuwe schaalfrontier
GLM-5.3 is een van de duidelijkste recente demonstraties dat post-training-schaal—realistischere omgevingen, betere RL-infrastructuur en volgehouden compute op lange trajecten—capaciteitssprongen kan opleveren die eerder leken te vereisen dat er nieuwe basismodellen kwamen. De coding- en agentische winsten zijn groot; de cyberresultaten waren grotendeels emergent en al competitief of leidend op discovery-georiënteerde benchmarks.
Voor practitioners is de praktische takeaway eenvoudig: test het model op je daadwerkelijke workloads, meet kosten per succesvol resultaat in plaats van ruwe leaderboardpositie, en houd integratie flexibel. Platforms zoals CometAPI vereenvoudigen dat proces door een enkele sleutel, OpenAI-compatibele interface en eenvoudig schakelen over de GLM-serie en concurrerende modellen te bieden terwijl je beslist hoe agressief je de nieuwe capaciteiten adopteert.