TLDR A Z.ai lançou o GLM-5.3 em 14 de agosto de 2026, sobre o mesmo modelo base Mixture-of-Experts com ~743–753B parâmetros do GLM-5.2. Todo ganho veio de pós-treinamento escalado em ambientes de horizonte longo. O resultado é uma melhoria relativa de ~50% no Code Bench interno da Z.ai, SOTA open-source no Terminal-Bench 3.0 (4.6 → 28.3) e no Agents’ Last Exam, notas agentic dramaticamente melhores e desempenho emergente estado da arte em cibersegurança (CyberGym 84.5%). A eficiência de tokens também melhorou.
Espera-se que os pesos sejam disponibilizados cerca de duas semanas após o lançamento, após reforço de segurança. Desenvolvedores já podem acessar modelos GLM relacionados e testar fluxos de trabalho de forma eficiente por meio de plataformas unificadas como a CometAPI.
Principais pontos
- Mesmo modelo base que o GLM-5.2; todos os avanços vieram do pós-treinamento (IndexShare, SAO, framework slime + mais ambientes e computação).
- Codificação: Terminal-Bench 3.0 4.6 → 28.3; DeepSWE v1.1 46.2 → 66.9; Code Bench interno da Z.ai ~50% melhor com menos tokens de saída.
- 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, à frente de Mythos 5 e GPT-5.6 Sol); ExploitBench mais que dobrou (24.4 → 54.4). Achados no mundo real: 2.436 vulnerabilidades em 269 projetos.
- Especificações inalteradas na arquitetura central: 1M de contexto, até 128K tokens de saída, pensamento sempre ativo com níveis low/high/max.
- Acesso: Ao vivo via GLM Coding Plan e ZCode; API geral e pesos abertos (esperado estilo MIT) após revisão de segurança. A CometAPI oferece acesso conveniente compatível com OpenAI para a família GLM, permitindo testes lado a lado e roteamento em produção.
GLM-5.3 vs GLM-5.2 em resumo
| Dimensão | GLM-5.3 | GLM-5.2 | Vencedor / Observações |
|---|---|---|---|
| Modelo base | Mesmo ~743–753B MoE | Mesmo | Idêntico |
| Pós-treinamento | Ambientes fortemente escalados | Stack anterior | 5.3 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 5.3 (grande) |
| DeepSWE v1.1 | 66.9 | 46.2 | 5.3 |
| Code Bench interno (Max) | 34.5% @ ~75K tokens | 23.4% @ ~96K tokens | 5.3 (desempenho + eficiência) |
| 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 |
| Contexto / Saída máxima | 1M / 128K | 1M / similar | Mesmo |
| Pensamento | Sempre ativo (low/high/max) | Mais flexível anteriormente | 5.3 (sempre ativo) |
| Pesos abertos | ~2 semanas pós-lançamento (planejado) | Disponível (MIT) | 5.2 atualmente |
| Acesso primário agora | Coding Plan / ZCode | API + pesos + Coding Plan | 5.2 mais maduro |
Introdução: Pós-treinamento entrega um salto geracional
Em meados de agosto de 2026, a comunidade de IA testemunhou outra iteração rápida na corrida de pesos abertos. A Z.ai (o rosto internacional da antiga equipe Zhipu AI / ChatGLM) lançou o GLM-5.3 apenas 59 dias após o GLM-5.2. O anúncio foi incomum pela clareza: o modelo base subjacente permaneceu idêntico. “Escalar o pós-treinamento foi tudo o que fizemos para o GLM-5.3,” declarou a empresa.
Essa afirmação é importante. Por anos, a narrativa dominante foi “modelos maiores vencem”. O GLM-5.3 demonstra que a escalada agressiva de ambientes de aprendizado por reforço, diversidade de tarefas de horizonte longo e infraestrutura de sistemas pode produzir ganhos desproporcionais em workloads difíceis de codificação, agentic e até cibersegurança sem uma nova rodada de pré-treinamento. Os números são grandes o suficiente em vários benchmarks difíceis para que observadores independentes descrevam o salto como qualitativamente diferente, em vez de incremental. Visão geral de recursos, benchmarks e notas de acesso do GLM-5.3.
GLM-5.3 vs GLM-5.2: O que realmente mudou?
O maior equívoco seria pensar que o GLM-5.3 é simplesmente “GLM-5.2 porém maior.”
Não é.
O modelo base permanece essencialmente o mesmo, segundo a Z.ai. A principal inovação é a escala do pós-treinamento. A Z.ai enfatiza três pilares:
- Melhorias de sistemas dentro do slime — Treinamento melhor
- Escalonamento de ambientes — Pipelines que sintetizam ambientes executáveis, verificáveis e de horizonte longo a partir de fluxos de trabalho profissionais reais. Agentes de pesquisa extraem padrões de tarefas; agentes juízes verificam a solucionabilidade; verificadores são construídos sem acesso a soluções de referência para reduzir “reward hacking”.
- Uso contínuo de SAO + compactação — Ajuda os ganhos a persistirem em trajetórias longas, em vez de colapsarem em curtas. –consistência de rollout (diferenças de log-prob controladas em ~1e-7), cache hierárquico, suporte a múltiplos professores, agendamento sensível ao workload e ganhos relatados de >2.3× em throughput ponta a ponta em tarefas de RL de codificação de horizonte longo.
Essas mudanças produziram melhorias mensuráveis em suítes de codificação, agentic e cibersegurança. Importante: os maiores ganhos relativos aparecem nos testes mais difíceis e com baseline mais baixo — exatamente o padrão esperado quando um modelo é empurrado para regimes que antes não conseguia lidar de forma confiável.
O resultado é uma atualização de modelo que trata principalmente de comportamento e capacidade, em vez de simplesmente arquitetura.
GLM-5.3 vs GLM-5.2: Comparação de recursos
1. Pós-treinamento escalado em vez de um novo modelo base
A Z.ai descreve o pós-treinamento escalado como toda a receita do GLM-5.3. Agentes de pesquisa transformam padrões do trabalho real em tarefas executáveis com estado oculto e dependências multietapas. Um agente juiz verifica que cada tarefa é solucionável. Verificadores são criados sem ver a solução de referência e, em seguida, testados contra estados oracle, no-op e não resolvidos para reduzir atalhos de recompensa.
O sistema ainda requer revisão humana, e a Z.ai afirma explicitamente que a geração e verificação de ambientes mais autônomas permanecem trabalho futuro. Essa ressalva aumenta a credibilidade da afirmação: trata-se de um pipeline de treinamento grande, não de uma alegação de que ambientes sintéticos se tornaram totalmente autogeridos.
2. Codificação de horizonte longo mais forte
O GLM-5.3 melhora em trabalho de repositório, tarefas de terminal, infraestrutura de machine learning, otimização de performance e entrega de software multietapas. No Z.ai Code Bench, a avaliação interna privada destinada a refletir cenários realistas de usuários, a Z.ai reporta aproximadamente 50% melhor desempenho de codificação do que o GLM-5.2.
O resultado de eficiência é tão importante quanto a pontuação. No nível Max de esforço, o GLM-5.3 atingiu 34.5% com cerca de 75K tokens de saída por tarefa, comparado com 23.4% e 96K do GLM-5.2. Isso é um ganho de qualidade de 11.1 pontos produzindo cerca de 22% menos tokens de saída. No nível High de esforço, o GLM-5.3 alcançou 31.4% usando cerca de 50K tokens, à frente do Claude Opus 4.8 com 29.5% e 120K no mesmo gráfico de primeira parte. O Claude Fable 5 permaneceu mais alto com 39.5% sob Max.
3. Capacidade emergente de cibersegurança
A Z.ai adicionou ambientes de descoberta de vulnerabilidades durante o pós-treinamento. Segundo o relatório de lançamento, a capacidade cresceu além de encontrar falhas isoladas: o modelo passou a raciocinar em múltiplos estágios de uma cadeia de exploração.
As pontuações públicas mostram progresso e limites. O GLM-5.3 lidera a tabela de comparação da Z.ai no CyberGym com 84.5, contra 77.2 do GLM-5.2. No ExploitBench, mais do que dobra o GLM-5.2, alcançando 54.4 contra 24.4, mas permanece bem atrás do Fable 5 em 78.0 e do GPT-5.6 Sol em 76.5. No ExploitGym, completa 105 tarefas em um orçamento normalizado de duas horas e 130 em seis horas, comparado a 29 e 39 do GLM-5.2; GPT-5.6 Sol e Fable 5 permanecem substancialmente à frente.
Essas capacidades são de uso dual. As organizações devem limitar o acesso ao modelo, isolar ferramentas (sandbox), registrar ações, exigir autorização para varreduras e manter um humano na revisão para validação e divulgação de vulnerabilidades.
4. Pensamento sempre ativo com três níveis de esforço
O GLM-5.3 suporta esforços de raciocínio low, high e max. Diferente do GLM-5.2, não é possível desativar o pensamento. Integrações existentes que enviam thinking.type: "disabled" devem alterar o valor para enabled antes de trocar o ID do modelo, ou a Z.ai diz que a solicitação falhará.
Use low para edições interativas e transformações de baixo risco, high para tarefas substanciais de repositório e max para codificação difícil ou análise de segurança. Esforços mais altos devem ser avaliados quanto a latência e custo porque uma resposta mais forte não é automaticamente a mais econômica.
5. Maior throughput de treinamento via slime
O GLM-5.3 continua a usar o slime, o framework open-source da Z.ai com Megatron no lado de treinamento e SGLang no lado de rollout. A Z.ai relata adições para top-p masking, destilação on-policy com top-k e vocabulário completo, troca de professores, caching e alinhamento numérico mais rígido entre treinamento e rollout. O relatório de lançamento afirma que diferenças médias de log-probabilidade foram controladas no nível 1e-7, mais de 99.99% menores do que configurações anteriores.
Agendamento e balanceamento de carga sensíveis ao workload teriam melhorado o throughput de aprendizado por reforço ponta a ponta em mais de 2.3 vezes em tarefas de codificação de horizonte longo. São melhorias de infraestrutura de treinamento, não garantias de inferência para usuários finais, mas explicam como a Z.ai escalou trajetórias mais longas e diversas em um mês.
6. Pesos abertos adiados para revisão de segurança
A Z.ai chama o GLM-5.3 de modelo de pesos abertos, mas os pesos não estavam disponíveis para download no dia do lançamento. A empresa diz que serão liberados duas semanas depois, após avaliação e reforço de segurança. Isso difere do GLM-5.2, cujos pesos com licença MIT já estão no Hugging Face.
Para a maioria das equipes, testes hospedados via API ainda são o primeiro passo prático. O modelo é grande, e pesos abertos não removem o custo de hardware de inferência, quantização, serving, monitoramento ou controles de segurança.
GLM-5.3 vs GLM-5.2: Melhorias em benchmarks
A tabela a seguir usa dados oficiais do lançamento da Z.ai. “Mudança” é um cálculo simples a partir das pontuações reportadas. Percentuais relativos podem parecer dramáticos quando o baseline do GLM-5.2 é baixo, então a mudança absoluta também é mostrada.
| Benchmark | GLM-5.2 | GLM-5.3 | Mudança absoluta | Mudança 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, tarefas 2 horas | 29 | 105 | +76 | +262.1% |
| ExploitGym, tarefas 6 horas | 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 com ferramentas | 54.7 | 62.5 | +7.8 | +14.3% |
| GDPval-AA v2, Elo | 1508 | 1769 | +261 | +17.3% |
Melhorias de benchmarks: GLM-5.3 vs GLM-5.2 e concorrentes
Todos os números abaixo são reportados pelo fornecedor no blog oficial da Z.ai (com notas de metodologia sobre harnesses, comprimentos de contexto e amostragem). Verificação independente seguirá quando pesos e acesso mais amplo estiverem disponíveis.
Benchmarks de codificação
| Benchmark | GLM-5.3 | GLM-5.2 | Notas / Concorrentes |
|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | Competitivo com os principais modelos fechados |
| 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, esforço Max) | ~34.5% conclusão @ ~75K tokens | ~23.4% @ ~96K tokens | ~50% de melhoria geral em codificação; maior eficiência |
Em esforço High, o GLM-5.3 atingiu 31.4% de conclusão com ~50K tokens, superando o Claude Opus 4.8 (29.5% com 120K tokens) no bench interno, ainda atrás do Claude Fable 5 (39.5% em Max).
Benchmarks de cibersegurança
| Benchmark | GLM-5.3 | GLM-5.2 | Concorrentes (aprox.) |
|---|---|---|---|
| CyberGym | 84.5% | 77.2% | Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA) |
| ExploitBench | 54.4% | 24.4% | Mais que dobra o anterior; modelos fechados mais altos (Mythos 5 ~78%, GPT-5.6 Sol ~76.5%) |
| ExploitGym (2h/6h) | 105 / 130 | 29 / 39 | Mythos 5 ainda à frente (181/247) |
Os ganhos são maiores mais acima na cadeia de exploração. Em testes no mundo real com equipes chinesas de segurança, o modelo (com base no trabalho do GLM-5.2) identificou 2.436 vulnerabilidades em 269 projetos, incluindo 1.097 questões de gravidade média a alta. Algumas falhas datam de ~40 anos atrás (a mais antiga ~1981). Os achados são rastreados no registro público Z.ai Security Disclosure Ledger.
Agentic e outros benchmarks
| Benchmark | GLM-5.3 | GLM-5.2 | Observações |
|---|---|---|---|
| Toolathlon Verified | 73.0 | 59.9 | — |
| AutomationBench v1.0.6 | 48.2 | 26.2 | Ganho grande |
| Agents’ Last Exam (ALE-CLI) | 28.5 | 23.8 | Competitivo open-source |
| HLE c/ ferramentas | 62.5 | 54.7 | — |
| GDPval-AA v2 | 1769 | 1508 | Cobre 44 profissões |
Esses resultados demonstram progresso claro em tarefas profissionais de horizonte longo e múltiplas etapas.
Eficiência de tokens, modos de pensamento e comportamento prático
Uma melhoria silenciosa porém importante é a eficiência de tokens. No Code Bench interno, taxas de conclusão mais altas chegam com menos tokens de saída. Isso importa para custo e latência em loops de agentes de produção.
O GLM-5.3 sempre habilita o pensamento. Três níveis de esforço são suportados: low, high e max (padrão e recomendado para codificação é max). Desativar o pensamento não é mais suportado; aplicações que anteriormente definiam thinking.type: "disabled" devem migrar.
O contexto permanece em 1M tokens com saída máxima de até 128K. A arquitetura é inalterada em relação ao GLM-5.2, então dimensionamento de hardware para futura hospedagem própria pode ser estimado a partir da experiência com o GLM-5.2 (pegadas quantizadas ainda grandes dado o total de parâmetros).
Para desenvolvedores que querem experimentar imediatamente ou manter flexibilidade entre modelos, gateways unificados são úteis. A CometAPI lista modelos da série GLM (incluindo GLM-5.3 sob o ID de modelo glm-5.3 conforme se torna disponível) com endpoints compatíveis com OpenAI, tarifas competitivas, cobrança por uso e capacidade de alternar entre GLM-5.2, GLM-5.3 e dezenas de outros modelos de fronteira e abertos sem reescrever o código de integração. Isso é particularmente prático para testar agentes de codificação A/B, medir custo real por tarefa bem-sucedida e rotear tráfego com base no workload.
Quem deve migrar para o GLM-5.3 e como avaliar
Equipes que constroem agentes de codificação, automação de horizonte longo, fluxos de engenharia em escala de repositório ou ferramentas de segurança defensiva devem priorizar a avaliação. A combinação de maiores taxas de conclusão, melhor eficiência de tokens em tarefas complexas e agência multietapas mais forte é material.
Caminho recomendado de avaliação:
- Execute as mesmas tarefas internas (ou um harness fixo) no GLM-5.2 e GLM-5.3 (ou via Coding Plan) em níveis de esforço combinados.
- Meça não apenas taxa de aprovação mas tokens, tempo de relógio e taxa de intervenção humana.
- Use uma camada de API unificada como a CometAPI para manter a comparação sem atritos e reter a opção de fallback ou roteamento seletivo.
- Para workloads sensíveis à segurança, aguarde os pesos abertos totalmente reforçados e revise práticas de divulgação.
Hospedagem própria se tornará atraente quando os pesos forem liberados, especialmente para organizações que já rodam infraestrutura do GLM-5.2.
Conclusão: Pós-treinamento como a nova fronteira de escala
O GLM-5.3 é uma das demonstrações mais claras recentes de que a escala do pós-treinamento — ambientes mais realistas, melhor infraestrutura de RL e computação sustentada em trajetórias longas — pode produzir saltos de capacidade que antes pareciam exigir novos modelos base. Os ganhos de codificação e agentic são grandes; os resultados em cyber foram em grande parte emergentes e já competitivos ou líderes em benchmarks orientados a descoberta.
Para profissionais, a conclusão prática é direta: teste o modelo em seus workloads reais, meça custo por resultado bem-sucedido em vez de posição bruta em leaderboard e mantenha a integração flexível. Plataformas como a CometAPI simplificam esse processo ao oferecer uma única chave, interface compatível com OpenAI e troca fácil entre a série GLM e modelos concorrentes enquanto você decide quão agressivamente adotar as novas capacidades.