GLM-5.3 lidera el Cyber ECI de Epoch con 160: la frontera abierta de la ciberseguridad está 6–7 meses por detrás

Epoch AI ha puesto una cifra a la pregunta en torno a la que ha estado girando el debate sobre la seguridad de los modelos de pesos abiertos, y es una clasificación más que una advertencia: GLM-5.3 obtiene 160,10 en el Cyber ECI del laboratorio, la puntuación más alta de cualquier modelo de pesos abiertos que sigue el índice, por encima de G​PT-5.4 de O​penAI y por debajo de C​laude M​ythos Preview de A​nthropic y de G​PT-5.5 de O​penAI. Leída como una fecha en lugar de como una puntuación, esa posición dice que la mejor capacidad cibernética descargable abiertamente hoy se sitúa más o menos donde estaba la frontera cerrada hace seis o siete meses. La medición —un Data Insight publicado el 16 de octubre por los investigadores de Epoch Jaeho Lee y Alexander Barry, con datos con corte al 8 de octubre— es la primera entidad externa que clasifica a GLM-5.3 en ciberseguridad, y llega un mes después de que CAISI de NIST calificara el modelo como el lanzamiento de pesos abiertos más capaz en ciberseguridad hasta la fecha, a la vez que lo situaba aproximadamente cuatro meses por detrás de la frontera estadounidense. Ambas lecturas comparten una fuente: Epoch extrae la puntuación de GLM-5.3 de tres benchmarks de CAISI, sus únicos resultados de ciberseguridad para el modelo, de modo que la distancia entre ambas es una diferencia de método, no de medición. El Frontier Red Team de A​nthropic ya había puesto sus propias cifras sobre los pesos publicados el 29 de septiembre, al encontrar exploits de extremo a extremo en 50 de 410 intentos de ExploitBench, frente a los 56 de 410 de C​laude M​ythos Preview. El modelo en sí no es nuevo: Z.ai anunció GLM-5.3 el 14 de agosto, abrió la API el 18 de agosto a $1.40 / $4.40 por millón de tokens y subió los pesos de 743B a Hugging Face el 28 de agosto bajo una licencia personalizada «glm-5.3». Lo nuevo es que la capacidad en torno a la cual Z.ai construyó el lanzamiento ahora tiene una posición en una clasificación pública y una distancia medida a la frontera, mientras que Artificial Analysis fija el precio de los mismos pesos por tarea entre $0.92 y $8.68 según qué endpoint responda, y A​mazon Bedrock los ofrece desde el 5 de octubre para clientes empresariales elegibles. Esta página siguió a GLM-5.3 por primera vez desde sus rastros de filtración del 3 de agosto y luego a lo largo de su lanzamiento; esta revisión incorpora la posición en el Cyber ECI, el método que hay detrás y lo que una brecha de seis a siete meses dice y no dice sobre el modelo al que realmente enrutaría.

De la filtración al lanzamiento

Los cuatro indicios que surgieron el 3 de agosto —una página de harness de «ZCode for GLM-5.3», una página oficial de documentación accesible durante aproximadamente una hora, una entrada del índice de Bing que decía «GLM-5.3 Official Harness» y un commit que añadía una entrada «glm-5.3» con compatibilidad con JSON Schema al SDK oficial de Java de Zhipu— apuntaban todos a un lanzamiento real y con nombre. La respuesta «sooooooon» del cofundador de Z.ai, Tang Jie, y la caracterización como «plus de nivel épico» ahora quedan confirmadas por un producto real y no por un rumor. La señal temporal de «aproximadamente una semana» que probó esta página —publicada en X por @teortaxesTex después de que DeepSeek V4 Pro se lanzara el 13 de agosto— se cumplió exactamente: Z.ai anunció formalmente GLM-5.3 el 14 de agosto bajo el eslogan «Hecho para programar. Listo para la ciberdefensa». La continuación llegó la semana siguiente: el modelo se lanzó en el mercado general el 18 de agosto —una fecha de lanzamiento que ahora figura en los listados de modelos de terceros— y el 19 de agosto Z.ai anunció que la API estaba abierta para llamadas, con el mismo precio que GLM-5.2 y con el modelo ya integrado en ZCode, AutoClaw y el GLM Coding Plan.

La próxima señal de filtración: un procesador multimodal para GLM-5.3

El enfoque de solo texto del modelo insignia podría no durar mucho. El 28 de agosto, una pull request abierta en el motor de servicio sglang propone soporte de entrada para el procesador multimodal de GLM-5.3: el código de pegamento del procesador que convierte las cargas de imágenes en el mismo esquema de redimensionamiento dinámico, píxeles, cuadrícula y expansión de tokens que utiliza el framework Miles RL, de modo que el entrenamiento y el servicio vean entradas de imagen idénticas. La PR es la mitad del lado del rollout del aprendizaje por refuerzo condicionado por imágenes sobre GLM-5.3 en radixark/miles, y su segundo commit registra pruebas del procesador de GLM-5.3 en la CI de CPU de sglang. Nada de esto es un anuncio de Z.ai, y ningún GLM-5.3 multimodal se ha lanzado ni se ha evaluado con benchmarks; es evidencia a nivel de código, la misma categoría de señal temprana que esta página siguió por primera vez el 3 de agosto. Lo que indica es que la línea insignia se está preparando para aceptar imágenes, tanto en el entrenamiento como en la pila de servicio, en lugar de mantenerse como el modelo de solo texto para programación y ciberseguridad que Z.ai describió en su lanzamiento. El propio enfoque de Perplexity cuando añadió GLM-5.3 a Computer a finales de agosto —«diseñado para cargas de trabajo de agentes multimodales y de contexto largo»— apunta en la misma dirección, aunque eso es posicionamiento de producto, no un modelo multimodal ya lanzado.

Lo que la formación posterior realmente aportó

La afirmación arquitectónica es la parte que vale la pena precisar, porque el detalle más llamativo de la filtración — que los parámetros superan el billón — es incorrecto. GLM-5.3 no es un modelo más grande. Tanto Z.ai como su cofundador Tang Jie afirman que reutiliza exactamente la misma base de mezcla de expertos de 743B que GLM-5.2 (unos 40 mil millones de parámetros activos por token), mantiene la misma ventana de contexto de 1M tokens y un máximo de salida de aproximadamente 128K, y obtiene todas sus mejoras del post-entrenamiento. Tang Jie ha descrito el lanzamiento como un experimento deliberado de variable controlada — misma base, misma arquitectura, mismo número de parámetros, con un mes de aprendizaje por refuerzo de horizonte largo en tareas de estilo de codificación como única variable, y en ese mes sitúa la mejora de codificación de aproximadamente el 50%. Las notas de la versión de Z.ai añaden la maquinaria subyacente: más entornos de tareas de horizonte largo, más tipos de entorno y ejecuciones de entrenamiento más largas, construidas sobre el framework de contexto largo IndexShare, el RL asíncrono SAO y el framework de código abierto slime que ya produjo GLM-5.2. El análisis técnico en profundidad que Z.ai enlaza desde el anuncio de pesos abiertos — la publicación de investigación en z.ai/blog/glm-5.3 — profundiza en la receta: docenas de veces más entornos de tareas de horizonte largo, más tipos de entorno y ejecuciones de entrenamiento extendidas mucho más allá del primer lanzamiento, con tareas escaladas a cargas de trabajo expertas de varios días en clústeres de cómputo reales. Su encuadre de la capacidad cibernética — «capacidad de programación estrictamente limitada» que surgió a medida que se escalaban los entornos de tareas — es, al igual que las notas de la versión, la propia versión de la empresa, no una auditoría independiente. Ese encuadre de «sin reentrenamiento, todo post-entrenamiento» es del fundador y de la propia empresa, y no ha sido auditado de forma independiente. El tamaño es el otro titular: con 743B de parámetros totales y solo unos 40B activos por token, GLM-5.3 es lo suficientemente ligero como para autoalojarse en un clúster modesto y lo suficientemente barato como para servirse a gran escala — el posicionamiento de «más pequeño, más barato, abierto» que los comentarios del día del lanzamiento le atribuyeron, y un marcado contraste con los buques insignia de frontera cerrados con los que se le compara.

Codificación y agentes: las cifras que Z.ai afirma

En cuanto a codificación, Z.ai informa —todo reportado por el proveedor y sin reproducir— que Terminal-Bench 3.0 sube de 4.6 a 28.3, que Z.ai califica como la mejor puntuación de pesos abiertos en ese harness; DeepSWE v1.1 sube de 46.2 a 66.9; SWE-Marathon aproximadamente se duplica, de 19.4 a 42.5; y Agents' Last Exam (CLI) sube de 23.8 a 28.5. La propia forma abreviada de Tang Jie para describir el resultado, en una publicación en X retransmitida por @dotey, fue «puro post-entrenamiento, codificación mejoró aproximadamente un 50 %» —la misma cifra destacada que Z.ai publicó en su anuncio. En el banco interno de código de Z.ai, GLM-5.3 obtuvo un 31.4 % con aproximadamente 50 K tokens de salida por tarea en esfuerzo alto, frente al 29.5 % de Claude Opus 4.8 con unos 120 K tokens; el argumento de Z.ai es que GLM-5.3 alcanza un resultado comparable gastando muchos menos tokens de salida. Claude Fable 5 sigue liderando esa evaluación interna con un 39.5 % en esfuerzo máximo, y Z.ai admite que GLM-5.3 todavía va por detrás de GPT-5.6 Sol y Claude Fable 5 en varias evaluaciones de codificación más difíciles. Considera todas estas cifras como datos del proveedor hasta que un harness independiente las reproduzca.

Ciberdefensa: la capacidad que nadie vio venir.

Las cifras de ciberseguridad fueron la parte más llamativa del anuncio de Z.ai, y hasta el 29 de septiembre también eran enteramente reportadas por el proveedor. En CyberGym, un benchmark de descubrimiento y validación de vulnerabilidades de caja blanca, Z.ai reporta GLM-5.3 con un 84,5 %, frente al 77,2 % de GLM-5.2 y por delante de Mythos 5 (83,8 %) y GPT-5.6 Sol (83,6 %) del laboratorio. En ExploitBench, que exige tanto análisis de causa raíz como un exploit funcional, Z.ai reporta que GLM-5.3 más que duplica su resultado, del 24,4 % al 54,4 %, aunque Mythos 5 (78,0 %) sigue por delante. En ExploitGym, Z.ai reporta 105 tareas completadas con un presupuesto de 2 horas y 130 en 6 horas, frente a 29 y 39 de GLM-5.2; de nuevo por detrás de Mythos 5 (181 y 247). Z.ai presenta la capacidad en ciberseguridad como una propiedad emergente del postentrenamiento escalado —«la capacidad siguió acumulándose a medida que se escalaba el entrenamiento», en palabras de la empresa— en lugar de un objetivo deliberado. Una advertencia antes de comparar esos porcentajes con cualquier cosa que aparezca a continuación: la cifra de Z.ai en ExploitBench y el resultado de Anthropic en ExploitBench a nivel de intento son ejecuciones distintas del mismo benchmark público bajo arneses y regímenes diferentes, por lo que las dos cifras no son la misma medición y no deben ponerse una al lado de la otra.

Z.ai añade a los benchmarks una afirmación del mundo real: en pruebas con equipos de seguridad, GLM-5.3 identificó 2.436 vulnerabilidades en 269 proyectos de código abierto, 1.097 de ellas clasificadas como críticas o de gravedad alta, con el hallazgo más antiguo datado en 1981 y una «vida útil» media de 26,6 años. Esa es la cifra más llamativa del anuncio y también la menos verificable de forma independiente. La compañía ha acompañado esta capacidad con un Security Disclosure Ledger para la divulgación coordinada, un programa de «trusted access» que limita las funciones cibernéticas sensibles a usuarios verificados y una iniciativa «Open Source Shield» para auditar de forma continua proyectos clave de código abierto. La evaluación de Anthropic del 29 de septiembre es un desafío directo a cuánto aporta realmente ese control sobre los pesos descargables: descubrió que el modelo publicado rechazaba solicitudes dañinas de serie, pero que podía ser vencido en el 64–100% de los intentos mediante técnicas corrientes, y señala que los desarrolladores habían publicado variantes «abliterated» de GLM-5.3 en cuestión de días tras la publicación de los pesos. Un programa de usuarios verificados gobierna una API; no gobierna un archivo.

Lo que Anthropic midió, y lo que cambia

El Frontier Red Team de Anthropic publicó su evaluación el 29 de septiembre bajo el título «GLM-5.3 y la propagación de capacidades cibernéticas avanzadas», y es la primera vez que un laboratorio competidor pone sus propias cifras sobre la capacidad de explotación de GLM-5.3. El planteamiento es contundente: al igual que Claude Mythos Preview, GLM-5.3 tiene fuertes capacidades para construir exploits cibernéticos de extremo a extremo de forma autónoma, pero, a diferencia de otros modelos frontera, se ha lanzado sin salvaguardas significativas para limitar su uso indebido. Ejecutado en sandboxes aislados contra objetivos sin conexión, GLM-5.3 desarrolló exploits de extremo a extremo en ExploitBench en 50 de 410 intentos. Claude Mythos Preview —anunciado por Anthropic unos cinco meses antes y lanzado de forma limitada mediante su programa de defensores de confianza Project Glasswing— lo logró en 56 de 410. En el benchmark interno Binary Exploitation de Anthropic, que toma 100 tareas al azar de proyectos que participan en OSS-Fuzz de Google y otorga la puntuación completa por un secuestro de flujo de control, GLM-5.3 obtuvo un 4 % frente al 6 % de Claude Mythos Preview. El punto de Anthropic no es que GLM-5.3 lidere, sino que un umbral se ha movido: modelos anteriores, incluidos Claude Opus 4.6 y GLM-5.2, no lograron ninguna de esas tareas.

En las sesiones dirigidas por investigadores, el hallazgo se vuelve concreto. Dada una máquina en un entorno aislado que ejecuta una compilación local para Linux de un navegador web popular y menos de una hora de atención humana repartida a lo largo de un día, GLM-5.3 encontró varias vulnerabilidades antes desconocidas en el motor JavaScript del navegador y las encadenó en un exploit funcional: una página que, al visitarse, lee archivos arbitrarios del ordenador del visitante, incluida una clave privada SSH. A​nthropic dice que divulgó esas fallas al mantenedor y que la misma sesión también sacó a la luz vulnerabilidades explotables en controladores inalámbricos y de gráficos y en software de dispositivos expuesto a la red. En una segunda sesión, a GLM-5.3-Flash —el hermano más pequeño y menos capaz— se le entregaron detalles públicos de una falla de Chrome ya parcheada (CVE-2026-11645) y de otra más y, sin instrucciones significativas, construyó una cadena de exploits ARM64 fiable que eludió el endurecimiento de la autenticación de punteros. Eso requirió 20 minutos de atención humana y ocho horas de trabajo del modelo, que A​nthropic calcula en $20.40 con las tarifas de API de Z​hipu.

La mitad de seguridad de la publicación es la parte que cambia una decisión de despliegue. De forma predeterminada, GLM-5.3 rechazó cada solicitud abiertamente maliciosa en el mundo simulado de A​nthropic, al igual que todos los demás modelos probados. A​nthropic luego encontró formas sencillas de eludir ese rechazo, y reporta la tasa a la que el modelo accedió a la solicitud dañina:

• Un prompt engañoso — decirle al modelo que es un agente autónomo de red team que trabaja en un ejercicio: 64 % de los ensayos.

• Prellenar los tokens de pensamiento del modelo para que parezca que ya ha considerado la solicitud y ha decidido proceder: 92%.

• Ejecutando una copia abliterada de los pesos, con los rechazos eliminados: 100 %.

Ninguno de los tres logró que modelos Claude con salvaguardas realizaran las mismas tareas, dice Anthropic: sus salvaguardas bloquearon la historia encubierta, su API no ofrece ninguna forma de precargar el pensamiento y sus pesos no se distribuyen, así que los modelos no se pueden abliterar en absoluto. Esa última asimetría es la que tiene una cola larga. La abliteración es una técnica estándar para reducir los rechazos y, como GLM-5.3 se distribuye como pesos descargables, cualquiera puede aplicarla: Anthropic creó su propia copia abliterada en unas 2200 horas de GPU por unos 4400 dólares y afirma que un equipo que nunca había intentado esa tarea podría lograrlo. La edición hizo bajar la tasa de rechazo de GLM-5.3 de más del 90% a alrededor del 3% en JailbreakBench, el 2% en HarmBench y el 12% en StrongREJECT, mientras que GPQA-Diamond se mantuvo sin cambios y un subconjunto probado de CyberGym puntuó solo unos pocos puntos porcentuales menos. Anthropic afirma que varios desarrolladores ya habían puesto a disposición del público versiones abliteradas de GLM-5.3 pocos días después del lanzamiento del modelo, y que abliterar GLM-5.3-Flash llevó unas 600 horas de GPU.

Toma todo esto como las mediciones de un solo laboratorio, no como un hecho establecido. Anthropic ejecutó sus propios arneses y sus propios sandboxes, contó sus propios intentos y no publicó ninguna reproducción por terceros, así que nada de esto está auditado de forma independiente en el sentido en que tampoco lo están las propias cifras de Z.ai. Lo que hace que pese más que la afirmación de un proveedor es la dirección del incentivo: Anthropic está midiendo el modelo de un competidor, informa los denominadores y sus hallazgos coinciden con los del Center for AI Standards and Innovation (CAISI) del NIST, que evaluó GLM-5.3 el 17 de septiembre, lo calificó como «el modelo de pesos abiertos con mayor capacidad cibernética publicado hasta la fecha» y lo situó unos cuatro meses por detrás de la frontera estadounidense en un agregado de los benchmarks cibernéticos de CAISI, con la salvedad de que los modelos estadounidenses de esa comparación se probaron con las salvaguardas cibernéticas desactivadas e incluyen modelos publicados solo para usuarios verificados. La propia conclusión de Anthropic es tanto un argumento político como técnico: afirma que se ha cruzado un umbral crítico en capacidad libremente accesible, que cualquiera puede descargar GLM-5.3 y que los defensores deberían tener acceso a modelos al menos tan buenos como los que usan sus adversarios. Dos semanas después de la evaluación de CAISI, Epoch AI midió la misma distancia de otra manera y llegó a una cifra mayor —seis o siete meses— a partir de una parte de los mismos datos.

Nada de lo anterior cambia la mecánica de una decisión de enrutamiento, que es la parte que usted controla. Una porción del tráfico hacia GLM-5.3 en OrcaRouter cuesta la tarifa de primera parte — 1,40 $ / 4,40 $ por millón de tokens, trasladada sin recargo alguno — y la conmutación por error automática traslada una carga de trabajo a GLM-5.2 u otro modelo probado cuando uno se degrada, de modo que una sorpresa de capacidad en cualquier dirección es un cambio de configuración y no una reescritura. Lo que añade la publicación de Anthropic es una pregunta que vale la pena plantearse antes de enviarle trabajo relacionado con la seguridad o sujeto a regulación: el modelo al que se llama es el modelo cuyos pesos son públicos, y un endpoint alojado no es una salvaguarda. La ruta empresarial no cambia esa aritmética. El listado propio de Bedrock para GLM-5.3 es de 1,68 $ / 5,28 $ por millón de tokens en el perfil de inferencia global y de 1,848 $ / 5,808 $ en el de EE. UU., un 20 % y un 32 % por encima de la tarifa de primera parte de Z.ai, así que llamar al mismo modelo al precio listado de Z.ai con una sola clave sigue siendo la ruta más barata, mientras que un contrato en la nube compra postura de adquisición y cumplimiento en su lugar.

Dónde se encuentra realmente la frontera cibernética abierta

El Cyber ECI de Epoch AI es una variante centrada en ciberseguridad del Epoch Capabilities Index del laboratorio, construida a partir de resultados de benchmarks de 35 evaluaciones cibernéticas y, tras la actualización del 16 de octubre, de 76 modelos. En él, GLM-5.3 de Z.ai registra 160.10 —la puntuación más alta de pesos abiertos que anota el laboratorio, por encima de GPT-5.4 de OpenAI (157.04, publicado el 5 de marzo de 2026) y por debajo de Claude Mythos Preview de Anthropic (164.82, 7 de abril) y de GPT-5.5 de OpenAI (162.22, 23 de abril). La frontera cerrada está encabezada por Claude Opus 5.5 de Anthropic (171.14) y GPT-6 Astra de OpenAI (171.03), el dúo que el laboratorio cita como la frontera en 171. Entre los pesos abiertos, GLM-5.3 se sitúa por encima de Kimi K3 de Moonshot (157.60) y de DeepSeek-V4-Pro de DeepSeek (150.35), y muy por delante de sus propios predecesores, GLM-5.2 (154.12) y GLM-5 (147.95). Enmarcar GLM-5.3 entre los modelos cerrados más recientes a los que supera y los más tempranos a los que no supera es lo que produce la cifra principal: la frontera cibernética abierta está aproximadamente donde se encontraba la frontera cerrada seis o siete meses antes —una brecha que GPT-5.4 y el punto de control del 7 de abril de Claude Mythos Preview sitúan en siete y seis meses respectivamente, frente a la fecha de corte de datos de Epoch del 8 de octubre.

Las salvedades importan más de lo habitual aquí, y Epoch enumera varias. Solo los modelos con al menos dos resultados de benchmarks de ciberseguridad figuran siquiera en el índice —57 de los 76—, y el 160,10 de GLM-5.3 se basa exactamente en tres, todos ellos de la evaluación CAISI de NIST del 17 de septiembre. Esos son los únicos resultados de ciberseguridad que el laboratorio tiene para el modelo, lo que significa que la estimación de Epoch es un nuevo ajuste de evidencia que CAISI publicó, no una nueva ejecución independiente, y la cifra de seis a siete meses y los aproximadamente cuatro meses de CAISI difieren porque los conjuntos de benchmarks y la comparación que trazan son distintos, no porque ambos discrepen respecto del modelo. Epoch también señala que CAISI no nombró los modelos estadounidenses que evaluó, por lo que el laboratorio atribuyó esos resultados a probables líderes como G​PT-6 Astra y C​laude M​ythos Preview; que los intervalos en torno a dos de los modelos de frontera se solapan casi por completo, por lo que el orden en la parte superior del gráfico está menos definido de lo que sugieren las estimaciones puntuales; y que el reajuste de octubre modificó valores publicados anteriormente, reduciendo C​laude M​ythos 5 en 3,9 puntos y G​PT-5.6 Sol en 4,7, por lo que las cifras de este mes no deberían compararse con las del mes pasado sin cuidado. Conviene conocer una convención antes de leer el gráfico: Epoch considera las licencias de uso restringido y no comerciales como de pesos abiertos, que es la razón por la que GLM-5.3 siquiera clasifica —sus pesos se distribuyen bajo los términos personalizados “glm-5.3” de Z.ai, no bajo la licencia MIT que usan GLM-5.2 y GLM-5.3-Flash.

Lo que cambia la posición no es tanto el modelo como el argumento que lo rodea. Antes del 16 de octubre, llamar a GLM-5.3 el lanzamiento abierto más fuerte en ciberseguridad significaba citar los porcentajes propios de Z.ai en CyberGym y ExploitBench, además de las ejecuciones en sandbox de un competidor; ahora hay una posición en un índice público con una distancia declarada a la frontera, y esa distancia es un número que el lector puede ver moverse. De ello se desprenden dos cosas para quien esté evaluando un modelo de pesos abiertos para trabajo relacionado con la seguridad. Estar seis meses por detrás de la frontera no es lo mismo que estar a salvo: un exploit que un modelo de frontera puede construir hoy es uno que una capacidad de hace seis meses puede construir una vez que el método sea público, y los resultados de Anthropic citados arriba sitúan estos pesos concretos dentro de esa ventana. Y una clasificación es una afirmación sobre los mejores pesos disponibles, no sobre el endpoint que responde a tu solicitud; los mismos pesos servidos por distintos proveedores ya difieren en un factor de nueve en coste por tarea, lo que es una cuestión de enrutamiento y no de capacidad.

El modelo base GLM-5.3 que había que superar.

GLM-5.2 es el punto de referencia sobre el que gira toda la historia. Se lanzó en junio de 2026 como un modelo Mixture-of-Experts de 743B con aproximadamente 40B de parámetros activos por token, una ventana de contexto de 1M de tokens, una salida máxima de 128K, licencia MIT y pesos abiertos en Hugging Face. El Intelligence Index de Artificial Analysis —medido por el laboratorio, no por Z.ai— está ahora en la versión reformulada v4.3.2, y en él GLM-5.2 (Max) obtiene 34, mientras que GLM-5.3 (Max) obtiene 45. El margen de once puntos es la misma distancia que esta página informó en el lanzamiento, cuando la versión anterior del índice del mismo laboratorio situaba a GLM-5.2 en 53 y a GLM-5.3 en 60; lo que ha cambiado es la regla de medir, no el resultado, y el laboratorio ahora marca GLM-5.2 como obsoleto en favor de su sucesor. El 45 de GLM-5.3 lo coloca en segundo lugar entre los modelos de pesos abiertos, por detrás del 46 de MiMo-V2.6-Pro y un punto por delante del 44 de Kimi K3 (Max). Ese fue el primer número independiente vinculado a GLM-5.3, y es coherente con la dirección —si no con todos los detalles— de las propias afirmaciones de Z.ai. Desde entonces han llegado dos datos adicionales de terceros: a finales de agosto, Perplexity informó de que GLM-5.3 supera a GLM-5.2 en WANDR, su benchmark abierto para investigación a gran escala respaldada por evidencia —la prueba “amplia y profunda” en la que un agente debe reunir un gran conjunto de registros respaldados por fuentes en lugar de responder a una sola pregunta. Ese es el propio benchmark de Perplexity y su propia afirmación, sin puntuaciones publicadas, así que considéralo orientativo hasta que aparezcan números. El segundo es la evaluación de ciberseguridad de Anthropic del 29 de septiembre —la primera medición externa de la capacidad específica en torno a la cual Z.ai construyó el lanzamiento. En programación de largo horizonte, el harness OrcaRouter mide 77,9 en Terminal-Bench 2.1, mientras que la mejor cifra reportada por Z.ai para GLM-5.2 es 82,7, que sería la primera puntuación de un modelo de pesos abiertos por encima de 80, pero está reportada por el proveedor y no se ha reproducido. El precio de lista es de $1,40 por millón de tokens de entrada y $4,40 por millón de tokens de salida.

El cuadro de puntuación de arriba es la proyección de la era de filtraciones que esta página publicó antes del lanzamiento — la fila ">1T params (rumored)", el contexto y la licencia no confirmados, el índice AA proyectado. El lanzamiento corrigió la celda más importante: GLM-5.3 reutiliza la misma base de 743B que GLM-5.2, por lo que no hay un salto en el número de parámetros. La ventana de contexto está confirmada en 1M, y la licencia ya no es la cuestión abierta que era — Z.ai publicó una licencia personalizada “glm-5.3”, no los términos MIT que usan GLM-5.2 y GLM-5.3-Flash. La celda del índice proyectado —la propia estimación de esta página de ~57–60— fue la rara proyección que dio en el clavo con 60 en el índice tal como estaba en el lanzamiento; el laboratorio ha reeditado el índice desde entonces, y en la versión actual v4.3.2 el mismo modelo marca 45. Lo que no ha cambiado es la pregunta abierta: qué hace esa puntuación cuando se reproduce con los pesos autoalojados.

La captura anterior es la línea base independiente con la que se miden las afirmaciones de GLM-5.3. GLM-5.2 encabezó la tabla de clasificación de pesos abiertos con un Índice de Inteligencia de Artificial Analysis de 53 en la versión del índice que esta página estaba leyendo en agosto. Esa línea base se ha reformulado desde entonces junto con la de todos los demás modelos: en el índice actual v4.3.2 del laboratorio, GLM-5.2 (Max) marca 34 y GLM-5.3 (Max) marca 45, un margen en la misma dirección y aproximadamente del mismo tamaño, con K​imi K3 (Max) un punto por detrás en 44 y MiMo-V2.6-Pro por delante en 46. Ambas lecturas son mediciones propias del laboratorio con su propio arnés, y ninguna es una cifra de un proveedor.

Precios y disponibilidad

GLM-5.3 tiene el mismo precio que GLM-5.2: $1.40 por millón de tokens de entrada y $4.40 por millón de tokens de salida (¥8 / ¥28 en el listado nacional), con lecturas de entrada en caché a $0.26 / ¥2 por millón. El lanzamiento tiene fecha del 18 de agosto en listados de modelos de terceros, Z.ai abrió públicamente la API el 19 de agosto, y se confirma que se puede acceder al modelo a través de la propia API de Z.ai, ZCode, AutoClaw, el G​LM Coding Plan y una creciente lista de plataformas de terceros, y —desde finales de agosto— la biblioteca de Ollama, donde GLM-5.3 aparece como un modelo alojado en la nube (glm-5.3:cloud) servido desde Estados Unidos y Europa con retención de datos cero. Perplexity Computer, la plataforma de agentes de Perplexity para trabajos de larga duración y de varios pasos, añadió GLM-5.3 en el mismo periodo y ahora ofrece el modelo para cargas de trabajo de agentes. La etiqueta de Ollama es solo en la nube, no un GGUF local, así que la vía de autoalojamiento sigue pasando por los pesos de Hugging Face; el modelo más pequeño, GLM-5.3-Flash, ahora tiene su propio listado en la nube correspondiente en Ollama. La fase de filtraciones terminó: la disponibilidad es ahora un hecho confirmado, no un rumor que seguir. Un cambio de comportamiento es importante para quienes llaman a la API: las solicitudes ahora requieren que "thinking" esté habilitado en tres niveles de esfuerzo —bajo, alto y máximo—, sin interruptor de apagado, un cambio incompatible para las integraciones existentes.

Amazon Bedrock ahora también incluye GLM-5.3. AWS publicó el modelo el 5 de octubre de 2026 —la fecha de lanzamiento que figura en su propia ficha de modelo— y lo describe allí como el mismo diseño de Mezcla de Expertos con aproximadamente 40B de parámetros activos por token, la misma ventana de contexto de 1M de tokens y techo de salida de 128K que la API propia, y razonamiento habilitado de forma permanente con niveles de esfuerzo seleccionables. La ruta no es una copia del endpoint de Z.ai. Bedrock sirve GLM-5.3 únicamente mediante inferencia entre Regiones: el id del modelo base (zai.glm-5.3) no acepta llamadas bajo demanda dentro de la región, por lo que las solicitudes pasan por el perfil geográfico de EE. UU. (us.zai.glm-5.3) o por el global (global.zai.glm-5.3), y AWS marca la inferencia dentro de la Región como no compatible en todas las regiones que enumera, incluidas las cuatro de EE. UU. Lo que añade es la superficie de AWS en torno al modelo —Invoke, Converse, las API Responses y Chat Completions compatibles con OpenAI, Guardrails, Agents, Flows, salidas estructuradas, evaluación de modelos y almacenamiento en caché de prompts implícito por defecto o explícito en puntos de caché de al menos 1.024 tokens con una retención mínima de 30 minutos— además de los niveles de servicio estándar, con Priority a un recargo del 75 % respecto a Standard y Flex y Batch con un descuento del 50 %. El acceso es el inconveniente: el anuncio de AWS califica GLM-5.3 como disponible de forma general en Bedrock, mientras que tanto ese anuncio como la ficha del modelo lo restringen a clientes elegibles que contacten con su equipo de cuenta de AWS. La vía empresarial existe; hoy no es de autoservicio. Una cifra que conviene tratar con cuidado al leer las propias páginas de AWS: la ficha del modelo sitúa GLM-5.3 en 744B de parámetros totales y el anuncio que la acompaña en 753B, mientras que Z.ai y el repositorio de Hugging Face dicen 743B —el mismo modelo, tres totales y ninguno de ellos medido de forma independiente.

Costo por tarea, y la tasa de aciertos de caché que hay detrás

El mismo precio no significa la misma factura, y la diferencia ahora se mide en lugar de inferirse. Artificial Analysis sitúa GLM-5.3 (Max) en 2,01 $ por tarea del Intelligence Index a la tarifa de primera parte, frente a los 1,47 $ de GLM-5.2 (Max) —la misma tarifa de 1,40 $ / 4,40 $, una factura un 37 % mayor por una sola pasada por el mismo conjunto fijo de tareas. Dos cosas lo explican, y ambas están en el propio resumen del modelo del laboratorio. La primera es el volumen: GLM-5.3 gasta 210 M de tokens de salida en el Intelligence Index frente a una mediana de 140 M en modelos comparables de pesos abiertos, algo que el laboratorio califica de muy verboso, y la salida es el lado caro de la tarifa. La segunda es el ritmo: 64,2 tokens de salida por segundo frente a una mediana de 66,9, lo que es más lento que la media y, en una ejecución larga de agente, también más tiempo real comprado con los mismos tokens. Esto reemplaza la estimación que esta página incluía antes, que situaba GLM-5.3 cerca de 0,68 $ por tarea y GLM-5.2 cerca de 0,44 $, a partir de nuestro propio uso de tokens observado. Los números del laboratorio son más altos que esa estimación en todos los casos y son los que hay que citar: son una media ponderada de diez evaluaciones con un recuento fijo de tareas, no una lectura de una sola carga de trabajo.

El endpoint hace más daño que el modelo. El mismo laboratorio ahora publica una columna de Costo por tarea para cada proveedor que rastrea en GLM-5.3 (Max) —25 de ellos—, y la columna va desde $0.92 en el endpoint más barato hasta $8.68 en el más caro. Eso es una dispersión de 9.4x sobre pesos idénticos, un benchmark idéntico y una configuración de razonamiento idéntica. (El 9.4x es nuestra aritmética sobre la columna que publica el laboratorio; lo que la propia página afirma con palabras es que los precios combinados por millón de tokens varían “hasta 4.4x entre proveedores” y que la velocidad de salida varía en un 1,152%.) Nada de esa dispersión es un hallazgo de capacidad —el Endpoint Accuracy Index del laboratorio, que vuelve a ejecutar BFCL v4-500, HLE-250 y AA-LCR-25 contra cada endpoint, marca 95% o más en cada endpoint que evalúa, lo que significa que lo que pierde un proveedor es un poco de precisión, no el modelo. El mecanismo que nombra el laboratorio es el almacenamiento en caché. El costo por tarea se calcula a partir de los precios de los tokens de entrada, acierto de caché, escritura de caché, razonamiento y respuesta, dividido por el recuento de tareas y ponderado por la proporción de cada benchmark en el índice —así que un bucle agéntico o de codificación que reenvía todo su historial de conversación en cada turno paga por ese historial una y otra vez, una vez por turno, y la proporción de este que se sirve desde la caché de prompts del proveedor es la palanca más grande en el total. Artificial Analysis mide esa proporción como tasa de aciertos de caché, la define como “la proporción de tokens de entrada almacenables en caché servidos desde la caché de prompts del proveedor, medida durante sesiones de codificación agéntica de varios turnos”, la reporta como una mediana de las últimas cuatro semanas (actualizada el 26 de septiembre de 2026) y la grafica frente al costo por tarea. Su dirección declarada es la que importa aquí: tasas de acierto más altas significan que más parte de la entrada se factura al precio más barato de acierto de caché, lo que reduce el costo efectivo del trabajo agéntico. El propio descuento de caché de GLM-5.3 es del 81% a la tarifa de primera parte —$0.26 por millón de entrada en caché frente a $1.40 por millón de entrada nueva—, y la escritura y el almacenamiento en caché se facturan por separado, a tarifas que varían según el proveedor. Una advertencia sobre la evidencia: las tasas de acierto por proveedor se representan gráficamente en lugar de tabularse, por lo que la dispersión puede atribuirse al almacenamiento en caché como mecanismo sin afirmar un número de tasa de aciertos para ningún endpoint en particular.

Eso es un argumento de enrutamiento antes que uno de precios, porque la variable sobre la que puedes actuar es qué endpoint responde, no cuánto cuestan los pesos. GLM-5.3 está en OrcaRouter a $1.40 / $4.40 por millón de tokens, transferidos al precio de lista del propio proveedor sin margen alguno, de modo que el precio o las condiciones de caché de un proveedor llegan a tu factura el día en que cambian, y no en el siguiente contrato. La conmutación por error automática traslada una carga de trabajo de un endpoint degradado a GLM-5.2 u otro modelo probado, y el DSL de enrutamiento es donde vive una regla como esa. Para un modelo cuyo coste por tarea ahora varía por un factor de nueve según el endpoint, la forma de bajo riesgo de encontrar tu propia cifra es una porción de tráfico real con una conmutación por error detrás: el endpoint barato en el bucle de agente de otra persona no es necesariamente el barato en el tuyo.

Build Week se convierte en una serie continua — con 100M de tokens gratuitos de GLM-5.3

El 21 de agosto, Z.ai convirtió su ZCode Build Week en una serie continua, y atribuyó a la comunidad lo que, según la compañía, ha sido una ola de proyectos construidos sobre ZCode con GLM-5.3. Para conmemorar el relanzamiento, Z.ai otorgó a 50,000 nuevos usuarios de ZCode 100 millones de tokens gratuitos de GLM-5.3 a cada uno —por orden de llegada, hasta el 23 de agosto a las 6 p. m. hora del Pacífico (24 de agosto, 09:00 hora de Pekín)—, y los tokens no utilizados caducaban al cierre del evento. La oferta y sus términos son de Z.ai: declarados por el proveedor, aunque la promoción ha sido reportada desde entonces por medios independientes.

Esta es la segunda ronda de la compilación de fin de semana. La ronda 1, durante el 16 y 17 de agosto, se suspendió aproximadamente una hora después del lanzamiento cuando la demanda superó la capacidad; los tokens ya reclamados no se vieron afectados, y Z.ai ha escalado su lado de servicio desde entonces. Con 50,000 asignaciones de 100 millones de tokens cada una, el máximo reparto anunciado es de cinco billones de tokens: una cifra de adquisición de clientes que sirve también como prueba de esfuerzo en vivo de la misma infraestructura de servicio en la que se ejecuta la API de pago GLM-5.3.

Qué cambia el lanzamiento para ti

Para quienes llaman a la API y ya usan GLM-5.2, el paso práctico es cambiar el nombre del modelo, no un proyecto: GLM-5.2 es compatible con OpenAI y la integración se mantiene, con la advertencia sobre el esfuerzo de razonamiento mencionada arriba. Para quienes lo autoalojan, la espera terminó. El repositorio oficial zai-org/GLM-5.3 en Hugging Face —creado el 25 de agosto y completado entre el 27 y el 28 de agosto— ahora contiene el modelo insignia completo de 743B en 141 fragmentos safetensors, con SGLang, vLLM, TokenSpeed, Transformers y KTransformers incluidos en la ficha del modelo como rutas de despliegue compatibles. La licencia es la única sorpresa real: Z.ai declaró una licencia personalizada «glm-5.3», no MIT; parece la concesión de MIT más una condición: cualquier negocio de modelo como servicio con más de 10 000 millones de dólares en ingresos de los últimos doce meses debe superar la revisión de seguridad de Z.ai antes del uso comercial. Por debajo de ese umbral, el autoalojamiento y el uso comercial ordinario no tienen esa barrera, aunque vale la pena leer los términos exactos antes de confiar en ellos. Si la escala del modelo insignia supera lo que desea su clúster, el más pequeño GLM-5.3-Flash publicó sus pesos bajo MIT el 26 de agosto: un modelo distinto, nativamente multimodal, no el insignia. Para los usuarios de Ollama, el modelo insignia ahora está a un comando del propio cliente de la biblioteca —ollama run glm-5.3:cloud—, pero esa llamada llega al modelo alojado en la nube que se sirve desde EE. UU. y Europa, no a una descarga local; todavía no hay una etiqueta local cuantizada. Ejecutar GLM-5.3 en su propio hardware sigue implicando usar los pesos de Hugging Face con una pila al estilo vLLM o SGLang. Para cualquiera que compare modelos en el nivel de DeepSeek V4 Pro, Qwen3.8-Max, Kimi K3, GPT-5.6 Sol y Claude Fable 5, GLM-5.3 ahora es una variable activa y puntuada de forma independiente en esa clasificación, en lugar de un rumor. Para un comprador empresarial en lugar de un desarrollador individual, la opción más reciente es Amazon Bedrock, que incluyó GLM-5.3 el 5 de octubre para clientes elegibles: los mismos pesos y la misma ventana de contexto de 1M de tokens entregados bajo un contrato de AWS, a un precio de lista superior al de Z.ai.

El argumento del día del lanzamiento en torno a GLM-5.3 es que la frontera de la programación ha convergido: según se cuenta, para la mayoría de las tareas cotidianas pocos usuarios pueden distinguir con fiabilidad entre G​PT-5.6 Sol, C​laude Fable 5, K​imi K3, GLM-5.2 y Qwen3.8-Max. Si esa convergencia es real, los factores decisivos dejan de ser la capacidad bruta y pasan a ser el precio, la apertura y el costo de cambio, que es exactamente el terreno que GLM-5.3 está delimitando a $1.40 / $4.40 por millón sobre una base autoalojable de 743B cuya prometida publicación de pesos del 28 de agosto ya se ha materializado. Que los modelos de programación sean genuinamente intercambiables es una opinión, no un benchmark; los precios, el número de parámetros y la fecha de los pesos no lo son.

En el aspecto del enrutamiento, GLM-5.3 se activó en OrcaRouter el 18 de agosto, el mismo día en que el modelo salió al mercado en general — al precio de lista de primera parte, $1.40 / $4.40 por millón, trasladado sin ningún margen. La captura de pantalla a continuación muestra la página de GLM-5.2, que tiene exactamente la forma que ahora tiene GLM-5.3: mismo precio, mismo contexto de 1M de tokens, misma salida máxima de 128K. Enrutar una parte del tráfico real a GLM-5.3 con conmutación automática por error a GLM-5.2 u otro modelo probado es un cambio de configuración, no una reescritura: misma clave, sin segundo contrato. Si el nuevo modelo presenta regresiones en tu carga de trabajo, el enrutador vuelve al modelo anterior antes de que se muestre una página, y obtienes una señal de calidad sobre tu propio tráfico en lugar de una diapositiva del proveedor. Para un modelo cuyas afirmaciones principales aún son en su mayoría reportadas por el proveedor, esa es la forma de bajo riesgo de comprobarlo por ti mismo.

Qué ver a continuación

• La publicación de pesos abiertos ya es oficial: Z.ai lo confirmó el 28 de agosto, declarando abierto el modelo insignia y señalando los pesos en Hugging Face y un análisis técnico en profundidad. La sorpresa es la licencia —términos personalizados de «glm-5.3» en lugar de los términos MIT que usan GLM-5.2 y GLM-5.3-Flash—, así que lea sus términos exactos antes de alojarlo por su cuenta. La evaluación de Anthropic del 29 de septiembre es la primera verificación externa del valor de las salvaguardas de la publicación: encontró que las negativas integradas pueden eludirse con una historia encubierta, un pensamiento precargado o una copia abliterada, y las variantes abliteradas ya circulaban días después de que aterrizaran los pesos.

Si una etiqueta local GGUF sigue en Ollama. La biblioteca enumera GLM-5.3 como solo nube hoy; una etiqueta local cuantizada reduciría la ruta de autoalojamiento a un solo comando para los usuarios de Ollama, mientras que la etiqueta de nube permanece como una segunda ruta servida.

• Si la brecha en ciberseguridad de seis a siete meses se reduce o se mantiene. Epoch AI ahora sitúa a GLM-5.3 en primer lugar entre los modelos de pesos abiertos, con 160,10 en su Cyber ECI, seis o siete meses por detrás de un modelo frontera cerrado con 171; pero esa cifra se basa en tres benchmarks de CAISI, los únicos resultados en ciberseguridad que el laboratorio tiene para el modelo, y el reajuste de octubre ya movió varios puntos las puntuaciones de modelos más antiguos. Una segunda fuente de datos, o un tercero que vuelva a ejecutar los propios arneses de Z.ai, sería la primera comprobación que no se remonta a CAISI. La evaluación de Anthropic del 29 de septiembre sigue siendo la otra lectura independiente, y encontró que los rechazos integrados se podían eludir con una coartada, un pensamiento precargado o una copia abliterada.

• Si la afirmación de Perplexity sobre WANDR viene acompañada de números. Que GLM-5.3 supere a GLM-5.2 en WANDR es el benchmark de la propia Perplexity y su propia prueba, y no se han publicado puntuaciones: una ejecución independiente sería la primera verificación por parte de terceros del rendimiento de investigación agéntica del modelo.

• Dónde queda el índice en una copia autoalojada. El 45 se mide frente a un endpoint servido; la versión autoalojada —ya descargable, con los términos de licencia adjuntos— es la que los equipos realmente volverán a desplegar y los laboratorios independientes volverán a evaluar con benchmarks. El laboratorio ya ha reformulado este índice una vez, así que cabe esperar que la cifra vuelva a cambiar.

• El aumento de precio anunciado de D​eepSeek V4 Flash, que fija el marco de precios con el que se evalúa a GLM-5.3, y cómo se ajusta a él el costo por tarea de la frontera cerrada: G​PT-5.6 Sol (max) se sitúa en 47 en el índice frente al 45 de GLM-5.3, con el laboratorio marcando a Sol como obsoleto en favor de G​PT-6 Sol.

• Si la serie Build Week en curso se mantiene estable bajo la demanda — la ronda 1 colapsó en una hora, y el marco de la serie convierte cada ronda futura en una nueva prueba de carga de la capacidad de la que depende la API de pago.

• Si la filtración multimodal se convierte en un modelo publicado. El trabajo del procesador sglang es evidencia a nivel de código de que la línea insignia se está preparando para entradas de imagen, y la propuesta de Perplexity de «cargas de trabajo de agentes multimodales» para Computer apunta en la misma dirección — pero eso es posicionamiento, no un modelo publicado, y no hay ningún GLM-5.3 multimodal anunciado ni evaluado. Esté atento a una ficha del modelo, una página de documentación o pesos antes de tratarlo como real.

• Si se abre o no la barrera empresarial de Bedrock. El anuncio de AWS declara GLM-5.3 como disponible de forma general en Bedrock, mientras que la ficha del modelo lo restringe a clientes elegibles que contacten con su equipo de cuenta de AWS, y la inferencia en la región no está soportada en absoluto: cada solicitud cruza regiones, ya sea dentro del perfil geográfico de EE. UU. o en el global. La barrera, y no la lista de regiones, es lo que decide qué empresas pueden invocarlo este mes.

Preguntas frecuentes

¿Es GLM-5.3 un modelo más grande que GLM-5.2?

No. Z.ai y su cofundador Tang Jie afirman que GLM-5.3 utiliza la misma base Mixture-of-Experts de 743 mil millones de parámetros que GLM-5.2, con la misma ventana de contexto de 1M de tokens y aproximadamente 40 mil millones de parámetros activos por token. Todas las mejoras reportadas provienen del post-entrenamiento — Tang Jie describe el cambio como un único mes de aprendizaje por refuerzo de horizonte largo aplicado sobre la base sin modificar —, no de un aumento de parámetros, lo que corrige directamente el rumor de la era de la filtración sobre una base superior a un billón. Esa afirmación sobre la arquitectura sigue siendo del fundador y de la propia empresa, sin auditoría independiente.

¿Cuándo estarán disponibles los pesos abiertos de GLM-5.3?

Ya están disponibles. El repositorio oficial zai-org/GLM-5.3 en Hugging Face — {{1}}creado el 25 de agosto, con los archivos de pesos subidos entre el 27 y el 28 de agosto{{/1}} — ahora alberga el modelo insignia completo de 743B, {{2}}aterrizando en la fecha del 28 de agosto que Z.ai había mantenido desde el lanzamiento{{/2}} — {{3}}un lanzamiento que la propia Z.ai anunció el 28 de agosto, declarando los pesos como abiertos y señalando el repositorio de Hugging Face y un análisis técnico en profundidad{{/3}}. La licencia también se ha especificado ahora: una licencia personalizada "glm-5.3", no los términos MIT que usan GLM-5.2 y GLM-5.3-Flash — {{4}}aproximadamente una concesión MIT con una condición de revisión de seguridad para grandes proveedores de MaaS{{/4}}, así que lee los términos exactos antes de confiar en ellos. Z.ai ha dicho por separado que las funciones cibernéticas sensibles se restringirán a un programa de {{KEEP}}"trusted access"{{/KEEP}} para usuarios verificados.

¿Cómo debo tratar los números de referencia?

Divide la lista en tres grupos. Las cifras propias de Z.ai —los saltos en codificación (Terminal-Bench 3.0 con 28.3, DeepSWE v1.1 con 66.9, SWE-Marathon con 42.5) y los resultados en ciberseguridad (CyberGym 84.5%, ExploitBench 54.4%)— provienen del anuncio de la empresa y siguen siendo reportados por el proveedor hasta que un arnés independiente los reproduzca. El grupo independiente es donde ahora recae el peso: el Intelligence Index de Artificial Analysis —45 para GLM-5.3 (Max) en la actual versión v4.3.2, frente a 44 para K​imi K3 (Max) y 34 para GLM-5.2 (Max)—, su columna de Coste por tarea por endpoint para el mismo modelo, que va de $0.92 a $8.68 entre los 25 proveedores que monitorea, las mediciones del Frontier Red Team de A​nthropic en ExploitBench (50 de 410 exploits de extremo a extremo) y su benchmark interno de explotación binaria (4% de secuestros completos del flujo de control), la evaluación del CAISI de NIST del 17 de septiembre, y el Cyber ECI de Epoch AI, publicado el 16 de octubre, que sitúa a GLM-5.3 en 160.10 —primero entre los modelos de pesos abiertos y entre seis y siete meses por detrás de la frontera cerrada en 171, aunque esa estimación se basa en tres benchmarks de CAISI y en las propias salvedades de Epoch sobre identificación de modelos e intervalos—. La afirmación de Perplexity de que GLM-5.3 supera a GLM-5.2 en WANDR ocupa su propio tercer grupo: un benchmark ajeno, una afirmación ajena, sin puntuaciones publicadas. Las cifras independientes son las que hay que sopesar frente a las de Z.ai, y las cifras de coste y caché son mediciones del propio laboratorio de su propio arnés, no resultados del proveedor.

¿Por qué cuesta tanto más ejecutar GLM-5.3 en algunos proveedores que en otros?

El coste por tarea está dominado por la cantidad de la conversación que un proveedor puede servir desde su caché de prompt, y las diferencias de precios de tokens se suman a eso. Artificial Analysis calcula la cifra a partir de los precios de los tokens de entrada, acierto de caché, escritura de caché, razonamiento y respuesta, dividida por el número de tareas y ponderada por el peso de cada benchmark en el Intelligence Index. Las cargas de trabajo agénticas y de programación reenvían todo el historial de conversación en cada turno, así que la parte del prompt que se puede almacenar en caché se factura repetidamente, y la proporción que un proveedor atiende desde caché en lugar de a precio de entrada completo es la mayor palanca individual sobre el total. La escritura en caché y el almacenamiento en caché se facturan por separado a tarifas específicas de cada proveedor. En GLM-5.3 (Max), la columna resultante abarca de $0.92 a $8.68 en los 25 endpoints que sigue el laboratorio —aproximadamente 9x con pesos idénticos y un benchmark idéntico—, por lo que el endpoint, no el modelo, es lo que determina el coste.

¿Puedo ejecutar GLM-5.3 localmente a través de Ollama?

Todavía no. GLM-5.3 está listado en la biblioteca de Ollama, pero solo como un modelo alojado en la nube — glm-5.3:cloud, servido desde Estados Unidos y Europa con retención de datos nula. No hay una etiqueta GGUF local, así que hoy ollama run glm-5.3:cloud llama al modelo alojado en lugar de descargar una copia a tu máquina. La ruta de autoalojamiento sigue siendo los pesos de Hugging Face con una pila estilo vLLM o SGLang, y la etiqueta de nube es una segunda ruta servida para los lectores que ya usan Ollama.

La filtración era real, el lanzamiento confirmó el nombre, el encuadre y el momento —y, dos meses después, la capacidad cibernética que Z.ai convirtió en el eje de su anuncio ha sido medida por dos organismos externos y clasificada por un tercero. El Frontier Red Team de Anthropic sitúa a GLM-5.3 a unos pocos intentos de Claude Mythos Preview en el desarrollo de exploits de extremo a extremo, califica al modelo de inusualmente capaz para un lanzamiento abierto y añade el hallazgo que más importa a quien vaya a desplegarlo: las salvaguardas son reales pero superficiales, y los pesos se pueden descargar, así que las negativas son una configuración, no una garantía. El CAISI de NIST llegó a un veredicto compatible desde la otra dirección: el mejor modelo cibernético de pesos abiertos hasta la fecha, aproximadamente cuatro meses por detrás de la frontera estadounidense. Epoch AI ha convertido ahora ese veredicto en una posición: 160,10 en su Cyber ECI, primero entre los modelos de pesos abiertos, por encima de GPT-5.4 de OpenAI y seis o siete meses por detrás de Claude Opus 5.5 de Anthropic y GPT-6 Astra de OpenAI, con 171 —un número construido, al final, sobre tres benchmarks de CAISI, y honesto al respecto. Artificial Analysis aporta la cuarta medición externa, y es una de coste: 2,01 $ por tarea del Intelligence Index a la tarifa del propio proveedor, y entre 0,92 $ y 8,68 $ por la misma tarea según qué endpoint responda. Las cifras del proveedor siguen siendo cifras del proveedor, la licencia sigue siendo personalizada y la cuestión de si la línea insignia pasará a ser multimodal sigue abierta. Lo que ha cambiado es que la distancia entre la capacidad cibernética abierta y cerrada ya no es algo que un lector tenga que aceptar por fe: es un número publicado con un método que se puede inspeccionar. La forma más barata de averiguar qué hace el modelo con tu trabajo sigue siendo una porción de tráfico real con una conmutación por error a algo probado.

Los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de pesos abiertos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su marca de disputa.