
Laboratorul chinez de AI Z.ai a lansat joi GLM-5.3, un model de codare considerabil pe care îl prezintă ca fiind cel mai puternic coder open-weights de pe piață. Modelul este disponibil acum prin abonamentul GLM Coding Plan și ZCode, cu acces API și ponderi descărcabile ce vor urma după o revizuire de siguranță.
"Scalarea post-antrenament este tot ce am făcut pentru GLM-5.3", a scris compania în postarea de lansare. "Cu GLM-5.2 am construit baza... În ultima lună am continuat să scalăm pe această bază: mai multe medii, sarcini mai diverse și mai multă putere de calcul consumată pentru antrenarea lor."
Echipa s-a concentrat mai mult pe eficiența token-urilor, nu pe dominația brută. GLM-5.3 are 743 de miliarde de parametri și consumă mult mai puține token-uri per sarcină decât predecesorul său. Parametrii reprezintă numărul de ajustări pe care un model le poate gestiona în timpul procesării informațiilor, în timp ce token-urile sunt unitatea de bază de informație pe care un model o poate consuma sau genera.
Z.ai afirmă că GLM-5.3 atinge 34.5% pe propriul său Z.ai Code Bench la efort maxim, consumând aproximativ 75.000 de token-uri de ieșire per sarcină, comparativ cu 23.4% la GLM-5.2 cu 96.000. Împotriva modelelor închise, blogul notează că depășește Claude Opus 4.8 în economia token-urilor, dar "rămâne în urma Claude Fable 5, care atinge 39.5% la efort maxim."
În ceea ce privește codarea, GLM5.3 este un performer foarte bun, depășind modelul chinezesc Kimi K3 pe cele mai relevante benchmark-uri.
Pe Terminal Bench 3.0 — un test de utilizare autonomă a shell-ului/instrumentelor în medii reale Linux — GLM-5.3 obține 28.3, ușor în urma modelelor închise Fable 5 (33.7) și GPT-5.6 Sol (34.6). Pe DeepSWE v1.1, un benchmark pentru remedierea problemelor reale de pe GitHub de la un capăt la altul, rivalul deschis Kimi K3 (67.5) și Fable 5 (69.7) au depășit ambele scorul de 66.9 al GLM-5.3.
Modelul poate fi rezumat mai mult sau mai puțin astfel: GLM-5.3 își depășește propriul predecesor și unii rivali deschiși, dar modelele americane închise încă domină clasamentele de codare principale.
Rezultatele privind securitatea cibernetică arată un alt salt important. GLM-5.3 conduce CyberGym cu 84.5% și mai mult decât dublează GLM-5.2 pe benchmark-urile de exploatare. Z.ai afirmă că modelul a semnalat 2.436 de vulnerabilități în 269 de proiecte open-source, dintre care 1.097 de severitate medie spre mare.
"GLM-5.3 duce codarea agentică la nivelul următor, oferind o îmbunătățire dramatică față de GLM-5.2, obținând în același timp rezultate mai bune cu mai puține token-uri de ieșire," a postat Z.ai pe X. "GLM-5.3 este disponibil acum prin GLM Coding Plan și ZCode. Accesul API și ponderile deschise vor fi lansate în etape, după evaluări riguroase de siguranță."
GLM-5.3 takes agentic coding to the next level, delivering a dramatic improvement over GLM-5.2 while achieving better results with fewer output tokens. pic.twitter.com/KGc6ZR7GHv
— Z.ai (@Zai_org) August 14, 2026
În ceea ce privește prețul, diferența față de modelele de vârf americane este dată de caracterul open-weights. GLM Coding Plan de la Z.ai funcționează pe bază de cotă de puncte (apelurile în afara orelor de vârf costă jumătate), API-ul Zhipu fiind evaluat la aproximativ o zecime din tarifele per token ale modelelor de vârf americane — rata oficială a GLM-5.2 era de 1.40 USD intrare / 4.40 USD ieșire per milion de token-uri. Aceasta se compară cu GPT-5.3-Codex la 1.75 USD / 14 USD și Claude Opus 4.8, aproape de vârful nivelurilor Anthropic.
Z.ai este un laborator din Beijing inclus pe Lista Entităților din SUA, ceea ce înseamnă că firmele americane nu pot exporta tehnologie controlată către acesta. În ciuda acestui fapt, GLM este un model extrem de popular, iar modelele chinezești open-weight le depășesc deja pe cele americane în utilizarea token-urilor pe OpenRouter.
Ponderile GLM-5.3 sunt programate pentru lansare publică în aproximativ două săptămâni, conform postării de lansare — eticheta open-weights se aplică la ceea ce urmează, nu la ceea ce este descărcabil astăzi.








