GLM-5.3 vs GLM-5.2：同じ頭脳、2倍のベンチマーク

Zhipu AI自身によるGLM-5.2からG​LM-5.3へのアップグレードの位置づけは正直なものだ：教科書は変わらず、変わったのは生徒の訓練だけである。2026年8月14日にリリースされたG​LM-5.3は、6月にArtificial Analysis Intelligence Indexでオープンウェイト分野の頂点に立ったGLM-5.2とまったく同じ7430億パラメータのMoEベース上に構築されている。アーキテクチャは不変、フットプリントも不変、100万トークンあたり$1.40/$4.40の価格も不変——それにもかかわらずZ.aiは、再訓練されたモデルが、両バージョンが公開するコーディングとセキュリティのベンチマークのいくつかで前モデルを2倍以上上回ると報告している。それがG​LM-5.3を必須アップグレードにするか様子見にするかは、アーキテクチャを変えずにこれほど改善したモデルをどれだけ信頼するか、そして新たに出現したサイバー能力が、2週間の安全ウィンドウの背後にゲートされた機能として望ましいものかどうかにかかっている。

同じ脳、再訓練された

GLM-5.2を実用的なサーバーたらしめたすべての要素はそのまま引き継がれる。すなわち、約40Bのアクティブパラメータを持つ743B MoE、1MコンテキストでのFLOPsを削減したIndexShareスパースアテンション、MITライセンス、1Mコンテキストウィンドウ、そして独立した観測で毎秒約145〜168トークンを記録した軽量なトークンスループットである。GLM-5.3が異なるのはただ一つの次元、すなわちポストトレーニングのみである。Z.aiはIndexShare、SAO、Slimeの各フレームワークを用いて強化学習段階をスケールさせ、長期的タスク環境を数十倍に増やし、その対象をコードデバッグからセキュリティ脆弱性の発見やシステムエンジニアリングへと拡張した。その結果、同じハードウェア上で異なる振る舞いを示すモデルが生まれた。まさにこれこそが、アップグレードの問いが「新しいGPUが必要か」ではなく「新しい振る舞いが必要か」である理由にほかならない。

両方向におけるベンチマーク差分

Z.aiが公表した数値の前後比較として見ると、この飛躍はオープンウェイトの歴史の中で最大です。Terminal-Bench 3.0 — 両方が評価されたより難しい改訂版 — は4.6から28.3へ、6倍の跳躍です。DeepSWE v1.1は46.2から66.9へ、これは「優れたオープンモデル」と「クローズドな先頭集団と競争力がある」の違いに相当します。Agents' Last Exam CLIサブセットは23.8から28.5へ。CyberGymの脆弱性発見は77.2から84.5へ上昇。ExploitBenchは2倍以上に増え、24.4から54.4へ。ExploitGymのスループットは、完了したタスク数（2時間および6時間）が29と39から105と130へ。Z.aiはこれを概ね50%のコーディング改善と要約しており、改善の分布 — 長期的なコーディング、端末自動化、セキュリティに集中 — は、後処理のみのモデルと一致しています。すなわち、生の知識は同じでも、実際に複数ステップの作業を行う能力が強化されたのです。

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

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

• エージェント最終試験（CLI）— GLM-5.2 23.8 vs GLM-5.3 28.5

• CyberGym 脆弱性発見 — GLM-5.2 77.2 vs GLM-5.3 84.5

• ExploitBench — GLM-5.2 24.4 vs GLM-5.3 54.4

誰も予定していなかった能力

セキュリティ面での成果は、Z.ai によれば計画されたものではなかったため、独立した段落を設ける価値がある。ポストトレーニングチームは、控えめな改善を期待して脆弱性発見環境を追加した。ところがモデルは、完全なエクスプロイトを連鎖させるようになり、これは創発的な振る舞いであり、Z.ai は安全性を強化するために重みの公開を約2週間保留せざるを得なくなった。セキュリティチームとの実環境テストでは、G​LM-5.3 は269プロジェクトにわたる2,436件の脆弱性の発見に貢献し、そのうち1,097件は中リスクまたは高リスクであり、広く展開されているソフトウェアで数十年にわたって検出されずにいた欠陥も含まれていた。GLM-5.2 は通常の意味でのセキュリティ能力を備えていた——コードを読んでバグを見つけることができた。G​LM-5.3 は異なる意味でそれを備えている。すなわち、安全性のための保留期間が問題とするのは、まさにこの能力なのである。これは程度の違いではなく種類の違いであり、共通の基盤を持つにもかかわらず、2つのモデルを異なる製品として扱うべき最も強力な理由である。

一貫性の注意点

上記のすべての数値に対するカウンターウェイトとして、初期の第三者テストでは、G​LM-5.3 は GLM-5.2 には見られなかった形での一貫性のなさを示すと報告されている。独立したレビューアーは、同じモデルがあるタスクではかろうじて合格した外注エンジニアのように振る舞い、別のタスクではプロ級の結果を出すと報告しており、その差は要件がどれだけ明確に指定されたかに依存している。これは、環境に大きく依存するポストトレーニングからすべての性能向上を得たモデルに予想される失敗のプロファイルそのものである。つまり、訓練されたタスクの形状から一般化するため、仕様が不十分なプロンプトはその範囲外に落ちるのである。独立した結果はいずれも Z.ai が公表した表ほどきれいではなく、Z.ai の数値もまだ独立に再現されていない。本番環境では、移行前に自社のワークロードで明示的な評価を行うべきであるという結論になる。これは GLM-5.2 でも必要だった注意点と同じだが、今回は最良と最悪のケースの差がより大きい。

価格、アクセス、そして待つという問題

価格は同一なので、アップグレードでよくある摩擦はありません。両モデルともトークン100万個あたり1.40ドル／4.40ドルですが、GLM-5.3ではthinkingモードの有効化が必要です。実質的な違いはアクセス方法にあります。GLM-5.2は本日からMITライセンスでダウンロード可能で、サブテラバイト（1TB未満）のFP8フットプリントでセルフホストでき、OrcaRouter経由でマークアップなしの定価で呼び出せます。今すぐルーティングに使えて、安定しており、第三者によるスコアリングも済んでいるモデルです。GLM-5.3は現在、Z.aiのZCode／AutoClawおよびGLM Coding Planを通じて利用できますが、公開APIとウェイトはどちらもセーフティウィンドウ（安全確認期間）の間はゲートされており、ベンチマーク数値はすべてベンダー報告によるもので、第三者による再実行での検証待ちです。したがって「待つべきか」への正直な答えは2つに分かれます。性能を落とせない本番トラフィックにとっては、GLM-5.2が今日における安全なオープンウェイトの選択肢であり続けます。そしてGLM-5.3のAPIが公開され、独立した実行結果が確認できた時点で、移行は書き直しではなくルート変更です。同じワンキー設定のまま、レーンを切り替えるだけです。探索的な作業やセキュリティ評価の作業では、GLM-5.3は今すぐZ.aiのツールで試す価値があります。ただし、公表されている優位性は未検証であり、その挙動は置き換え対象のモデルよりも変動が大きいということを理解した上での話です。

正直な評価

G​LM-5.3は、Z.ai自身の数値によれば優れたモデルです。長期的なコーディングでは劇的に優れ、セキュリティでは根本的に異なります。また、ベース、フットプリント、価格は変わらないため、ワークフローへの導入コストはかかりません。しかし「ベンダーの評価で優れている」ことと「パイプラインで優れている」ことは、GLM-5.2がすでに持っていてG​LM-5.3にはまだない、独立した再現性と配布用ウェイトという2つの点で隔てられています。すでにGLM-5.2を運用しているなら、アップグレード経路はオープンウェイト史上最も安価です。同じハードウェア、同じ価格、同じAPIサーフェスで、ウェイトの公開を2週間待つだけです。重要なのは、G​LM-5.3がGLM-5.2より優れているかどうかではなく、その改善点や新たに出現したセキュリティ能力が、Z.ai外部の誰にもまだ確認されていないモデルに本番運用を賭ける覚悟があるかどうかです。