Technische Spezifikationen von GLM-5.3
| Spezifikation | GLM-5.3 |
|---|---|
| Entwickler | Z.ai / Zhipu AI |
| Release | 14. August 2026 |
| Modelltyp | Flaggschiff-Grundlagenmodell |
| Input | Text |
| Output | Text |
| Kontextfenster | 1,000,000 Token |
| Maximale Ausgabe | 128,000 Token |
| Denken | Mehrere Modi |
| Streaming | Ja |
| Funktionsaufrufe | Ja |
| Strukturierte Ausgabe | Ja |
| Kontext-Caching | Ja |
| MCP | Ja |
| Primäre Anwendungen | Programmierung, Agenten, Ingenieurwesen, Cybersicherheit |
Die öffentlichen Modell-Repositories von Z.ai zeigen weiterhin deutlich GLM-5.2, statt eines herunterladbaren GLM-5.3-Artefakts. Daher sollten Spezifikationen, die noch nicht veröffentlicht wurden, ausdrücklich als unbestätigt gekennzeichnet bleiben.
Was ist GLM-5.3?
GLM-5.3 ist die neueste Generation der GLM-Familie von Z.ai und markiert eine Hinwendung zu KI-Systemen, die komplexe Sicherheits- und Engineering-Aufgaben autonom ausführen können.
Die Ankündigung ist besonders bemerkenswert, da Cybersicherheit nicht nur als eine weitere Benchmark-Kategorie präsentiert wird. Z.ai nutzt GLM-5.3, um ein KI-System zu demonstrieren, das Software-Sicherheitslücken entdeckt und an Workflows zur Entwicklung von Angriffen teilnimmt.
Reuters berichtet, dass Z.ai plant, das Modell nach Abschluss von Sicherheitsprüfungen öffentlich freizugeben, während fortgeschrittenere Fähigkeiten zunächst über einen Mechanismus für vertrauensbasierten Zugriff eingeschränkt werden.
Dies ist eine deutliche Schwerpunktverschiebung gegenüber GLM-5.2.
GLM-5.2 war primär ausgerichtet auf langfristige Softwareentwicklung und agentisches Programmieren. Die Forschungsseite von Z.ai im Juni beschreibt GLM-5.2 als „Built for Long-Horizon Tasks“.
GLM-5.3 überträgt diese agentische Philosophie in eine deutlich sensiblere Domäne:
Softwareentwicklung → Entdeckung von Sicherheitslücken → Cyberabwehr → kontrollierte offensive Sicherheit
Was sind die Hauptmerkmale von GLM-5.3?
Cybersicherheit-zentriertes Reasoning
Die herausragende Fähigkeit ist die Cybersicherheit.
GLM-5.3 erreichte:
84,5% auf CyberGym
CyberGym bewertet die Fähigkeit eines KI-Systems, Software-Sicherheitslücken zu identifizieren. Das Ergebnis übertrifft leicht die gemeldeten 83,8% von Mythos 5.
Das ist wichtig, denn Cybersicherheit erfordert mehr als syntaktisch korrekten Code zu generieren.
Ein fähiger Sicherheitsagent muss:
- Unbekannten Code verstehen.
- Angriffsflächen identifizieren.
- Hypothesen über Sicherheitslücken bilden.
- Daten- und Kontrollfluss nachverfolgen.
- Die Hypothese validieren.
- Einen geeigneten Proof of Concept entwickeln.
- Feststellen, ob die Sicherheitslücke tatsächlich ausnutzbar ist.
Die CyberGym-Wertung von GLM-5.3 deutet auf einen substanziellen Fortschritt im ersten Teil dieser Kette hin.
Starke Entdeckung von Sicherheitslücken
Die 84,5% CyberGym-Wertung ist wohl das beeindruckendste frühe Ergebnis.
Sie setzt GLM-5.3 bei der Identifikation von Sicherheitslücken knapp vor Mythos 5:
| Modell | CyberGym |
|---|---|
| GLM-5.3 | 84.5% |
| Mythos 5 | 83.8% |
Der Abstand beträgt nur 0.7 Prozentpunkte, daher wäre es irreführend, GLM-5.3 als eindeutig überlegen zu beschreiben.
Interessanter ist, dass ein Open-Weight-Modell von Z.ai in die gleiche Leistungsregion wie ein stark eingeschränktes Cybersicherheitssystem vordringt.
Exploit-Entwicklung ist weiterhin eine Schwäche
GLM-5.3 dominiert nicht jede Cybersicherheitsaufgabe.
Auf ExploitBench:
| Modell | ExploitBench |
|---|---|
| GLM-5.3 | 54.4% |
| Mythos 5 | 78.0% |
Das ist eine 23.6-Punkte-Lücke.
Dies zeigt eine wichtige Unterscheidung:
Das Finden einer Sicherheitslücke ist nicht dasselbe wie ihre zuverlässige Ausnutzung.
GLM-5.3 scheint hochfähig bei der Identifikation von Schwachstellen, aber die frühen Ergebnisse deuten darauf hin, dass die zuverlässige Umsetzung dieser Erkenntnisse in Exploits weiterhin deutlich schwieriger ist.
Für Unternehmenssicherheitsteams macht dies das Modell tatsächlich interessant als defensiver Assistent zur Schwachstellenanalyse, statt nur als Motor für offensive Automatisierung.
GLM-5.3 vs GLM-5.2
GLM-5.2 bietet die nützlichste bestätigte Basislinie.
| Eigenschaft | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Status | Veröffentlicht | Angekündigt |
| Primäre Positionierung | Langfristige Agenten | Cybersicherheit + Agenten |
| Programmierung | Ausgezeichnet | Voraussichtlich weiterhin stark |
| Cybersicherheit | Starkes Potenzial | Expliziter Flaggschiff-Fokus |
| CyberGym | — | 84.5% |
| ExploitBench | — | 54.4% |
| Kontext | 1M | Nicht bestätigt |
| Parameter | ~753B | Nicht bestätigt |
| Lizenz | MIT | Open-Weights angekündigt |
| API-Preise | Veröffentlicht | Noch nicht veröffentlicht |
| Öffentliche Gewichte | Verfügbar | Geplant |
Die bestätigte Architektur von GLM-5.2 umfasst ungefähr 753B Parameter, und der öffentliche Modellkatalog listet weiterhin das 753B-Modell und die FP8-Version.
GLM-5.2 erreichte außerdem 81.0 auf Terminal-Bench 2.1 und 62.1 auf SWE-bench Pro laut Drittberichten auf Basis der Bewertungssmaterialien von Z.ai.
Diese Zahlen sollten jedoch GLM-5.2-Benchmarks bleiben und nicht GLM-5.3 zugeschrieben werden.
GLM-5.3 vs Mythos 5
Dies ist derzeit der aussagekräftigste Benchmark-Vergleich.
| Benchmark | GLM-5.3 | Mythos 5 | Differenz |
|---|---|---|---|
| CyberGym | 84.5% | 83.8% | +0.7 pp |
| ExploitBench | 54.4% | 78.0% | −23.6 pp |
Das Ergebnis führt zu einer nuancierten Schlussfolgerung.
GLM-5.3 gewinnt bei der Identifikation von Sicherheitslücken.
Aber:
Mythos 5 bleibt bei der Exploit-Entwicklung deutlich stärker.
Daher wäre es unzutreffend zu sagen: „GLM-5.3 schlägt Mythos 5“.
Treffender ist:
GLM-5.3 erreicht Mythos-5-Niveau bei der Entdeckung von Sicherheitslücken, bleibt jedoch bei der Exploit-Entwicklung zurück.