GLM-5.3 jetzt als Open-Weight verfügbar

• •Z.ai hat GLM-5.3 als Open-Weight-Modell freigegeben; alle Verbesserungen gegenüber GLM-5.2 gehen ausschließlich auf Post-Training zurück, das Basismodell ist unverändert.
• •Das Modell beansprucht die Spitzenposition unter Open-Weight-Modellen auf Terminal Bench 3.0 und verdoppelt nach Entwicklerangaben den GLM-5.2-Wert auf Exploitation-Benchmarks.
• •Cyber-Fähigkeiten wuchsen beim Skalieren des Post-Trainings nach eigenen Angaben schneller als erwartet – unabhängige Überprüfungen dieser Behauptung stehen noch aus.

Das KI-Forschungslabor Z.ai hat sein Sprachmodell GLM-5.3 als Open-Weight-Modell veröffentlicht. Alle Leistungsverbesserungen gegenüber dem Vorgänger GLM-5.2 gehen laut den Entwicklern ausschließlich auf Post-Training zurück – das zugrundeliegende Basismodell ist identisch.

Coding-Leistung: 50 Prozent Steigerung gegenüber GLM-5.2

Z.ai gibt an, GLM-5.3 sei das leistungsfähigste Open-Weight-Modell im Bereich Coding. Auf dem hauseigenen Z.ai Code Bench soll es eine Steigerung von 50 Prozent gegenüber GLM-5.2 erzielen. Auf öffentlichen Benchmarks wie Terminal Bench 3.0 und Agents' Last Exam (ALE-CLI) erreiche das Modell nach Unternehmensangaben den Open-Source-Stand der Technik. Ein direkter Vergleich mit anderen führenden Modellen – darunter Kimi K3, DeepSeek-V4 Pro, Qwen3.8-Max, Claude Opus 4.8 sowie GPT-5.6 – ist in der nachfolgenden Tabelle ablesbar. Auch andere Open-Weight-Ansätze drängen auf Coding-Benchmarks nach vorn.

Emergente Cyber-Fähigkeiten: schneller als erwartet

Ein auffälliger Befund der Entwickler betrifft Sicherheits- und Angriffsfähigkeiten: Im Verlauf des Post-Trainings seien Cyber-Kompetenzen schneller gewachsen als vorhergesagt. Auf dem CyberGym-Benchmark zur Schwachstellenerkennung erreiche GLM-5.3 nach eigenen Angaben den aktuellen Stand der Technik. Besonders ausgeprägt seien die Fortschritte bei Exploitation-Benchmarks, wo das Modell gegenüber GLM-5.2 mehr als das Doppelte erziele. Die Entwickler halten dies ausdrücklich für ein emergentes Phänomen des Skalierens, ohne es weiter einzuordnen oder Sicherheitsmaßnahmen zu benennen. Das wachsende Feld der Open-Weight-Modelle bringt derzeit in rascher Folge neue Ansätze hervor.

Deployment und Konfiguration

GLM-5.3 lässt sich über mehrere Inferenz-Frameworks lokal betreiben, darunter SGLang, vLLM, TokenSpeed, Transformers, KTransformers und Unsloth. Für die Ascend-NPU-Plattform werden vLLM-Ascend, xLLM und SGLang unterstützt. Das Modell bietet über den Parameter reasoning_effort drei Denk-Budget-Stufen (low, high, max); die Voreinstellung ist max. Für Chat-Szenarien empfehlen die Entwickler, clear_thinking=true explizit zu übergeben.

Die veröffentlichten Benchmark-Ergebnisse stammen durchgehend aus Messungen unter kontrollierten Bedingungen, die im technischen Bericht des GLM-5-Teams detailliert beschrieben sind. Unabhängige Nachprüfungen durch Dritte lagen zum Zeitpunkt der Veröffentlichung nicht vor. Damit bleibt der Status einiger Leistungsbehauptungen – insbesondere jener zur Cyber-Exploit-Überlegenheit – vorerst unbestätigt.

More in Künstliche Intelligenz

→

Künstliche Intelligenz KI-Agenten schlagen Patches um Tage Künstliche Intelligenz Racter 1984: Frühe KI schreibt ein Buch Künstliche Intelligenz KI-Agenten entdecken neue Mathematik Künstliche Intelligenz Conduct AI: Quelloffene KI-Guardrails Künstliche Intelligenz Google KI löscht Füllwörter in Echtzeit Künstliche Intelligenz Headlong: KI-Agent denkt ohne Pause

← Home