GLM-5.3 vs GLM-5.2: Gleiches Gehirn, verdoppelte Benchmarks

Zhipu AIs eigene Einordnung des Upgrades von GLM-5.2 auf G​LM-5.3 ist die ehrliche: Das Lehrbuch hat sich nicht geändert, nur das Training des Schülers. G​LM-5.3, veröffentlicht am 14. August 2026, basiert auf exakt derselben 743-Milliarden-Parameter-MoE-Basis wie GLM-5.2, das im Juni das Feld der offenen Gewichte im Artificial Analysis Intelligence Index anführte. Die Architektur ist unverändert, der Ressourcenbedarf ist unverändert, die Preise von 1,40 $ / 4,40 $ pro Million Tokens sind unverändert – und dennoch berichtet Z.ai, dass das neu trainierte Modell seinen Vorgänger bei mehreren der Programmier- und Sicherheits-Benchmarks, die beide Versionen veröffentlichen, um das Doppelte oder mehr übertrifft. Ob G​LM-5.3 für Sie ein Pflicht-Upgrade oder ein Abwarten ist, hängt davon ab, wie sehr Sie einem Modell vertrauen, das sich so stark verbessert hat, ohne seine Architektur zu ändern, und davon, ob seine neu entstandene Cyber-Fähigkeit eine Funktion ist, die Sie hinter einem zweiwöchigen Sicherheitsfenster freigeschaltet haben möchten.

Dasselbe Gehirn, neu trainiert

Alles, was GLM-5.2 zu einem praktischen Server machte, bleibt erhalten: die 743B-MoE mit etwa 40B aktiven Parametern, die IndexShare-Sparse-Attention, die die FLOPs bei 1M Kontext reduzierte, die MIT-Lizenz, das 1M-Kontextfenster und der schlanke Token-Durchsatz, der in unabhängiger Beobachtung etwa 145–168 Token/Sekunde maß. G​LM-5.3 unterscheidet sich nur in einer Dimension: das Post-Training. Z.ai skalierte die Reinforcement-Learning-Phase mit den Frameworks IndexShare, SAO und Slime, fügte dutzende Male mehr Umgebungen für langfristige Aufgaben hinzu und erweiterte sie von der Code-Debugging auf die Entdeckung von Sicherheitslücken und Systems Engineering. Das Ergebnis ist ein Modell, das sich auf derselben Hardware anders verhält – genau deshalb lautet die Upgrade-Frage nicht „brauche ich neue GPUs“, sondern „brauche ich neues Verhalten“.

Das Benchmark-Delta in beide Richtungen

Als Vorher-Nachher-Vergleich auf Basis der veröffentlichten Zahlen von Z.ai gelesen, ist der Sprung der größte in der Geschichte der offenen Gewichte. Terminal-Bench 3.0 – die schwerere Revision, in der beide bewertet wurden – geht von 4,6 auf 28,3, ein sechsfacher Sprung. DeepSWE v1.1 geht von 46,2 auf 66,9, was den Unterschied zwischen „gutem offenen Modell“ und „wettbewerbsfähig mit den geschlossenen Spitzenreitern“ ausmacht. Die CLI-Teilmenge von Agents‘ Last Exam bewegt sich von 23,8 auf 28,5. Die Schwachstellenerkennung von CyberGym steigt von 77,2 auf 84,5. ExploitBench verdoppelt sich mehr als, von 24,4 auf 54,4, und der ExploitGym-Durchsatz geht von 29 und 39 abgeschlossenen Aufgaben (zwei und sechs Stunden) auf 105 und 130. Z.ai fasst es als etwa 50 % Verbesserung beim Programmieren zusammen, und die Form der Gewinne – konzentriert auf langfristiges Coding, Terminal-Automatisierung und Sicherheit – ist konsistent mit einem Nur-Post-Training-Modell: Das rohe Wissen ist dasselbe, aber die Fähigkeit, tatsächlich mehrstufige Arbeiten auszuführen, ist stärker geworden.

• Terminal-Bench 3.0 — GLM-5.2 4.6 vs GLM-5.3 28.3

• DeepSWE v1.1 — GLM-5.2 46.2 vs GLM-5.3 66.9

• Agents' Last Exam (CLI) — GLM-5.2 23.8 vs. GLM-5.3 28.5

• CyberGym Schwachstellenerkennung — GLM-5.2 77.2 vs G​LM-5.3 84.5

• ExploitBench — GLM-5.2 24.4 gegenüber G​LM-5.3 54.4

Die Fähigkeit, die niemand eingeplant hat

Die Sicherheitsgewinne verdienen einen eigenen Absatz, denn Z.ai zufolge waren sie nicht geplant. Das Post-Training-Team fügte Umgebungen zur Entdeckung von Schwachstellen hinzu und erwartete nur eine bescheidene Verbesserung; stattdessen begann das Modell, vollständige Exploits zu verketten – ein emergentes Verhalten, das Z.ai dazu zwang, die Gewichte für rund zwei Wochen zurückzuhalten, um eine Sicherheitshärtung vorzunehmen. In Praxistests mit Sicherheitsteams trug G​LM-5.3 dazu bei, 2.436 Schwachstellen in 269 Projekten zu finden, 1.097 davon mit mittlerem oder hohem Risiko, darunter Fehler, die in weit verbreiteter Software jahrzehntelang unentdeckt geblieben waren. GLM-5.2 verfügte im herkömmlichen Sinne über Sicherheitsfähigkeiten – es konnte Code auf Fehler hin untersuchen. G​LM-5.3 verfügt darüber in einem anderen Sinne: Es ist das, worum es bei dem Sicherheitsfenster geht. Das ist ein Unterschied der Art, nicht des Grades, und es ist der mit Abstand stärkste Grund, die beiden Modelle trotz der gemeinsamen Basis als unterschiedliche Produkte zu behandeln.

Der Konsistenzvorbehalt

Das Gegengewicht zu jeder der obigen Zahlen ist, dass frühe Tests Dritter G​LM-5.3 als inkonsistent beschreiben, und das in einer Weise, die GLM-5.2 nicht war. Unabhängige Prüfer berichten, dass dasselbe Modell bei manchen Aufgaben wie ein knapp durchgekommener externer Entwickler abschneidet und bei anderen Ergebnisse auf professionellem Niveau liefert, wobei der Unterschied davon abhängt, wie klar die Anforderungen spezifiziert waren. Genau das ist das Fehlerprofil, das man bei einem Modell erwarten würde, dessen Verbesserungen vollständig aus stark umgebungsabhängigem Post-Training stammen: Es verallgemeinert von den Aufgabenformen, mit denen es trainiert wurde, und schlecht spezifizierte Prompts fallen außerhalb dieser Formen. Keine der unabhängigen Ergebnisse ist so sauber wie die veröffentlichten Tabellen von Z.ai, und keine der Zahlen von Z.ai konnte bislang unabhängig reproduziert werden. Für den Produktionseinsatz spricht das für eine explizite Evaluierung anhand der eigenen Arbeitslast vor der Migration – derselbe Vorbehalt, zu dem GLM-5.2 Anlass gab, nun mit einer größeren Spanne zwischen bestem und schlechtestem Fall.

Preis, Zugang und die Wartefrage

Die Preise sind identisch, wodurch die übliche Upgrade-Hürde entfällt: beide Modelle kosten $1,40 / $4,40 pro Million Tokens, wobei bei G​LM-5.3 Thinking aktiviert sein muss. Der Zugang ist der eigentliche Unterschied. GLM-5.2 kann heute unter der MIT-Lizenz heruntergeladen werden, ist mit einem FP8-Speicherbedarf von unter einem Terabyte selbst hostbar und über OrcaRouter zum Listenpreis ohne Aufschlag abrufbar — das Modell, das Sie jetzt sofort routen können, stabil und unabhängig bewertet. G​LM-5.3 ist jetzt über ZCode / AutoClaw von Z.ai und den G​LM Coding Plan nutzbar, aber sowohl die öffentliche API als auch die Gewichte sind bis zum Ende des Sicherheitsfensters gesperrt, und seine Benchmarkwerte stammen sämtlich vom Anbieter; unabhängige Wiederholungsläufe stehen noch aus. Die ehrliche Antwort auf „Soll ich warten?“ hat zwei Teile: Für Produktionslast, die nicht zurückfallen darf, bleibt GLM-5.2 heute die sichere Wahl mit offenen Gewichten — und sobald die API von G​LM-5.3 geöffnet ist und unabhängige Läufe die Ergebnisse bestätigen, ist der Wechsel ein Routenwechsel, keine Neuimplementierung: Sie behalten dasselbe Ein-Key-Setup und wechseln die Fahrspur. Für explorative Arbeiten und Sicherheitsevaluierungen lohnt es sich, G​LM-5.3 jetzt über die Tools von Z.ai auszuprobieren — im Wissen, dass sein veröffentlichter Vorsprung unbestätigt ist und sein Verhalten variabler ausfällt als das des Modells, das es ersetzt.

Das ehrliche Urteil

G​LM-5.3 ist den eigenen Zahlen von Z.ai zufolge das bessere Modell – dramatisch besser bei langfristigen Codieraufgaben und kategorial anders in puncto Sicherheit – und es kostet deinen Workflow nichts, da Basis, Footprint und Preis unverändert sind. Aber „besser in den Evaluierungen des Anbieters“ und „besser in deiner Pipeline“ sind durch zwei Dinge getrennt, die GLM-5.2 bereits hat und G​LM-5.3 noch nicht: unabhängige Reproduktion und ausgelieferte Gewichte. Wenn du bereits GLM-5.2 betreibst, ist der Upgrade-Pfad der günstigste in der Geschichte der offenen Gewichte – gleiche Hardware, gleicher Preis, gleiche API-Oberfläche und eine zweiwöchige Wartezeit auf die Gewichte. Die Entscheidung dreht sich weniger darum, ob G​LM-5.3 besser als GLM-5.2 ist, sondern mehr darum, ob du bereit bist, die Produktion auf ein Modell zu setzen, dessen Verbesserungen – und dessen neu entstandene Sicherheitsfähigkeit – noch von niemandem außerhalb von Z.ai bestätigt wurden.