GLM-5.3: Z.ais Coding-Modell, das unerwartet eine Cyber-Fähigkeit entwickelte

Z.ai hat GLM-5.3 am 14. August 2026 veröffentlicht, und die Geschichte ist ungewöhnlich für ein Point-Release: Das Basismodell ist gegenüber GLM-5.2 unverändert, dennoch steigen die Coding- und Agenten-Werte deutlich — und das Modell hat eine Cybersecurity-Fähigkeit entwickelt, die das Unternehmen nach eigenen Angaben nie geplant hatte. Hier erfahren Sie, was sich tatsächlich geändert hat, welche Benchmarks für den Aufbau von KI-Agenten relevant sind und warum die Open Weights noch nicht verfügbar sind.

Was ist GLM-5.3?

GLM-5.3 ist das neueste Open-Weight-Modell in Z.ais GLM-Serie und positioniert sich als Frontier-Coding- und Agenten-Modell. Das wichtigste Detail: Es verwendet dieselbe 743B-Parameter Mixture-of-Experts-Basis wie GLM-5.2, und alle gemeldeten Verbesserungen stammen aus skaliertem Post-Training statt aus einer neuen Architektur (MarkTechPost).

Vereinfacht ausgedrückt: Z.ai hat mehr Rechenleistung eingesetzt, um das bestehende Modell mit mehr — und vielfältigeren — Aufgabenumgebungen zu trainieren. Das ist das gesamte Rezept, und es ist ein nützlicher Datenpunkt für alle, die verfolgen, wie weit Post-Training allein ein Open-Weight-Modell voranbringen kann.

Wie GLM-5.3 gegenüber GLM-5.2 verbessert wurde

Z.ai beschreibt die Methode als Environment Scaling (Umgebungsskalierung). GLM-5.2 führte den Trainings-Stack ein; GLM-5.3 setzt mehr Rechenleistung ein, um das Modell durch eine deutlich größere Menge simulierter professioneller Arbeitsumgebungen zu führen (Unite.AI).

Das sind keine einfachen Coding-Rätsel. In einem Beispiel wird das Modell in die Umgebung eines ML-Infrastrukturingenieurs versetzt — mit Compute-Clustern, internen Dokumenten, Codebasen und Experimentergebnissen — und muss Engpässe diagnostizieren, Korrekturen implementieren und eine messbare Leistungssteigerung erzielen. Einige Aufgaben entsprechen mehreren Arbeitstagen für einen erfahrenen Ingenieur. Um diese in großem Umfang zu erstellen, nutzt Z.ai Research-Agenten, die reale Arbeitsmuster in ausführbare Langzeithorizont-Umgebungen umwandeln, sowie einen Judge-Agenten, der überprüft, ob jede Aufgabe tatsächlich lösbar ist.

Der Nutzen zeigt sich genau dort, wo man es von diesem Ansatz erwarten würde: Je länger der Aufgabenhorizont, desto größer der Gewinn.

GLM-5.3 Coding-Benchmarks

Alle nachstehenden Zahlen sind vom Hersteller angegeben. Im Vergleich zu GLM-5.2:

• Terminal-Bench 3.0: 4,6 → 28,3 — ein etwa 6-facher Sprung beim Langzeithorizont-CLI-Benchmark.
• DeepSWE v1.1: 46,2 → 66,9.
• Agents' Last Exam (CLI): 23,8 → 28,5.
• GDPval-AA v2 (umfasst 44 Berufe): erzielt 1.769 Punkte.

Auf Z.ais internem Code Bench meldet das Unternehmen eine ~50%ige Verbesserung gegenüber GLM-5.2 und eine bemerkenswerte Effizienzgeschichte: GLM-5.3 erzielt 31,4% bei ~50.000 Output-Tokens pro Aufgabe, verglichen mit Claude Opus 4.8 bei 29,5% mit 120.000 Tokens — mehr Arbeit mit deutlich weniger Tokens. Claude Fable 5 führt diesen Benchmark weiterhin mit 39,5% bei maximaler Leistung an (MarkTechPost).

Der ehrliche Vorbehalt: Bei öffentlichen Test-Suites liegt GLM-5.3 bei mehreren der schwierigeren Coding-Evaluierungen hinter GPT-5.6 Sol und Fable 5. Und da Code Bench ein privater Benchmark ist, können seine Zahlen noch nicht unabhängig repliziert werden. Z.ais Argument für die Nichtveröffentlichung ist Datenkontamination — öffentliche Testsets gelangen in die Trainingsdaten.

Das Cybersecurity-Ergebnis, das Z.ai nach eigenen Angaben nicht geplant hatte

Dies ist der Teil, der GLM-5.3 über den üblichen Modell-Launch-Zyklus hinaus bekannt machte. Z.ai fügte dem Post-Training Daten zur Schwachstellenerkennung hinzu und erwartete, dass das Modell besser im Reasoning über einzelne Bugs wird. Stattdessen verstärkte sich die Fähigkeit mit zunehmender Trainingsskalierung weiter, und das Modell begann, kohärente Pläne über vollständige Exploit-Ketten hinweg zu entwickeln (SiliconRepublic).

Die Zahlen belegen diese Aussage, und das Muster hält sich — je tiefer ein Benchmark in der Exploit-Kette liegt, desto größer der Sprung:

• CyberGym (Bugs aus White-Box-Quellcode finden und validieren): 77,2% → 84,5%, knapp vor Mythos 5 (83,8%) und GPT-5.6 Sol (83,6%).
• ExploitBench (Ursachenanalyse plus funktionierender Exploit): 24,4% → 54,4% — mehr als doppelt so hoch wie GLM-5.2, jedoch noch hinter Mythos 5 mit 78,0%.
• ExploitGym (Aufgaben innerhalb eines Zeitbudgets): 105 Aufgaben in zwei Stunden, 130 in sechs — gegenüber 29 und 39 bei GLM-5.2.

Z.ai gibt außerdem an, dass seine Modelle echte, bereits eingesetzte Bugs gefunden haben: 2.436 Schwachstellen in 269 Open-Source-Projekten seit GLM-5.2, darunter 1.097 mit kritischem oder hohem Schweregrad — in Kerneln, Browser-Engines und Netzwerkprotokollen. Der älteste Bug soll laut Unternehmen aus dem Jahr 1981 stammen. Diese fließen in ein öffentliches Security Disclosure Ledger ein, mit 53 zum Launch offengelegten CVEs und 2.383 noch unter Embargo.

Warum die Open Weights noch nicht verfügbar sind

Hier weicht man vom Vorgehen bei GLM-5.2 ab. Die Weights von GLM-5.2 waren innerhalb weniger Tage nach dem Launch auf Hugging Face verfügbar. Die Weights von GLM-5.3 werden gestaffelt veröffentlicht: Derzeit nur über die Z.ai API, den GLM Coding Plan und ZCode zugänglich, mit Weights, die in etwa zwei Wochen nach Sicherheitsbewertung und Härtung folgen (SiliconANGLE).

Der Grund hängt direkt mit dem Cyber-Ergebnis zusammen: Z.ai härtet ein Modell, das nach eigener Aussage offensive Sicherheitsfähigkeiten schneller als erwartet entwickelt hat. Es ist das erste GLM-Release, das explizit für eine Sicherheitsüberprüfung zurückgehalten wird.

Eine weitere API-Änderung, die für Entwickler relevant ist: GLM-5.3 unterstützt drei Thinking-Effort-Stufen (low, high, max) und erlaubt es nicht mehr, das Thinking zu deaktivieren — eine Breaking Change, wenn Ihre Anwendung zuvor mit deaktiviertem Thinking lief.

Was GLM-5.3 für den Aufbau von KI-Agenten bedeutet

Einige praktische Erkenntnisse:

• Langzeithorizont-Coding-Agenten sind der Sweet Spot. Die Gewinne konzentrieren sich auf mehrstufige CLI- und Repository-skalierte Arbeiten — Refactorings, CI-Triage, lang laufende Agenten-Loops — nicht auf einmalige Vervollständigungen.
• Effizienz ist genauso wichtig wie der Headline-Score. Vergleichbare Arbeit bei ~50K Tokens statt 120K zu erledigen ist ein echter Kostenhebel für Agenten-Workloads, die den ganzen Tag laufen.
• Sie können es heute nutzen, aber nicht überall. Startups können es jetzt über den Coding Plan oder die API einsetzen. Teams mit Datenschutz- oder Lieferantenprüfungsanforderungen sollten auf die Weights warten.
• Behandeln Sie Hersteller-Benchmarks als Ausgangspunkt. Die auffälligsten Zahlen (interner Code Bench, In-Harness-Cyber-Scores) wurden noch nicht unabhängig repliziert. Die Weight-Veröffentlichung, die Ende August 2026 erwartet wird, ist der Zeitpunkt, an dem externe Tests beginnen.

Setzen Sie ein Modell wie GLM-5.3 in Ihrer eigenen KI-Belegschaft ein

Die Geschichte von GLM-5.3 dreht sich wirklich um langfristige, agentische Arbeit — Modelle, die mehrstufige Aufgaben von Anfang bis Ende ausführen, anstatt auf eine einzelne Anfrage zu antworten. Genau dafür ist Eigent entwickelt: eine Open-Source, lokale "Cowork"-Desktop-App, die Modelle wie diese in eine Multi-Agenten-Belegschaft für echte Workflows verwandelt — vom Überprüfen von GitHub PRs bis zum Betreiben eines selbst gehosteten KI-Coding-Agenten, den Sie vollständig besitzen. Bringen Sie Ihr eigenes Modell mit und behalten Sie die Arbeit auf Ihrem Rechner. Laden Sie Eigent herunter und erstellen Sie noch heute Ihre eigenen Agenten-Workflows.