GLM-5.3

GLM-5.3 to flagowy model Z.ai, ogłoszony 14 sierpnia 2026. Najbardziej niezwykłe jest w nim to, czym nie jest: nie jest nowym modelem. Z.ai pisze wprost, że GLM-5.3 działa na tej samej bazie co GLM-5.2, a cała poprawa pochodzi z dotrenowania. Liczby producenta pokazują, ile samo to daje — Terminal-Bench 3.0 rośnie z 4,6 do 28,3, DeepSWE v1.1 z 46,2 do 66,9, Agents' Last Exam (CLI) z 23,8 do 28,5. Rekord, którym Z.ai chwali się przy dwóch pierwszych testach, jest przy tym wyraźnie rekordem wśród modeli z otwartymi wagami, a nie w całej stawce. Na wewnętrznym teście Z.ai Code Bench model osiąga 34,5% przy około 75 tys. tokenów wyjścia na zadanie wobec 23,4% przy 96 tys. u poprzednika: lepszy wynik przy mniejszym zużyciu tokenów. Na tym samym wykresie stoją jednak dwa wiersze, których podsumowanie na początku komunikatu już nie wymienia. Przy wysokim poziomie wysiłku GLM-5.3 rzeczywiście wyprzedza model zamknięty — 31,4% przy około 50 tys. tokenów wobec 29,5% przy 120 tys. u Claude Opus 4.8 — ale przy poziomie maksymalnym zostaje za Claude Fable 5, który osiąga 39,5%. Zaskoczeniem — według samego Z.ai — było bezpieczeństwo. Do mieszanki treningowej dodano środowiska wyszukiwania podatności, licząc na umiarkowany przyrost; wyszedł z tego model rozumujący o całych łańcuchach ataku. Na CyberGym uzyskuje 84,5% wobec 77,2% poprzednika i wyprzedza wszystkie pozostałe modele w tabeli porównawczej producenta (83,8% i 83,6% u dwóch zamkniętych liderów). Głębiej w łańcuchu obraz się odwraca: na ExploitBench GLM-5.3 skacze z 24,4% do 54,4%, ale zostaje daleko za zamkniętą czołówką (78,0% i 76,5%), a na ExploitGym wykonuje 105 zadań w dwie godziny i 130 w sześć, wobec 29 i 39 u GLM-5.2. Przy tym ostatnim teście producent przywołuje tylko jeden model zamknięty — Mythos 5, ze 181 zadaniami w dwie godziny i 247 w sześć — a budżety czasu są normalizowane osobno dla każdego modelu według przepustowości podanej dopiero w przypisach, więc te dwie godziny nie są dla wszystkich tymi samymi dwiema godzinami. Z.ai sam to podsumowuje: zdolności rosną najszybciej dokładnie tam, gdzie dystans do zamkniętej czołówki jest największy. Wagi opublikowano 28 sierpnia 2026, dwa tygodnie po zapowiedzi, jako 141 plików o łącznej wielkości 755 GB — 753 miliardy parametrów, wydane natywnie w formacie FP8, a nie przekonwertowane po fakcie, z osobnym repozytorium w BF16 obok. Nie objęła ich licencja MIT, którą Z.ai dał dwa dni wcześniej małemu GLM-5.3-Flash. Flagowiec ma własną „GLM-5.3 License”: treść jest w istocie MIT-owa — używanie, modyfikowanie, rozpowszechnianie, sublicencjonowanie, sprzedaż, dotrenowywanie — z jednym dołączonym warunkiem. Kto prowadzi działalność typu „model jako usługa”, a przychody jego grupy przekraczają dziesięć miliardów dolarów w dowolnych kolejnych dwunastu miesiącach, musi przed komercyjnym użyciem przejść audyt bezpieczeństwa Z.ai. Poniżej tego progu licencja nie nakłada niczego. W praktyce zapis celuje w garstkę gigantów chmurowych, a wszystkim pozostałym zostawia wolną rękę. Jedno zastrzeżenie liczy się przy migracji: GLM-5.3 nie przyjmuje już parametru thinking.type: disabled. Aplikacje z wyłączonym myśleniem muszą przed przejściem ustawić poziom wysiłku rozumowania, inaczej zapytanie kończy się błędem.

▸Newsy

Z.ai mierzy swój model wobec rywala w dwie godziny — tyle że te dwie godziny liczy każdemu osobno

13.09.2026 · Z.ai — GLM-5.3 model guide

Z.ai publikuje wagi flagowca — na licencji, która wiąże wyłącznie firmy powyżej 10 mld dolarów

29.08.2026 · Z.ai — model card and licence file for GLM-5.3 on Hugging Face

Model przejrzał 269 projektów open source i znalazł 2436 błędów — najstarszy z 1981 roku

15.08.2026 · Z.ai — blog premierowy GLM-5.3 i rejestr Z.ai Security Disclosure Ledger

▸Wideo

Brak materiałów wideo.

▸Recenzje