Создавайте с CometAPIНужен один API для нескольких моделей?Протестируйте рабочий процесс в Playground, затем создайте API-ключ, когда модель и стоимость подойдут для вашего сценария.
GLM-5.3 против GLM-5.2: бенчмарки и тестирование показывают, что изменилось
GLM-5.3 против GLM-5.2: та же базовая модель, одно лишь пост-обучение дает скачок в программировании на ~50% (Terminal-Bench 3.0 4,6→28,3) и эмерджентный результат на CyberGym — 84,5% SOTA.
TLDR Z.ai выпустила GLM-5.3 14 августа 2026 года на точно той же базе ~743–753B-параметровой MoE-модели, что и GLM-5.2. Все улучшения получены за счёт масштабированного пост-тренинга в средах с длинным горизонтом. Результат — ~50% относительное улучшение на внутреннем Code Bench Z.ai, открытое SOTA на Terminal-Bench 3.0 (4.6 → 28.3) и Agents’ Last Exam, резкий рост агентных показателей и новая возникающая SOTA-производительность в кибербезопасности (CyberGym 84.5%). Также улучшилась эффективность по токенам.
Веса ожидаются примерно через две недели после запуска после доработки по безопасности. Разработчики уже могут получить доступ к связанным моделям GLM и эффективно тестировать рабочие процессы через единые платформы, такие как CometAPI.
Ключевые выводы
Та же базовая модель, что у GLM-5.2; все достижения — из пост-тренинга (IndexShare, SAO, фреймворк slime + больше сред и вычислений).
Доступ: Live через GLM Coding Plan и ZCode; общий API и открытые веса (ожидаются в стиле MIT) после обзора безопасности. CometAPI предлагает удобный доступ к семейству GLM, совместимый с OpenAI, для параллельных тестов и продакшен-маршрутизации.
GLM-5.3 vs GLM-5.2 кратко
Dimension
GLM-5.3
GLM-5.2
Winner / Notes
Base model
Same ~743–753B MoE
Same
Identical
Post-training
Heavily scaled environments
Earlier stack
5.3
Terminal-Bench 3.0
28.3
4.6
5.3 (large)
DeepSWE v1.1
66.9
46.2
5.3
Internal Code Bench (Max)
34.5% @ ~75K tokens
23.4% @ ~96K tokens
5.3 (perf + efficiency)
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 / Max output
1M / 128K
1M / similar
Введение: пост-тренинг обеспечивает скачок поколения
В середине августа 2026 года сообщество ИИ наблюдало очередную стремительную итерацию в гонке открытых весов. Z.ai (международный бренд бывшей команды Zhipu AI / ChatGLM) запустила GLM-5.3 всего через 59 дней после GLM-5.2. Объявление было необычно ясным: базовая модель осталась идентичной. «Масштабирование пост-тренинга — всё, что мы сделали для GLM-5.3», заявила компания.
Это утверждение важно. Годы доминировал нарратив «более крупные модели выигрывают». GLM-5.3 показывает, что агрессивное масштабирование сред для обучения с подкреплением, разнообразие длинных задач и системная инфраструктура могут дать непропорциональные выигрыши на сложных задачах кодирования, агентности и даже кибербезопасности без нового претрейна. Числа настолько велики по нескольким трудным бенчмаркам, что независимые наблюдатели называют скачок качественным, а не инкрементальным. Обзор функций GLM-5.3, бенчмарков и заметок по доступу.
GLM-5.3 vs GLM-5.2: что действительно изменилось?
Главное заблуждение — думать, что GLM-5.3 это просто «GLM-5.2, но больше».
Это не так.
Базовая модель, по словам Z.ai, по сути та же. Основное новшество — масштабирование пост-тренинга. Z.ai выделяет три столпа:
Системные улучшения внутри slime — лучшее обучение
Масштабирование сред — конвейеры синтезируют исполняемые, проверяемые среды с длинным горизонтом из реальных профессиональных рабочих процессов. Исследовательские агенты извлекают паттерны задач; судьи проверяют разрешимость; проверяющие создаются без доступа к эталонным решениям, чтобы снизить взлом вознаграждения.
Продолжение использования SAO + компактизации — помогает сохранять прирост на длинных траекториях, не схлопываясь на коротких. — согласованность развёртывания (различия лог-вероятностей контролируются до ~1e-7), иерархическое кэширование, поддержка нескольких учителей, планирование с учётом нагрузки и заявленные >2.3× приросты сквозной производительности на задачах RL для кодирования с длинным горизонтом.
Эти изменения дали измеримые улучшения в наборах для кодирования, агентности и кибербезопасности. Важно, что самые большие относительные выигрыши появляются на самых сложных, низкобазовых тестах — именно тот паттерн, который ожидается, когда модель толкают в режимы, где она ранее была ненадёжна.
Итог — апгрейд модели прежде всего о поведении и способности, а не просто об архитектуре.
GLM-5.3 vs GLM-5.2: сравнение функций
1. Масштабированный пост-тренинг вместо новой базовой модели
Z.ai описывает масштабированный пост-тренинг как весь рецепт GLM-5.3. Исследовательские агенты превращают паттерны реальной работы в исполняемые задачи с скрытым состоянием и многошаговыми зависимостями. Судья-агент проверяет, что каждая задача разрешима. Проверяющие создаются, не видя эталонного решения, затем тестируются против оракулов, no-op и неразрешённых состояний, чтобы снизить обходы награды.
Система всё ещё требует человеческого ревью, и Z.ai прямо говорит, что более автономное генерирование и проверка сред — задача будущего. Эта оговорка добавляет достоверности заявлению: это крупный тренировочный пайплайн, а не утверждение, что синтетические среды стали полностью самоуправляемыми.
2. Более сильное кодирование с длинным горизонтом
GLM-5.3 улучшилась в работе с репозиториями, задачах терминала, инфраструктуре ML, оптимизации производительности и многошаговой поставке ПО. На Z.ai Code Bench, внутренней оценке, предназначенной отражать реалистичные сценарии, Z.ai сообщает примерно на 50% лучшее качество кодирования, чем GLM-5.2.
Важен результат по эффективности. На уровне Max GLM-5.3 достигла 34.5% при около 75K выходных токенов на задачу против 23.4% при 96K у GLM-5.2. Это прирост качества на 11.1 пунктов при примерно 22% меньшем числе токенов. На уровне High GLM-5.3 достигла 31.4% с примерно 50K токенов, опередив Claude Opus 4.8 с 29.5% при 120K в той же «первой» таблице вендора. Claude Fable 5 остаётся выше — 39.5% на Max.
3. Возникающая способность в кибербезопасности
Z.ai добавила среды поиска уязвимостей на этапе пост-тренинга. По отчёту запуска способности выросли сверх поиска изолированных дефектов: модель начала рассуждать через несколько стадий цепочки эксплуатации.
Публичные оценки показывают и прогресс, и пределы. GLM-5.3 лидирует в таблице Z.ai на CyberGym с 84.5 против 77.2 у GLM-5.2. На ExploitBench она более чем вдвое превосходит GLM-5.2, достигая 54.4 против 24.4, но остаётся заметно позади Fable 5 с 78.0 и GPT-5.6 Sol с 76.5. На ExploitGym выполняет 105 задач в нормированном двухчасовом бюджете и 130 в шести часах, против 29 и 39 у GLM-5.2; GPT-5.6 Sol и Fable 5 остаются существенно впереди.
Эти возможности — двойного назначения. Организациям следует ограничивать доступ к модели, изолировать инструменты (песочницы), логировать действия, требовать авторизации на сканирование и держать человека в контуре для валидации уязвимостей и раскрытия.
4. Мышление всегда включено с тремя уровнями усилий
GLM-5.3 поддерживает уровни low, high и max. В отличие от GLM-5.2, отключённое мышление не поддерживается. Существующие интеграции, которые отправляют thinking.type: "disabled", должны изменить значение на enabled перед переключением ID модели, иначе, по словам Z.ai, запрос будет отклонён.
Используйте low для интерактивных правок и низкорисковых преобразований, high — для значимых задач по репозиторию, и max — для сложного кодирования или анализа безопасности. Более высокий уровень следует оценивать на предмет латентности и стоимости, так как более сильный ответ не всегда самый экономичный.
5. Лучший тренировочный сквозной вывод через slime
GLM-5.3 продолжает использовать slime, открытый фреймворк Z.ai с Megatron на стороне обучения и SGLang на стороне развёртывания. Z.ai сообщает о добавлениях для top-p-маскирования, top-k и полной словарной он-полиси дистилляции, переключения учителей, кэширования и более тесного численного согласования между обучением и развёртыванием. В отчёте запуска говорится, что средние различия лог-вероятностей контролировались на уровне 1e-7, более чем на 99.99% ниже прежних настроек.
Планирование с учётом нагрузки и балансировка загрузки, по сообщениям, повысили сквозную производительность RL более чем в 2.3 раза на задачах кодирования с длинным горизонтом. Это улучшения инфраструктуры обучения, а не гарантии инференса для конечного пользователя, но они объясняют, как Z.ai масштабировала более длинные и разнообразные траектории за месяц.
6. Открытые веса с задержкой на проверку безопасности
Z.ai называет GLM-5.3 моделью с открытыми весами, но в день запуска веса нельзя было скачать. Компания говорит, что они будут опубликованы через две недели после проверки и укрепления безопасности. Это существенное отличие от GLM-5.2, чьи веса под MIT уже на Hugging Face.
Для большинства команд hosted-API-тестирование остаётся практичным первым шагом. Модель крупная, и открытые веса не убирают стоимость аппаратуры инференса, квантования, сервинга, мониторинга или средств безопасности.
GLM-5.3 vs GLM-5.2: улучшения бенчмарков
Ниже приводятся данные официального запуска Z.ai. «Change» — простая разница из указанных оценок. Относительные проценты могут выглядеть драматично при низкой базе GLM-5.2, поэтому также показана абсолютная разница.
Benchmark
GLM-5.2
GLM-5.3
Absolute change
Relative change
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
Улучшения бенчмарков: GLM-5.3 vs GLM-5.2 и конкуренты
Все цифры ниже — данные вендора из официального блога Z.ai (с примечаниями по методикам, длинам контекста и сэмплингу). Независимая верификация последует после публикации весов и расширения доступа.
Бенчмарки по кодированию
Benchmark
GLM-5.3
GLM-5.2
Notes / Competitors
Terminal Bench 2.1
88.2
81.0
Конкурентна топовым закрытым моделям
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
Сильный скачок
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 tokens
~23.4% @ ~96K tokens
~50% общий прирост в кодинге; выше эффективность
На уровне High GLM-5.3 достигла 31.4% завершения при ~50K токенов, обогнав Claude Opus 4.8 (29.5% при 120K токенов) на внутреннем стенде, оставаясь позади Claude Fable 5 (39.5% на Max).
Бенчмарки по кибербезопасности
Benchmark
GLM-5.3
GLM-5.2
Competitors (approx.)
CyberGym
84.5%
77.2%
Mythos 5: 83.8%, GPT-5.6 Sol: 83.6% (SOTA)
ExploitBench
54.4%
24.4%
Более чем удвоение; закрытые модели выше (Mythos 5 ~78%, GPT-5.6 Sol ~76.5%)
ExploitGym (2h/6h)
105 / 130
29 / 39
Mythos 5 всё ещё впереди (181/247)
Выигрыши максимальны выше по цепочке эксплуатации. В реальном тестировании с китайскими командами безопасности модель (на базе работы GLM-5.2) выявила 2 436 уязвимостей в 269 проектах, включая 1 097 средней и высокой критичности. Некоторые дефекты датируются ~40 годами назад (самый старый ~1981). Находки отслеживаются в публичном Z.ai Security Disclosure Ledger.
Агентные и другие бенчмарки
Benchmark
GLM-5.3
GLM-5.2
Notes
Toolathlon Verified
73.0
59.9
—
AutomationBench v1.0.6
48.2
26.2
Большой прирост
Agents’ Last Exam (ALE-CLI)
28.5
23.8
Конкурентна open-source
HLE w/ Tools
62.5
54.7
—
GDPval-AA v2
1769
1508
Охватывает 44 профессии
Эти результаты демонстрируют явный прогресс на многошаговых профессиональных задачах с длинным горизонтом.
Эффективность токенов, режимы мышления и практическое поведение
Тихое, но важное улучшение — эффективность по токенам. На внутреннем Code Bench более высокие показатели завершения достигаются при меньшем числе выходных токенов. Это влияет на стоимость и латентность в производственных циклах агента.
GLM-5.3 всегда включает мышление. Поддерживаются три уровня: low, high и max (по умолчанию и рекомендовано для кодирования — max). Отключение мышления больше не поддерживается; приложения, ранее выставлявшие thinking.type: "disabled", должны мигрировать.
Контекст остаётся 1M токенов с максимумом вывода до 128K. Архитектура не изменилась относительно GLM-5.2, поэтому размеры аппаратуры для будущего self-hosting можно оценивать по опыту GLM-5.2 (квантованные footprints всё ещё большие, учитывая общий счёт параметров).
Для разработчиков, желающих экспериментировать немедленно или сохранить гибкость по моделям, полезны унифицированные шлюзы. CometAPI перечисляет модели серии GLM (включая GLM-5.3 под ID модели glm-5.3 по мере доступности) с OpenAI-совместимыми эндпоинтами, конкурентными тарифами, биллингом по использованию и возможностью переключаться между GLM-5.2, GLM-5.3 и десятками других фронтирных и открытых моделей без переписывания интеграционного кода. Это особенно практично для A/B-тестирования кодовых агентов, измерения реальной стоимости на успешную задачу и маршрутизации трафика по типу нагрузки.
Кому стоит переходить на GLM-5.3 и как оценивать
Команды, строящие кодовые агенты, длинно-горизонтную автоматизацию, рабочие процессы на уровне репозиториев или инструменты оборонной безопасности, должны приоритизировать оценку. Сочетание более высоких показателей завершения, лучшей эффективности токенов на сложных задачах и более сильной многошаговой агентности — существенно.
Рекомендуемая программа оценки:
Прогоните те же внутренние задачи (или фиксированный харднесс) на GLM-5.2 и GLM-5.3 (или через Coding Plan) при matched уровнях усилий.
Измеряйте не только pass rate, но и токены, wall-clock время и долю человеческих вмешательств.
Используйте унифицированный API-слой вроде CometAPI, чтобы сравнение было без трения и оставалась опция отката или селективной маршрутизации.
Для нагрузок, чувствительных к безопасности, дождитесь полноценных открытых весов после харденинга и проверьте практики раскрытия.
Самостоятельный хостинг станет привлекательным, как только выйдут веса, особенно для организаций, уже эксплуатирующих инфраструктуру GLM-5.2.
Заключение: пост-тренинг как новый фронтир масштабирования
GLM-5.3 — один из самых ясных недавних примеров того, что масштаб пост-тренинга — более реалистичные среды, лучшая инфраструктура RL и устойчивые вычисления на длинных траекториях — может обеспечить скачки способностей, которые ранее казались требующими нового претрейна. Выигрыши в кодировании и агентности велики; результаты по кибербезопасности в значительной мере возникшие и уже конкурентны или лидируют на бенчмарках, ориентированных на обнаружение.
Практический вывод для специалистов прост: тестируйте модель на ваших реальных нагрузках, измеряйте стоимость за успешный исход, а не только позицию в рейтингах, и держите интеграцию гибкой. Платформы вроде CometAPI упрощают этот процесс, предлагая единый ключ, интерфейс, совместимый с OpenAI, и лёгкое переключение по серии GLM и конкурирующим моделям, пока вы решаете, насколько агрессивно принимать новые возможности.