GLM-5.3 ist ein offenes Sprachmodell von Z.AI, veröffentlicht am 18. August 2026. Es nutzt dasselbe Basismodell wie GLM-5.2, die Verbesserungen stammen laut Z.AI aus dem Nachtraining. Der Schwerpunkt liegt auf komplexem Coding und langen Agenten-Aufgaben, also mehrstufigen Abläufen, in denen das Modell selbstständig Werkzeuge nutzt. Auf dem internen Z.ai Code Bench erreicht GLM-5.3 laut Z.AI 50 Prozent mehr als GLM-5.2. Zudem zeigt es deutlich gestiegene Fähigkeiten beim Finden und Ausnutzen von Sicherheitslücken.
Technisch ist GLM-5.3 ein Mixture-of-Experts-Modell (MoE): Von 753 Milliarden Parametern arbeitet je Token nur ein kleiner Teil spezialisierter Teilnetze, der Experten. Das Kontextfenster umfasst eine Million Token. Die Gewichte stehen auf Hugging Face bereit, sodass Sie das Modell in eigener Infrastruktur betreiben können, etwa in unserer GPU Cloud. Anders als GLM-5.2 steht GLM-5.3 nicht mehr unter MIT, sondern unter einer eigenen Lizenz ohne regionale Einschränkungen.
GLM-5.3
Z.AI (Zhipu AI)
August 2026
GLM-5.3 License (eigene Lizenz von Z.AI). Erlaubt Nutzung, Änderung, Weitergabe und kommerzielle Nutzung ohne regionale Einschränkungen. Betreibt der Lizenznehmer ein Model-as-a-Service-Geschäft und übersteigt der Gesamtumsatz von Lizenznehmer und verbundenen Unternehmen in zwölf aufeinanderfolgenden Monaten zehn Milliarden US-Dollar, muss vor kommerzieller Nutzung eine Sicherheitsprüfung durch Z.AI bestanden werden.
Offenes Sprachmodell (Mixture of Experts), Reasoning-Modell, Eingabe Text, Ausgabe Text
753 Milliarden gesamt (aktive Parameter je Token nicht separat veröffentlicht)
MoE mit 256 Experten (8 aktiv je Token plus 1 geteilter Experte), 78 Schichten, DSA Sparse Attention mit IndexShare, MTP-Layer. Gleiches Basismodell wie GLM-5.2
1.000.000 Token (Ausgabe bis 128.000 Token)
Das Hauptrepository auf Hugging Face enthält die Gewichte im Zahlenformat FP8 mit 8 Bit je Parameter, rund 756 GB. Für den Betrieb nennt Z.AI unter anderem SGLang und vLLM.
Die vollständigen Gewichte im Format BF16 mit 16 Bit je Parameter. Sie brauchen etwa doppelt so viel Speicher wie die FP8-Fassung und eignen sich als Referenz oder Ausgangspunkt für eigenes Fine-Tuning.
GLM-5.3-Flash ist ein neu trainiertes, multimodales MoE-Modell mit 320 Milliarden Parametern, davon 18 Milliarden aktiv. Es verarbeitet auch Bilder und braucht deutlich weniger Hardware.
| Benchmark | GLM-5.3 | GLM-5.2 | Kimi K3 | DeepSeek-V4-Pro-0813 | Claude Opus 4.8 | Fable 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88,2 | 81,0 | 88,3 | 87,9 | 85,0 | 88,0 | 88,8 |
| DeepSWE (v1.1) | 66,9 | 46,2 | 67,5 | 62,7 | 58,0 | 69,7 | 72,7 |
| CyberGym | 84,5 | 77,2 | 80,0 | 83,3 | 78,1 | 83,8 | 83,6 |
| Toolathlon Verified | 73,0 | 59,9 | 76,5 | 74,1 | 76,2 | 74,7 | 74,9 |
| AutomationBench (v1.0.6) | 48,2 | 26,2 | 46,7 | 43,2 | 41,0 | 46,2 | 45,8 |
| Agents’ Last Exam (ALE-CLI) | 28,5 | 23,8 | 27,6 | 25,7 | 25,7 | 23,8 | 28,6 |
| Humanity’s Last Exam (mit Tools) | 62,5 | 54,7 | 59,8 | 60,0 | 57,9 | 63,9 | 64,5 |
| GDPval-AA v2 | 1769 | 1508 | 1682 | 1590 | 1588 | 1743 | 1730 |
Quelle: offizielle GLM-5.3 Model Card (Z.AI, August 2026). GLM-5.3 auf der Reasoning-Stufe max, Fable 5 mit Fallback gemessen. Angaben in Prozent, GDPval-AA als Punktwert. Tests ohne vollständige Vergleichswerte (u. a. Terminal-Bench 3.0, NL2Repo, ExploitBench) sind nicht aufgeführt.
GLM-5.3 bietet starke Coding-Leistung mit offenen Gewichten, stellt aber hohe Anforderungen an die Hardware. Wir prüfen mit Ihnen, ob sich der eigene Betrieb lohnt oder ob ein kleineres Modell ausreicht.
GLM-5.3 verwendet dasselbe Basismodell wie GLM-5.2. Laut Z.AI gehen die Verbesserungen auf das Nachtraining (Post-Training) zurück, also auf das gezielte Weitertrainieren nach dem eigentlichen Vortraining. Angaben zu Trainingsdaten und Verfahren im Detail macht Z.AI nicht.
Das Reasoning, also das schrittweise Durchdenken vor der Antwort, ist über die Z.AI-API immer aktiv. Die Denktiefe steuern Sie über den Parameter reasoning_effort mit den Stufen low, high und max, Standard ist max. Die Benchmark-Werte gelten für max.
Z.AI nennt keine Mindestausstattung. Die folgenden Angaben sind eine eigene Abschätzung aus der Größe der Gewichte:
Doppelte Verwendbarkeit: Z.AI beschreibt deutlich gestiegene Fähigkeiten beim Finden und Ausnutzen von Sicherheitslücken. ExploitBench steigt von 24,4 auf 54,4, in realen Tests fand das Modell laut Z.AI 2.436 Schwachstellen. Das nützt der Abwehr, sollte bei Freigabe und Zugriffsrechten aber berücksichtigt werden.
Lizenz: Anbieter von Model as a Service mit mehr als zehn Milliarden US-Dollar Konzernumsatz in zwölf Monaten müssen vor kommerzieller Nutzung eine Sicherheitsprüfung durch Z.AI bestehen. Unternehmen ohne MaaS-Geschäft oder unterhalb dieser Schwelle betrifft die Klausel nicht.
Datenhoheit: Mit den offenen Gewichten verarbeiten Sie Daten vollständig in eigener Infrastruktur, etwa in unserem Rechenzentrum.
GLM-5.3 eignet sich für anspruchsvolle Coding- und Agenten-Aufgaben, bei denen Sie Daten und Modell in eigener Hand behalten möchten. Für Bildverarbeitung oder knappere Hardware ist GLM-5.3-Flash die passendere Wahl. Welches Modell zu Ihrem Vorhaben passt, klären wir gern in einer KI-Beratung.
Deutlich stärker als GLM-5.2: Terminal-Bench 2.1 steigt von 81,0 auf 88,2, DeepSWE von 46,2 auf 66,9, bei gleichem Basismodell.
Security-Analysen: Bei CyberGym liegt GLM-5.3 mit 84,5 vor allen Vergleichsmodellen der Model Card.
Automatisierung und Wissensarbeit: Bei AutomationBench (48,2) und GDPval-AA (1769) erreicht GLM-5.3 die höchsten Werte der Model Card.
Eine Million Token Kontext: Genug für ganze Codebasen oder umfangreiche Dokumentsammlungen.
Offene Gewichte: Betrieb im eigenen Rechenzentrum, kommerzielle Nutzung ohne regionale Einschränkungen.
Hoher Hardware-Bedarf: Nach eigener Abschätzung ist ein Server mit acht GPUs der H200- oder B200-Klasse nötig, bei langem Kontext zusätzlich Speicher für den KV-Cache.
Rein textbasiert: Das Modell verarbeitet keine Bilder. Für Bildeingaben eignet sich GLM-5.3-Flash.
Nicht in allen Tests vorn: GPT-5.6 Sol liegt bei Terminal-Bench 2.1, DeepSWE und HLE vorn, Kimi K3 bei Toolathlon Verified. Bei NL2Repo erreicht Claude Opus 4.8 laut Model Card 69,7 gegenüber 58,0.
Keine MIT-Lizenz mehr: Die eigene GLM-5.3-Lizenz enthält eine Sicherheitsprüfung für sehr große MaaS-Anbieter, anders als die MIT-Lizenz von GLM-5.2.
Wir stellen die passende GPU-Infrastruktur für GLM-5.3 bereit, in unserer GPU Cloud oder in Ihrem eigenen Setup in unserem Rechenzentrum. Über unseren MaaS Proxy binden Sie das Modell zentral und kontrolliert in Ihre Anwendungen ein.
GLM-5.3 nutzt dasselbe Basismodell wie GLM-5.2, wurde aber neu nachtrainiert. Laut Model Card steigt Terminal-Bench 2.1 von 81,0 auf 88,2 und DeepSWE von 46,2 auf 66,9. Zudem gilt statt der MIT-Lizenz eine eigene GLM-5.3-Lizenz.
Ja. Die GLM-5.3-Lizenz erlaubt kommerzielle Nutzung und enthält keine regionalen Einschränkungen, auch nicht für Unternehmen in der EU. Wesentliche Zusatzbedingung: Anbieter von Model as a Service mit einem Konzernumsatz von über zehn Milliarden US-Dollar in zwölf aufeinanderfolgenden Monaten müssen vorab eine Sicherheitsprüfung durch Z.AI bestehen. Lassen Sie die Lizenz für Ihren Einsatz dennoch rechtlich prüfen.
Z.AI nennt keine Mindestausstattung. Nach unserer Abschätzung belegen die FP8-Gewichte rund 756 GB, also ein Server mit acht GPUs der H200- oder B200-Klasse. Mit BF16 verdoppelt sich der Bedarf etwa, hinzu kommt Speicher für den KV-Cache, den Zwischenspeicher für den bisherigen Kontext.
Eine Million Token Eingabe und bis zu 128.000 Token Ausgabe laut Z.AI-Dokumentation.
Ja. Sie können GLM-5.3 in unserer GPU Cloud betreiben, DSGVO-konform in unserem Rechenzentrum in Limburg. Für geringeren Hardware-Bedarf bietet sich GLM-5.3-Flash an.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
