GLM-5.3: Slimmer coderend taalmodel met 743 miljard

Een fout die teruggaat tot 1981 en decennialang onopgemerkt bleef, was de openingshandeling. Dat zette de toon voor de nieuwste onthulling van Zhipu AI: GLM-5.3, een taalmodel met 743 miljard parameters, geoptimaliseerd voor coderen, agentachtige workflows en cybersecurity-analyse.

Zhipu AI stelt dat GLM-5.3 niet komt als een groter basismodel, maar als een slimmer model. De gewichten blijven op 743 miljard parameters, maar het team heeft de post-traininglaag herzien met rijkere gesimuleerde omgevingen, bredere taakdiversiteit en intensievere interactieve rekenkracht om prestatiewinsten te behalen. Het resultaat voelt minder alsof het door brute force schalen komt en meer als een verfijnde, gerichte verbetering.

Toegang begint via het betaalde GLM Coding Plan en het ZCode-platform. API-toegang en downloadbare modelgewichten staan gepland voor gefaseerde uitgaven na opeenvolgende beveiligingsreviews in de komende weken, wat betekent dat organisaties het model vroeg kunnen uitproberen terwijl Zhipu het beoordeelt voor bredere distributie.

Tokenefficiëntie was een belangrijke metriek. In de Code Bench van Z.ai behaalde GLM-5.3 een succeskans van 34,5% bij ongeveer 75.000 outputtokens, vergeleken met GLM-5.2's 23,4% bij circa 96.000 tokens. Simpel gezegd: minder geklets, meer resultaat. Dat is het soort verbetering dat ingenieurs als eerste opvalt.

Wat ruwe programmeervaardigheden betreft, is het beeld gemengd. Terminal Bench 3.0, die de prestaties beoordeelt in live Linux-omgevingen en geautomatiseerde systemen, katapulteerde GLM-5.3 naar een score van 28,3, tegen 4,6 in de vorige generatie. Indrukwekkend. Toch blijven commerciële concurrenten voorlopen; Claude Fable 5 scoorde 33,7 en GPT-5.6 Sol 34,6, waarmee zij de podiumplaatsen behouden.

Bij het oplossen van echte bugs, getest in DeepSWE v1.1, noteerde GLM-5.3 een score van 66,9, een substantiële verbetering ten opzichte van zijn voorganger maar net onder die van peers zoals Kimi K3 (67,5) en Fable 5 (69,7). De conclusie: GLM-5.3 verkleint de kloof met open- en closed-source concurrenten, maar de toonaangevende enterprise-stacks blijven fel competitief.

Waar GLM-5.3 echt verrast, is cybersecurity: het behaalde de toppositie in de CyberGym-benchmark met een score van 84,5%, en liet Fable 5 (83,8%) en GPT-5.6 Sol (83,6%) achter zich. Zhipu publiceerde een beveiligingsdossier waaruit blijkt dat GLM-5.3 2.436 kwetsbaarheden in 269 open-sourceprojecten identificeerde, waarvan 1.097 werden geclassificeerd als van middelgroot tot kritiek risico. Eén vondst springt eruit: een exploit waarvan de oorsprong teruggaat tot 1981, naar verluidt gemiddeld 26,6 jaar onontdekt door eerdere scanners en onderzoekers.

Dit alles positioneert GLM-5.3 als een geloofwaardige uitdager voor regionale rivalen zoals Kimi K3 en als een prikkelende deelnemer tegenover Amerikaanse commerciële modellen. Het is niet zomaar een nieuwe release; het is een casestudy in het inruilen van ruwe parametergroei voor slimmer, gericht post-training, met als bonus belangrijke cybersecuritywinst.

Zal GLM-5.3 leveranciers aanzetten om meer van hun toolchains te openen, of een nieuwe ronde van benchmarkgerichte engineering forceren? De komende maanden van API-tests en kritische toetsing door de community zullen het uitwijzen.