Zhipu AI lancerer GLM-5.3: 743 mia. parametre og kode

En fejl med rødder tilbage til 1981 og usynlig i årtier var åbningsakten. Den satte tonen for Zhipu AI's seneste præsentation: GLM-5.3, en sprogmodel med 743 milliarder parametre, finjusteret til kodning, agentbaserede arbejdsgange og cybersikkerhedsanalyse.

Zhipu AI siger, at GLM-5.3 ikke ankommer som en større basismodel, men som en klogere. Vægtene forbliver på 743 milliarder parametre, men teamet genarbejdede post-træningslaget, med rigere simulerede miljøer, større opgavemæssig variation og mere intensiv interaktiv beregning, for at presse ydelsesforbedringerne ud. Resultatet føles mindre som rå skalering og mere som kirurgisk forfinelse.

Adgang begynder gennem det betalte GLM Coding Plan og ZCode-platformen. API-adgang og downloadbare modelvægte er planlagt til en faseopdelt frigivelse efter trinvis sikkerhedsgennemgang i de kommende uger, hvilket betyder, at organisationer kan prøve modellen tidligt, mens Zhipu vurderer den til bredere distribution.

Tokeneffektivitet var et overskriftsmål. I Z.ai's egen Code Bench opnåede GLM-5.3 en succesrate på 34,5% ved at bruge cirka 75.000 outputtokens, sammenlignet med GLM-5.2's 23,4% succes ved omkring 96.000 tokens. Kort sagt: mindre snak, flere resultater. Det er den slags forbedring ingeniører lægger mærke til først.

Når det gælder rå programmeringsevner, er billedet blandet. Terminal Bench 3.0, som vurderer præstation i live Linux-miljøer og automatiserede systemer, skød GLM-5.3 op på en score på 28,3, op fra 4,6 i den forrige generation. Imponerende. Men kommercielle rivaler fører stadig; Claude Fable 5 scorede 33,7 og GPT-5.6 Sol scorede 34,6, hvilket bevarer podiepladserne.

I virkelighedsnær fejlretning testet i DeepSWE v1.1 opnåede GLM-5.3 en score på 66,9, hvilket er en betydelig forbedring i forhold til sin forgænger, men lige akkurat under jævnaldrende som Kimi K3 (67,5) og Fable 5 (69,7). Konklusionen: GLM-5.3 indsnævrer kløften til både open source- og lukkede konkurrenter, men de førende enterprise-stakke forbliver hårdt konkurrenceprægede.

Det, hvor GLM-5.3 virkelig overrasker, er cybersikkerhed: den toppede CyberGym-benchmarken med en score på 84,5%, og slog dermed Fable 5 (83,8%) og GPT-5.6 Sol (83,6%). Zhipu offentliggjorde en sikkerhedsrapport, der viser, at GLM-5.3 identificerede 2.436 sårbarheder på tværs af 269 open source-projekter, hvoraf 1.097 blev klassificeret fra medium til kritisk risiko. En opdagelse skiller sig ud: en exploit med oprindelse tilbage til 1981, angiveligt uopdaget i gennemsnit 26,6 år af tidligere scannere og forskere.

Alt dette placerer GLM-5.3 som en troværdig udfordrer til regionale rivaler som Kimi K3 og som en provokerende udfordrer over for amerikanske kommercielle modeller. Det er ikke bare endnu en udgivelse; det er en case i at bytte rå parametervækst til smartere, målrettet post-træning og samtidig høste cybersikkerhedsgevinster som bonus.

Vil GLM-5.3 presse leverandører til at åbne mere af deres toolchains eller tvinge en ny runde benchmark-fokuseret engineering? De næste par måneders API-tests og fællesskabets granskning vil vise det.