GLM-5.3 vs. GLM-5.2: Co nový model Z.ai umí lépe

GLM-5.3 je nejnovější programátorský a agentní model společnosti Z.ai. Je určený pro složitější softwarové inženýrství, hlubší ladění chyb a úkoly, které vyžadují práci rozloženou do mnoha kroků. Z.ai u něj uvádí kontextové okno o velikosti 1 milionu tokenů a tvrdí, že je oproti předchůdci GLM-5.2 silnější v dlouhých a komplexních úlohách.

Nejde tedy jen o další model s vyšším skóre v běžných testech programování. Z.ai uvádí 50% zlepšení v interním testu Z.ai Code Bench a výkon na úrovni nejlepšího otevřeného modelu v několika veřejných hodnoceních, včetně Terminal-Bench 3.0 a Agents’ Last Exam (CLI).

GLM-5.3 vs. GLM-5.2: hlášené výsledky v testech

Nejpřehlednější oficiální srovnání představuje tvrzení Z.ai o 50% zlepšení v interním Z.ai Code Bench. U veřejných benchmarků jsou v dodaných podkladech k dispozici následující hodnoty z reportu třetí strany:

Benchmark	GLM-5.2	GLM-5.3	Co výsledek naznačuje
Terminal-Bench 3.0	4,6 %	28,3 %	Výrazně lepší výkon u delších úloh v příkazové řádce
DeepSWE v1.1	46,2 %	66,9 %	Lepší výsledky v úlohách softwarového inženýrství
Agents’ Last Exam (CLI)	23,8 %	28,5 %	Posun v agentní práci s nástroji
CyberGym	77,2 %	84,5 %	Úspěšnější hledání zranitelností
ExploitBench	24,4 %	54,4 %	Skóre více než dvojnásobné oproti GLM-5.2

Tato čísla je potřeba brát jako zveřejněné výsledky, nikoli jako nezávisle potvrřená měření. Podrobné srovnání pochází z příspěvku třetí strany na síti X. Oficiální dokumentace Z.ai potvrzuje obecná tvrzení o lepším programování, dlouhodobých benchmarcích a kyberbezpečnosti, neuvádí však v dodaném výňatku všechny jednotlivé hodnoty.

Proč je důležitý Terminal-Bench 3.0

Nárůst z 4,6 % na 28,3 % v Terminal-Bench 3.0 je v předloženém srovnání nejvýraznější. Tento benchmark je pro programátorské agenty relevantní, protože testuje práci v prostředí příkazové řádky. Model v něm obvykle musí používat nástroje, zjišťovat stav systému, provádět změny a pokračovat přes několik navazujících kroků — místo aby pouze vygeneroval krátkou ukázku kódu.

Výsledek podporuje závěr, že GLM-5.3 je v tomto testu výrazně silnější než GLM-5.2. Sám o sobě ale nedokazuje, že bude lepší v každém reálném repozitáři nebo vývojářském pracovním postupu.

Programování a dlouhé agentní úkoly

GLM-5.3 cílí na souvislou vývojářskou práci: plánování, implementaci, hledání chyb a opakované úpravy nad rozsáhlejším kontextem. Přehled modelů Z.ai mu připisuje kontextové okno o velikosti 1 milionu tokenů a výslovně ho staví do role modelu pro dlouhé a komplexní úkoly.

Tím se novinka odlišuje od pouhého osvěžení zaměřeného na krátké programátorské dotazy. Z.ai uvádí výkon na úrovni nejlepšího otevřeného modelu v testech Terminal-Bench 3.0 a Agents’ Last Exam (CLI), zatímco v interním Code Bench má být GLM-5.3 o 50 % lepší než GLM-5.2.

Prakticky to znamená, že model je navržen tak, aby udržel a využil více informací o projektu a zvládl úkol provést přes větší počet kroků. Samotné skóre z benchmarků však nepotvrzuje spolehlivost, cenu, odezvu ani kvalitu práce s nástroji v konkrétním vývojovém prostředí. Týmy zvažující přechod by proto měly nejprve otestovat vlastní repozitáře a pracovní postupy, místo aby automaticky předpokládaly stejný nárůst i v produkci.

Zlepšení se týká i kyberbezpečnosti

Z.ai uvádí, že GLM-5.3 dosáhl svého dosud nejlepšího výsledku v benchmarku CyberGym zaměřeném na odhalování zranitelností. Společnost zároveň tvrdí, že výkon modelu při zneužívání zranitelností překonal dvojnásobek výsledku GLM-5.2.

Podle tabulky zveřejněné třetí stranou se CyberGym posunul ze 77,2 % na 84,5 % a ExploitBench z 24,4 % na 54,4 %. Přesné hodnoty nejsou v dodaných oficiálních materiálech nezávisle ověřené, proto je vhodnější chápat je jako uváděné výsledky při uvedení modelu, nikoli jako definitivní průmyslový standard.

Výsledky v kyberbezpečnosti jsou důležité ze dvou důvodů. Naznačují, že zlepšení agentních schopností může přesahovat samotné psaní aplikací a zahrnovat také hledání a analýzu chyb. Zároveň připomínají nutnost bezpečnostního testování před širokým nasazením: model schopnější při hledání a využívání zranitelností může pomoci při obraně, ale bez odpovídajících kontrol také zvýšit riziko zneužití.

Co se podle Z.ai změnilo po technické stránce?

Z.ai připisuje posun především rozšířenému post-trainingu, tedy fázi dodatečného trénování po vytvoření základního modelu. Firma uvádí, že rozšířila prostředí a úlohy používané při trénování tak, aby lépe odpovídaly skutečným vícedenním projektům v softwarovém vývoji a výzkumu. Nezaměřovala se tedy pouze na krátká, samostatná programátorská zadání.

Podle tohoto vysvětlení nejde jednoduše o důsledek většího kontextového okna ani o představení nově popsané základní architektury. Přístup zároveň pomáhá vysvětlit, proč se největší uváděné posuny objevují právě v dlouhých a agentních testech: post-training měl model naučit plánovat, používat nástroje, zotavit se z neúspěchu a pokračovat v úkolu po delší dobu.

Jde však stále o popis společnosti Z.ai. Teprve nezávislé testy ukážou, do jaké míry se zlepšení přenese mezi různými modelovými prostředími, sadami nástrojů, prompty a softwarovými projekty.

Dostupnost a termín otevřených vah

GLM-5.3 je dostupný prostřednictvím GLM Coding Planu společnosti Z.ai, který ho podporuje ve všech uvedených tarifech, a také ve vývojovém prostředí ZCode.

Otevřené váhy v dodaných podkladech zatím dostupné nejsou. Report třetí strany uvádí, že Z.ai je chtěla vydat přibližně dva týdny po uvedení modelu 14. srpna 2026, a to po dodatečném bezpečnostním vyhodnocení. To by znamenalo konec srpna 2026, termín je ale předběžný a nelze ho považovat za potvrzené datum vydání.

Pro vývojáře, kteří zvažují GLM-5.3 už nyní, je klíčový rozdíl mezi dostupností a reprodukovatelností. Model lze vyzkoušet prostřednictvím podporovaných produktů Z.ai, ale podrobné výsledky z uvedení zatím není možné plně zopakovat lokálně s vahami popsanými v dodaných zdrojích.

Závěr

GLM-5.3 působí spíše jako cílený upgrade pro programátorské agenty než jako běžná změna čísla v názvu. Z.ai uvádí 50% zlepšení v interním programátorském benchmarku, lepší výsledky v testech dlouhodobých agentních úloh a významný posun v kyberbezpečnosti oproti GLM-5.2.

Největší výhrada se týká důkazů. Z.ai potvrzuje směr zlepšení, zatímco přesná srovnání ve veřejných benchmarcích a přibližně dvoutýdenní plán vydání vah pocházejí z reportu třetí strany a čekají na nezávislé ověření. Do širšího testování a zveřejnění vah je proto nejlepší chápat GLM-5.3 jako slibný a prostřednictvím produktů Z.ai dostupný upgrade programátorského agenta — nikoli ještě jako plně nezávisle reprodukovatelný otevřený model.