Newsy
Co słychać w robotyce i AI — wybór redakcji wujec.ai.
Z.ai mierzy swój model wobec rywala w dwie godziny — tyle że te dwie godziny liczy każdemu osobno
Najuczciwsze zdanie w komunikacie Z.ai o modelu GLM-5.3 jest zarazem tym, które utrudnia odczytanie firmowej liczby z nagłówka: w teście ExploitGym budżet czasu jest normalizowany osobno dla każdego modelu, według przepustowości podanej dopiero w przypisach. Porównanie brzmi „105 zadań w dwie godziny wobec 181" — tyle że te dwie godziny nie są dla wszystkich tymi samymi dwiema godzinami. ExploitGym liczy, ile zadań z wykorzystania podatności model wykona w zadanym czasie. Z.ai podaje dla GLM-5.3 105 zadań w dwie godziny i 130 w sześć, wobec 29 i 39 u poprzednika. W tym wierszu stoi tylko jeden model zamknięty: Mythos 5, ze 181 i 247 zadaniami. Test rozliczany zegarem mierzy naraz dwie rzeczy — jak dobrze model rozumuje i jak szybko jest serwowany — więc normalizacja budżetu jest zabiegiem uzasadnionym. Oznacza jednak, że dystans z nagłówka zależy od założenia o przepustowości, którego czytelnik nie widzi. W tym samym komunikacie stoją dwa dalsze zastrzeżenia, oba postawione przez samo Z.ai i oba regularnie gubione, gdy liczby ruszają w świat. Rekord w testach Terminal-Bench 3.0 i Agents' Last Exam jest wyraźnie rekordem wśród modeli z otwartymi wagami, a nie w całej stawce. A na wewnętrznym teście Z.ai Code Bench GLM-5.3 osiąga przy maksymalnym wysiłku 34,5% — wyprzedza Claude Opus 4.8 przy ustawieniu wysokim, ale zostaje za Claude Fable 5 z wynikiem 39,5%. Podsumowanie na początku strony wymienia pierwsze porównanie i pomija drugie. Nic z tego nie umniejsza wyniku w bezpieczeństwie. GLM-5.3 rośnie w teście CyberGym z 77,2% do 84,5%, co jest najlepszą liczbą w tabeli producenta, a Z.ai podaje, że model znalazł 2436 podatności w 269 realnych projektach, w tym 1097 o średniej i wysokiej istotności. Najbardziej użyteczny jest przy tym własny wniosek firmy: zdolności rosną najszybciej dokładnie tam, gdzie dystans do zamkniętej czołówki jest największy. Nasz profil GLM-5.3 został poprawiony — wcześniejsza wersja przypisywała wyniki 181 i 247 dwóm różnym modelom zamkniętym, podczas gdy oba należą do jednego, przy dwóch różnych budżetach czasu.
GLM-5.3 →Dwie trzecie repozytoriów Z.ai jest starszych niż rok 2025. Jedno z nich zbiera większość tego, co z ich ruchu zostało.
Z.ai utrzymuje na Hugging Face 154 repozytoria modeli. Dziewięćdziesiąt osiem z nich — niecałe dwie trzecie — opublikowano przed 2025 rokiem, a przez ostatnie trzydzieści dni pobrano je łącznie 810 718 razy. To osiem procent z 10,08 mln pobrań całego konta. Czternaście repozytoriów założonych w 2026 roku zebrało 8,38 mln, czyli osiemdziesiąt trzy procent. Zaskakuje to, jak bardzo skupiona jest reszta. Sam ChatGLM2-6B, opublikowany w czerwcu 2023 roku, odpowiada za 435 810 tych pobrań — czyli za ponad połowę wszystkiego, co zbiera archiwum sprzed 2025 roku, i za więcej, niż w tym samym czasie pobiera się z osobna aktualne GLM-5, GLM-5.1, GLM-5.3 czy GLM-4.7. Trzyletni sześciomiliardowy czat-model wyprzedza w liczniku pobrań cztery flagowce własnej firmy. Czytelnym wyjaśnieniem jest rozmiar. ChatGLM2-6B po kwantyzacji INT4 działa na karcie graficznej z 6 GB pamięci i mieści tam około ośmiu tysięcy tokenów rozmowy; flagowce z 2026 roku nie mieszczą się na domowym sprzęcie w ogóle. Reszta to bezwład: poradniki, materiały do zajęć na uczelniach i przepisy na dostrajanie pisane w 2023 roku wciąż wskazują to repozytorium z nazwy. Do liczb należy jedno zastrzeżenie. Hugging Face podaje pobrania wyłącznie z ruchomego okna trzydziestu dni, więc opisują one dzisiejszy ruch, a nie sumę od premiery — model sprzed tygodnia i model sprzed trzech lat mierzone są tym samym miesiącem. W wujec.ai przybyły profile ChatGLM-6B, ChatGLM2-6B i GLM-4-9B-Chat, czyli trzech modeli, przez które ta historia przebiega.
ChatGLM2-6B →Z.ai otworzył wagi taniego modelu — flagowca obiecanego dwa tygodnie temu wciąż nie ma do pobrania
Z.ai opublikował GLM-5.3-Flash 26 sierpnia 2026 i w tym samym tygodniu wystawił jego wagi na Hugging Face, na czystej licencji MIT. Dwa tygodnie wcześniej firma wypuściła flagowy model GLM-5.3 z obietnicą, że wagi pojawią się mniej więcej po dwóch tygodniach. Termin właśnie minął, a repozytorium flagowca nie istnieje: najnowszym modelem Z.ai, który każdy może pobrać, jest ten tani. Ostatnim flagowcem z faktycznie opublikowanymi wagami pozostaje GLM-5.2 z czerwca 2026, liczący 753,3 miliarda parametrów. GLM-5.3-Flash jest od niego ponad dwukrotnie mniejszy — 320 miliardów parametrów, z czego 18 miliardów aktywnych na token, co potwierdza opublikowany indeks wag: 321,3 miliarda. Mniejszy model nie jest przy tym okrojoną wersją większego. Z.ai przedstawia go jako pierwszy model czołowej klasy z otwartymi wagami, który łączy uwagę rzadką z liniową, i podaje zysk w liczbach: obliczenia uwagi spadają 3,01 raza, a pamięć podręczna KV 4,44 raza wobec GLM-5.3. To również pierwszy natywnie multimodalny model rodziny, czyli taki, który potrafi obejrzeć wyrenderowany interfejs i poprawić własny kod, zamiast pisać go na ślepo. Architektura widać po cenie. GLM-5.3-Flash kosztuje katalogowo 0,15 dolara za milion tokenów wejścia i 0,50 dolara za milion wyjścia; GLM-5.3 kosztuje 1,40 i 4,40. To 9,3 raza taniej na wejściu i 8,8 raza taniej na wyjściu — blisko, ale jednak nie tyle, ile firma nazywa jedną dziesiątą ceny. Do 9 września 2026 obowiązuje promocja 50 procent, która na razie podwaja tę różnicę. Deklaracje o skuteczności pozostają wyłącznie po stronie producenta. Z.ai twierdzi, że model bije GLM-5.2 we wszystkich testach i zbliża się do Claude Opus 4.8 w zadaniach programistycznych i agentowych, ale wyniki publikuje tylko jako obrazek z wykresem, a żadne niezależne laboratorium ich nie powtórzyło. Zweryfikować można za to licencję: plik LICENSE w repozytorium to goły tekst MIT, bez dopisku o atrybucji i bez ograniczenia użytku komercyjnego.
GLM-5.3-Flash →Model przejrzał 269 projektów open source i znalazł 2436 błędów — najstarszy z 1981 roku
Z.ai wydał GLM-5.3 14 sierpnia i najciekawszą liczbę schował głęboko w komunikacie. Współpracując z zespołami bezpieczeństwa w Chinach, firma skierowała model na realne repozytoria otwartego oprogramowania. Po weryfikacji ekspertów, przesianiu i usunięciu powtórzeń model wskazał **2436 podatności w 269 projektach** — 107 oznaczonych jako krytyczne, 990 jako wysokie, 1286 jako średnie i 53 jako niskie. Znaleziska obejmują jądra systemów, systemy operacyjne, silniki przeglądarek, biblioteki infrastrukturalne, aplikacje webowe i protokoły sieciowe. Uderzająca jest nie liczba, tylko wiek. Według danych Z.ai przeciętna wada tkwiła w kodzie **26,6 roku**, zanim ktokolwiek ją zauważył, a najstarsza została wprowadzona w **1981 roku** — czterdzieści pięć lat oddziaływania. To nie są świeże regresje w szybko zmieniających się projektach; to defekty, które przetrwały wszystkie ludzkie przeglądy kodu, analizatory statyczne i kampanie fuzzingu ostatnich czterech dekad. Z.ai twierdzi, że ta zdolność nie była celem. Środowiska wyszukiwania podatności dodano do dotrenowania, licząc na to, że model lepiej wychwyci pojedyncze błędy; wyszedł z tego — słowami firmy — model rozumujący o wielu etapach ataku i układający spójne plany całych łańcuchów. Wyniki testów potwierdzają jednak twierdzenie węższe: na CyberGym, który startuje od kodu źródłowego i sprawdza, czy model potrafi znaleźć i potwierdzić podatność, GLM-5.3 uzyskuje 84,5% wobec 77,2% poprzednika, minimalnie przed Claude Mythos 5 (83,8%) i GPT-5.6 Sol (83,6%). Dalej w łańcuchu przewaga znika — na ExploitBench osiąga 54,4% wobec 78,0% Mythos 5, a na ExploitGym wykonuje 105 zadań w dwie godziny wobec 181. Z.ai pisze to wprost: przewaga leży na początku łańcucha, a dystans do zamkniętej czołówki jest największy tam, gdzie zdolność waży najwięcej. Nietypowe jest to, że ujawnieniu towarzyszy udokumentowany ślad. Z.ai opublikował publiczny rejestr pod adresem cvd.z.ai, w którym każde znalezisko jest odnotowane wraz z przebiegiem skoordynowanego ujawniania: projekt, poziom krytyczności, numer CVE jeśli przyznano oraz to, jak długo wada siedziała w kodzie. W dniu ogłoszenia **53 znaleziska były jawne, a 2383 pozostawały pod embargiem** — i to jest właściwa historia. Jeden przebieg modelu wytworzył zaległość nieujawnionych podatności większą niż roczny wolumen niejednego krajowego zespołu CERT, a harmonogram trzymają teraz opiekunowie tych 269 projektów. GLM-5.3 nie był w dniu premiery do pobrania. Z.ai zapowiedział wagi na około dwa tygodnie po ogłoszeniu, a API oznaczył jako wkrótce; na razie model działa przez abonament GLM Coding Plan i agenta ZCode. Kiedy wagi się pojawią, ta sama zdolność, która zapełniła rejestr, stanie się dostępna dla każdego, kto ma sprzęt do jej uruchomienia — co jest argumentem za wydawaniem etapowym i argumentem przeciwko niemu, zależnie od tego, kto go używa. *Nota redakcyjna: wujec.ai opisuje zdolności bezpieczeństwa jako opublikowaną właściwość tych modeli. Nie przytaczamy materiału umożliwiającego atak i odsyłamy wyłącznie do prowadzonego przez producenta rejestru skoordynowanego ujawniania.*
GLM-5.3 →