ОБЗОР МОДЕЛИ 2026

GLM-5.3: обзор открытой модели Z.ai для кодинга и агентов

Z.ai не меняла базу: GLM-5.3 — это GLM-5.2, дообученный на агентные задачи. На Terminal Bench 3.0 результат вырос с 4,6 до 28,3 балла, но собственная лицензия и 753 млрд параметров остаются серьёзным барьером для локального запуска.

LLMОткрытые весаКодинг-агенты
Категория Открытые LLMФормат Обзор + бенчмаркиОбновлено 09.11.2026

GLM-5.3 — обновление флагманской открытой модели Z.ai (zai-org). Главное, что нужно знать до скачивания: архитектура и веса те же, что у GLM-5.2, а весь прирост дал посттренинг на агентные и кибербезопасные сценарии. По данным авторов, на Terminal Bench 3.0 модель набирает 28,3 против 4,6 у GLM-5.2, а на CyberGym она выходит на первое место среди всех участников сравнения.

2,0 млн
Скачиваний на HF
карточка zai-org/GLM-5.3
753 млрд
Параметров
веса в FP8
28,3
Terminal Bench 3.0
у GLM-5.2 было 4,6
своя
Лицензия
не Apache 2.0

01Кратко: что изменилось

В карточке модели на Hugging Face прямо сказано: GLM-5.3 использует ту же базовую модель, что GLM-5.2, и вся разница — в посттренинге. Это важно для планирования инфраструктуры: требования к железу, размер весов и поддерживаемые фреймворки не изменились, обновлять нужно только чекпоинт.

Авторы выделяют две линии улучшений. Первая — кодинг и длинные агентные задачи: заявлен рост на 50% в собственном бенчмарке Z.ai Code Bench по сравнению с GLM-5.2 и первое место среди открытых моделей на Terminal Bench 3.0 и Agents' Last Exam. Вторая линия — кибербезопасность: на CyberGym модель показывает 84,5 балла, а на бенчмарках эксплуатации уязвимостей более чем удваивает результат предыдущей версии.

Карточка модели
РазработчикZ.ai (zai-org)
Дата публикации25.08.2026
Обновление весов14.10.2026
Размер753 млрд параметров, FP8
Лицензиясобственная glm-5.3
Контекстдо 300K–1M токенов в замерах
ЗапускSGLang, vLLM, Transformers, Unsloth
Как мы собирали данные
Все числа в обзоре взяты из карточки модели zai-org/GLM-5.3 и таблицы бенчмарков в ней, а также из GitHub API (звёзды, форки, даты) — снимок на 09.11.2026. Собственных замеров мы не делали: это обзор по опубликованным материалам вендора, а не полевой тест.

02Бенчмарки: где реально прирост

Самый показательный разрыв — Terminal Bench 3.0, где GLM-5.2 набирала 4,6 балла из 100. GLM-5.3 даёт 28,3. Похожая картина на DeepSWE (46,2 → 66,9) и ExploitBench (24,4 → 54,4). То есть обновление метит именно в длинные многошаговые задачи, где модель работает в терминале и вызывает инструменты, а не в короткие ответы на вопросы.

GLM-5.2 против GLM-5.3баллы на бенчмарках, данные авторов модели
0255075100TB 3.0DeepSWECyberGymALE-CLIExploitBench4,646,277,223,824,428,366,984,528,554,4GLM-5.2GLM-5.3
Чем выше, тем лучше. Terminal Bench 3.0 и ALE-CLI измеряют длинные агентные сессии, CyberGym — поиск уязвимостей.
Terminal Bench 3.0 среди флагмановбаллы, данные авторов GLM-5.3
02040GPT-5.6 Sol34,6Fable 533,7GLM-5.328,3Opus 4.821,1Kimi K317,4GLM-5.24,6
Замеры проводились в одном харнессе (Claude Code 2.1.207) с reasoning effort = max, среднее по трём прогонам на задачу.
Осторожно с выводами
Это данные авторов модели, а не независимая проверка. Отдельные задачи вроде SWE-Marathon и PostTrainBench заявлены с оговорками, а ExploitGym пересчитан по токенам в секунду из Artificial Analysis. Для части моделей в таблице прочерки: их не проверяли на этом наборе.
БенчмаркGLM-5.3Kimi K3Opus 4.8GPT-5.6 Sol
Terminal Bench 2.188,288,385,088,8
Terminal Bench 3.028,317,421,134,6
DeepSWE 1.166,967,558,072,7
CyberGym84,580,078,183,6
Agents' Last Exam28,527,625,728,6
Toolathlon Verified73,076,576,274,9
Фрагмент таблицы бенчмарков из карточки модели, снимок 09.11.2026.
Значения приведены как в карточке; методики описаны в сносках вендора и могут отличаться от сторонних прогонов.

03GLM-5.2 против GLM-5.3

Если предыдущая версия уже стоит в проде, полезно понимать, что именно меняется на уровне эксплуатации. Размер и архитектура не менялись, так что миграция сводится к замене чекпоинта и проверке настроек рассуждений: в GLM-5.3 появился параметр reasoning_effort с тремя уровнями — low, high и max.

ПараметрGLM-5.2GLM-5.3
Базовая модельсвоята же
Terminal Bench 3.04,628,3
DeepSWE 1.146,266,9
CyberGym77,284,5
reasoning_effortне управлялсяlow / high / max
clear_thinking в чатепо умолчаниюfalse, задавать true
Лицензия весовсвоясвоя glm-5.3
Ключевые отличия по карточке модели. По умолчанию reasoning_effort = max, если параметр не передан.
Для воспроизведения лидербордов авторы советуют держать max, для интерактивных чатов — явно включать clear_thinking.

04Как запустить: локально и через API

Модель на 753 млрд параметров в FP8 — это не ноутбучный сценарий. В карточке перечислены фреймворки, через которые вендор проверял запуск: SGLang, vLLM, Transformers, KTransformers, TokenSpeed и Unsloth (кванты под llama.cpp-подобные пайплайны), плюс отдельная инструкция для Ascend NPU. Конкретные требования к видеопамяти в карточке не зафиксированы — их нужно уточнять в рецептах фреймворков.

Если своего кластера нет, остаётся API. Доступ к моделям Z.ai и тарифы зависят от региона и меняются; в этой странице мы не фиксируем рубли и доллары за миллион токенов, а отправляем к официальной странице цен. Для российских команд это отдельная задача — оплата и доступ описаны в материалах сайта по оплате AI-сервисов.

Запуск через vLLM: минимальный чек-лист
1
Скачать веса
Веса лежат в zai-org/GLM-5.3; качайте только нужный формат (FP8).
terminalcopy
hf download zai-org/GLM-5.3 \
  --local-dir ./glm53
2
Поднять сервер
Рецепт под конкретное железо берите из recipes.vllm.ai, здесь — общая форма команды.
terminalcopy
vllm serve ./glm53 \
  --max-model-len 32768
3
Проверить ответ
Запрос через OpenAI-совместимый эндпоинт, чтобы убедиться, что чат-шаблон подхватился.
terminalcopy
curl localhost:8000/v1/models
Совет по режиму рассуждений
Для интерактивных сценариев ставьте reasoning_effort = high: max заметно увеличивает длину генерации. Для агентных прогонов с тестами оставляйте max, иначе падает качество на длинных задачах.

05Как модель проходит агентную задачу

Цикл работы агента на GLM-5.3
1ЗадачаФормулировка цели и правил проекта в контексте до 300K токенов2Режимreasoning_effort задаёт глубину рассуждения: low, high или max3ИнструментыМодель вызывает терминал, читает файлы и правит код4ПроверкаРезультат проверяется отдельным верификатором, а не самой модельюСхема соответствует тому, как модель оценивали авторы: терминал, инструменты, проверка артефактов

Именно последний шаг отличает агентные замеры от классических: в Terminal Bench 3.0 артефакты агента проверяет официальный верификатор задачи, а не сама модель, а поиск в интернете отключён. Поэтому высокий балл здесь говорит о способности доводить работу до состояния, которое проходит чужие тесты.

06Плюсы и минусы

Плюсы
  • Открытые веса и понятная схема запуска через популярные фреймворки
  • Резкий рост на длинных агентных задачах при том же железе
  • Управляемая глубина рассуждений через reasoning_effort
  • Сильные результаты по поиску уязвимостей — редкость для открытых моделей
Минусы
  • 753 млрд параметров: локальный запуск требует серьёзного кластера
  • Собственная лицензия вместо Apache 2.0 — условия нужно читать отдельно
  • Бенчмарки опубликованы вендором, независимых прогонов пока мало
  • Документация и карточка преимущественно на английском
Лицензия — главный стоп-фактор
Веса распространяются по собственной лицензии glm-5.3, а не по Apache 2.0, хотя код репозитория zai-org/GLM-5 идёт под Apache-2.0. Перед коммерческим использованием проверьте условия распространения производных моделей на странице лицензии в карточке.

07Кому подходит

GLM-5.3 имеет смысл, если у вас уже есть инфраструктура под GLM-5.2: миграция дешёвая, а прирост на агентных задачах заметный. Для небольших команд без кластера реалистичный путь — API или аренда GPU, а не локальный запуск. Если же задача — просто дешёвый кодинг-ассистент, изучите линейку Kimi и Qwen: там другие цены и размеры.

Нет зарубежной карты для оплаты?Реклама. ООО «КАПИБАРА», ИНН 9703231520Оформить карту →
Как оплатить AI из России — разбор

Частые вопросы

GLM-5.3 — это новая архитектура?
Нет. По карточке модели база та же, что у GLM-5.2, а все улучшения получены посттренингом. Поэтому размер весов и требования к железу не изменились, меняется только чекпоинт.
Сколько стоит GLM-5.3 через API?
Тарифы зависят от региона и площадки и меняются. Мы не фиксируем суммы в обзоре: актуальные цены смотрите на официальной странице Z.ai (ссылка в источниках).
Можно ли запустить GLM-5.3 локально?
Да, вендор перечисляет SGLang, vLLM, Transformers, KTransformers, TokenSpeed и Unsloth, плюс инструкцию для Ascend NPU. Но речь о модели на 753 млрд параметров в FP8 — нужен кластер, а не одна видеокарта.
Что такое reasoning_effort и какой уровень выбрать?
Это параметр глубины рассуждений с уровнями low, high и max. По умолчанию используется max. Для чатов берите high, для агентных прогонов с тестами — max.
Можно ли использовать GLM-5.3 в коммерческом продукте?
Зависит от лицензии glm-5.3: это не Apache 2.0. Условия для производных моделей и коммерческого использования читайте в файле лицензии на странице весов.
Насколько можно доверять приведённым бенчмаркам?
Все цифры — данные авторов модели. Независимых прогонов на момент публикации мало, а часть замеров сделана с оговорками (пересчёт по токенам в секунду, отключённый веб-поиск).

Источники и официальные ссылки

Вердикт Qantcore
8,6/ 10
GLM-5.3 — редкий случай, когда обновление почти ничего не стоит тем, у кого уже стоит 5.2: та же база, тот же размер, заметно лучше на длинных агентных задачах. Минусы прежние — гигантский размер и собственная лицензия. Берите, если у вас есть GPU-кластер и агентные пайплайны; иначе смотрите на Kimi K3.1 Pro и облачные API.
Сравнить GLM-5.3 с другими моделями
Единая методика, фильтры по цене, лицензии и размеру модели.
Плати по всему миру — карта для оплаты зарубежных нейросетей, приложений и подписок из России
Реклама. ООО «КАПИБАРА», ИНН 9703231520
Оплата AI-сервисов из РоссииКарта РФ, СБП или реселлер — рабочая страница оплаты без VPN
Перейти к оплате →