Z.ais GLM-5.3 erzielt 50 % Leistungssprung beim Codieren und führt Benchmarks für offene Modelle an
Zusammenfassung der Neuigkeiten
Das in Peking ansässige KI-Labor Z.ai (Zhipu AI) hat am 14. August 2026 (Pekinger Zeit) offiziell GLM-5.3 eingeführt und positioniert das Modell als sein bisher leistungsstärkstes Open-Weight-System für Coding und Agenten. Die Veröffentlichung behält dieselbe Basisarchitektur wie GLM-5.2 bei, wobei alle Fähigkeitszuwächse aus einer deutlich umfangreicheren Post-Training-Phase stammen und nicht aus einem größeren Basismodell – ein Ansatz, den Z.ai als „Post-Training-Skalierung“ bezeichnet, der die Intelligenzgrenze des Modells ohne komplettes Neutraining anhebt.
Verfügbarkeit und Einführung
GLM-5.3 ist ab sofort über die API von Z.ai und den GLM Coding Plan verfügbar und wurde bereits zum Zeitpunkt der Ankündigung am 14. August 2026 (Pekinger Zeit) für alle bestehenden Abonnenten des Coding Plans freigeschaltet. Die offenen Modellgewichte sind noch nicht öffentlich. Z.ai gibt an, dass sie voraussichtlich in etwa zwei Wochen, gegen Ende August 2026 (Pekinger Zeit), veröffentlicht werden sollen, nachdem zusätzliche Sicherheitsbewertungen und Härtungsmaßnahmen abgeschlossen sind. Über die API führt GLM-5.3 drei auswählbare Stufen für den Denkaufwand ein – niedrig, hoch und maximal – und erlaubt Entwicklern, anders als bei früheren Versionen, nicht mehr, den Reasoning-Schritt des Modells vollständig zu deaktivieren, was Z.ai als Breaking Change für Anwendungen kennzeichnet, die auf sofortige Antworten ohne Reasoning ausgelegt sind.
Coding- und Agenten-Benchmarks
Z.ai berichtet, dass GLM-5.3 auf dem internen Z.ai Code Bench einen Leistungssprung von rund 50 Prozent gegenüber GLM-5.2 erzielt, wodurch das Modell bei mehreren öffentlichen Evaluierungen die Spitzenposition unter den Open-Weight-Systemen einnimmt. Zu den gemeldeten Benchmark-Verbesserungen gehören ein Anstieg beim Terminal-Bench 3.0 von 4,6 auf 28,3, ein Anstieg bei DeepSWE v1.1 von 46,2 auf 66,9 sowie eine Verbesserung beim Agents' Last Exam CLI von 23,8 auf 28,5. Auf dem internen Code Bench erreichte GLM-5.3 mit etwa 50.000 Tokens für Reasoning einen Wert von 31,4 Prozent und lag damit vor Claude Opus mit 29,5 Prozent bei 120.000 Tokens, hinkt jedoch bei diesem Benchmark hinter den führenden proprietären Systemen zurück. Z.ai verglich die Veröffentlichung im Rahmen seiner Wettbewerbspositionierung auch mit GPT-5.6 Sol, DeepSeek-V4 Pro und Moonshots Kimi K3. Die technischen Fortschritte werden auf eine Kombination aus der Verarbeitung langer Kontexte (genannt IndexShare), einer Reinforcement-Learning-Technik namens SAO und dem „Slime“-Trainingsframework zurückgeführt, die auf einem wesentlich umfangreicheren und vielfältigeren Satz von Trainingsumgebungen mit langem Zeithorizont basieren, welche professionellen Engineering-Workflows nachempfunden sind.
Cybersicherheitsfähigkeiten wuchsen schneller als erwartet
Eine bemerkenswerte Erkenntnis in den Versionshinweisen von Z.ai ist, dass die Offensiv-Sicherheitsfähigkeiten von GLM-5.3 schneller skalierten als die Coding-Gewinne, die das primäre Ziel des Trainings waren. Auf CyberGym erreichte das Modell 84,5 Prozent, gegenüber 77,2 Prozent bei GLM-5.2, und auf ExploitBench verdoppelte es seinen Wert fast von 24,4 auf 54,4 Prozent. Bei zeitgesteuerten Tests zur Exploit-Entwicklung schloss GLM-5.3 innerhalb von zwei Stunden 105 Aufgaben und innerhalb von sechs Stunden 130 Aufgaben ab, verglichen mit 29 bzw. 39 Aufgaben beim Vorgängermodell. Z.ai gibt an, das Modell intern genutzt zu haben, um seit der Veröffentlichung von GLM-5.2 insgesamt 2.436 Schwachstellen in 269 Open-Source-Projekten zu finden, von denen 1.097 als kritisch oder hoch eingestuft wurden. Zum Startzeitpunkt hatten 53 dieser Funde öffentliche CVE-Identifikatoren erhalten, während 2.383 weiterhin unter einem Embargo für verantwortungsvolle Offenlegung stehen, bis die Maintainer benachrichtigt sind. Z.ai begründet die verzögerte Veröffentlichung der Modellgewichte direkt mit diesem Befund und erklärt, dass zusätzliche Sicherheitsmaßnahmen erforderlich seien, bevor die zugrunde liegenden Gewichte – die andernfalls dazu verwendet werden könnten, die Offensivfähigkeiten des Modells außerhalb der überwachten API von Z.ai zu replizieren – öffentlich gemacht werden.
Branchenkontext
Die Veröffentlichung erfolgt inmitten eines sich verschärfenden Wettbewerbs unter chinesischen KI-Entwicklern, die nach einer Reihe schneller Iterationen von Zhipu und Konkurrenten in den vorangegangenen Monaten versuchen, den Abstand zu führenden westlichen Laboren bei Coding- und Agentenaufgaben zu verringern. Die inländische Berichterstattung über den Start, einschließlich Meldungen von Medien wie Sina Technology und Eastmoney, stellte GLM-5.3 als einen bedeutenden Schritt für Open-Source-Coding-Modelle dar und hob hervor, dass seine Coding- und Agentenleistung sich der von Top-Proprietärsystemen annähert, auch wenn es weiterhin hinter den allerneuesten Frontier-Veröffentlichungen von Anthropic und OpenAI zurückbleibt. Diskussionen in der Community vor dem Start konzentrierten sich zudem auf Forderungen nach nativer multimodaler Unterstützung und Vision-Fähigkeiten, Funktionen, die GLM-5.3 in dieser Version jedoch nicht einführt.