Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern.
Das Modell entdeckte bei realen Tests 2.436 bestätigte Schwachstellen in 269 Open Source Projekten, darunter 1.097 mit kritischem oder hohem Schweregrad.
Alle Benchmark Ergebnisse sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert.
What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity tZ.ai GLM-5.3 benchmark comparison against Anthropic Mythos 5 and OpenAI GPT-5.6 Sol on CyberGym and ExploitBench.
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity t. Article summary: On August 14, 2026, Zhipu AI (now branding as **Z.ai**) launched **GLM-5.3**, a 740-billion-parameter open-weight model that delivers roughly 50% better coding performance than GLM-5.2 and unexpectedly strong emergent cy. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
openai.com
Am 14. August 2026 hat Zhipu AI, das international nun als Z.ai auftritt, GLM-5.3 vorgestellt – ein Open-Weight-Modell mit 740 Milliarden Parametern. Es liefert eine um etwa 50% bessere Code-Leistung als GLM-5.2 und zeigt überraschend starke, emergente Fähigkeiten im Bereich der Cybersicherheit . Das Modell ist so gut darin, Sicherheitslücken zu finden und auszunutzen, dass Z.ai die öffentliche Freigabe der Gewichte um zwei Wochen verschiebt, um zusätzliche Sicherheitstests durchzuführen .
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „Z.ai GLM-5.3: Benchmark-Ergebnisse, Cyber-Fähigkeiten und der Vergleich mit GPT-5.6 Sol und Mythos 5“?
Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern. Das Modell entdeckte bei realen Tests 2.436 bestätigte Schwachstellen in 269 Open Source Projekten, darunter 1.097 mit kritischem oder hohem Schweregrad.
Was soll ich als nächstes in der Praxis tun?
Alle Benchmark Ergebnisse sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert.
Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern.
Das Modell entdeckte bei realen Tests 2.436 bestätigte Schwachstellen in 269 Open Source Projekten, darunter 1.097 mit kritischem oder hohem Schweregrad.
Alle Benchmark Ergebnisse sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert.
What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity tZ.ai GLM-5.3 benchmark comparison against Anthropic Mythos 5 and OpenAI GPT-5.6 Sol on CyberGym and ExploitBench.
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity t. Article summary: On August 14, 2026, Zhipu AI (now branding as **Z.ai**) launched **GLM-5.3**, a 740-billion-parameter open-weight model that delivers roughly 50% better coding performance than GLM-5.2 and unexpectedly strong emergent cy. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
openai.com
Am 14. August 2026 hat Zhipu AI, das international nun als Z.ai auftritt, GLM-5.3 vorgestellt – ein Open-Weight-Modell mit 740 Milliarden Parametern. Es liefert eine um etwa 50% bessere Code-Leistung als GLM-5.2 und zeigt überraschend starke, emergente Fähigkeiten im Bereich der Cybersicherheit . Das Modell ist so gut darin, Sicherheitslücken zu finden und auszunutzen, dass Z.ai die öffentliche Freigabe der Gewichte um zwei Wochen verschiebt, um zusätzliche Sicherheitstests durchzuführen .
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „Z.ai GLM-5.3: Benchmark-Ergebnisse, Cyber-Fähigkeiten und der Vergleich mit GPT-5.6 Sol und Mythos 5“?
Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Am 14. August 2026 veröffentlichte Z.ai (ehemals Zhipu AI) GLM 5.3, ein Open Weight Modell mit 740 Milliarden Parametern. Das Modell entdeckte bei realen Tests 2.436 bestätigte Schwachstellen in 269 Open Source Projekten, darunter 1.097 mit kritischem oder hohem Schweregrad.
Was soll ich als nächstes in der Praxis tun?
Alle Benchmark Ergebnisse sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert.
Cybersicherheits-Benchmarks im Vergleich zu US-Konkurrenten
Das herausragende Ergebnis von GLM-5.3 erzielt es auf CyberGym, einem Benchmark der UC Berkeley Responsible AI Development Initiative, der testet, ob ein Modell echte Schwachstellen in White-Box-Quellcode identifizieren und validieren kann . Hier erreicht GLM-5.3 84,5% und liegt damit knapp vor Anthropics Mythos 5 (83,8%) und OpenAIs GPT-5.6 Sol (83,6%).
Das Bild ändert sich auf ExploitBench, der ein tieferes Verständnis darüber erfordert, wie eine echte Schwachstelle tatsächlich ausgenutzt werden kann, und einen funktionierenden Exploit verlangt. GLM-5.3 verdoppelt hier die Punktzahl seines Vorgängers von 24,4% auf 54,4%. Z.ai gibt jedoch an, dass Mythos 5 auf ExploitBench 78% und GPT-5.6 Sol 76,5% erreichen – GLM-5.3 liegt bei diesem schwierigeren Maßstab also deutlich zurück .
Auf ExploitGym, das zählt, wie viele Exploit-Aufgaben ein Modell innerhalb eines normalisierten Zwei-Stunden-Budgets abschließen kann, schafft GLM-5.3 105 Aufgaben (gegenüber 29 bei GLM-5.2) . Bei einem Sechs-Stunden-Budget steigt die Zahl auf 130 Aufgaben .
Benchmark
Was wird gemessen?
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
White-Box-Schwachstellenerkennung & -validierung aus Quellcode
84,5%
83,8%
83,6%
ExploitBench
Ursachenanalyse & Lieferung eines funktionierenden Exploits
54,4%
78%
76,5%
ExploitGym (2-Stunden-Budget)
Exploit-Abschlüsse unter normalisiertem Budget
105 Aufgaben
Nicht bekannt gegeben
Nicht bekannt gegeben
Quellen:
Schwachstellenerkennung in der Praxis
Über Benchmarks hinaus wurde GLM-5.3 in realen Sicherheitstests eingesetzt und erzielte dabei beeindruckende Ergebnisse:
2.436 bestätigte Schwachstellen in 269 Open-Source-Projekten, die in einem öffentlichen Z.ai Security Disclosure Ledger erfasst sind .
Davon wurden 1.097 als kritisch oder mit hohem Schweregrad eingestuft.
Das Modell fand Fehler in Software, die bis zu rund 40 Jahre alt ist .
Kurz nach dem Start identifizierte es zudem eine schwerwiegende Sicherheitslücke in Cursor, dem KI-gestützten Code-Editor .
Wichtige Coding- und allgemeine Benchmarks
GLM-5.3 erzielt auch bei Coding- und agentischen Benchmarks starke Werte und positioniert sich als führendes Open-Weight-Modell für Softwareentwicklungsaufgaben:
Terminal-Bench 3.0: 28,3 Punkte – Höchster Wert unter Open-Weight-Modellen und nahe an Anthropics Claude Fable 5 .
DeepSWE v1.1: Sprung von 46,2 auf 66,9.
Z.ai internes Code Bench (Max-Effort): 34,5% (vs. 23,4% bei GLM-5.2) bei etwa 75.000 Output-Tokens pro Aufgabe im Vergleich zu 96.000 .
Agents' Last Exam: Erster Platz unter Open-Weight-Modellen .
World of AI Benchmark Composite: Rang #6 insgesamt mit einem Composite-Wert von 81,3, knapp hinter Kimi K3 (81,5) und vor GPT-5.6 Terra .
FrontierSWE: Erreicht 78,1, ein Anstieg von 67,5 .
SWE-Marathon: Verdoppelt von 19,4 auf 42,5.
Warum die offenen Gewichte verzögert werden
Z.ai erklärt, dass die Cybersicherheitsfähigkeiten des Modells während des Post-Trainings "schneller gewachsen sind als erwartet" . Das Basismodell mit seinen 740 Milliarden Parametern wurde nicht neu trainiert – alle Verbesserungen stammen aus dem Post-Training . Da die Fähigkeit eine überraschende Emergenz war, hält das Unternehmen die Veröffentlichung der Open Weights für zwei Wochen zurück, um die Sicherheitskontrollen zu verstärken . Das Modell ist bereits über die Z.ai-API sowie über Integrationen mit ZCode, Claude Code und OpenCode verfügbar .
Wichtige Einschränkungen
Alle Benchmark-Ergebnisse von GLM-5.3 sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert .
Der Vorsprung auf CyberGym gegenüber Mythos 5 und GPT-5.6 Sol ist gering – weniger als ein Prozentpunkt .
Auf ExploitBench liegt GLM-5.3 mit 54,4% deutlich hinter den US-Konkurrenten (78% für Mythos 5 und 76,5% für GPT-5.6 Sol) .
Zum Vergleich: Ein breiterer Cybersicherheits-Benchmark-Aggregator listet GPT-5.6 Sol mit 84,5% auf CyberGym (auf dem Niveau von GLM-5.3) und Mythos 5 mit 83,8%, während Sol auf ExploitBench mit 73,5% und Mythos 5 mit 78% geführt wird .
x.com
Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber ...
Cybersicherheits-Benchmarks im Vergleich zu US-Konkurrenten
Das herausragende Ergebnis von GLM-5.3 erzielt es auf CyberGym, einem Benchmark der UC Berkeley Responsible AI Development Initiative, der testet, ob ein Modell echte Schwachstellen in White-Box-Quellcode identifizieren und validieren kann . Hier erreicht GLM-5.3 84,5% und liegt damit knapp vor Anthropics Mythos 5 (83,8%) und OpenAIs GPT-5.6 Sol (83,6%).
Das Bild ändert sich auf ExploitBench, der ein tieferes Verständnis darüber erfordert, wie eine echte Schwachstelle tatsächlich ausgenutzt werden kann, und einen funktionierenden Exploit verlangt. GLM-5.3 verdoppelt hier die Punktzahl seines Vorgängers von 24,4% auf 54,4%. Z.ai gibt jedoch an, dass Mythos 5 auf ExploitBench 78% und GPT-5.6 Sol 76,5% erreichen – GLM-5.3 liegt bei diesem schwierigeren Maßstab also deutlich zurück .
Auf ExploitGym, das zählt, wie viele Exploit-Aufgaben ein Modell innerhalb eines normalisierten Zwei-Stunden-Budgets abschließen kann, schafft GLM-5.3 105 Aufgaben (gegenüber 29 bei GLM-5.2) . Bei einem Sechs-Stunden-Budget steigt die Zahl auf 130 Aufgaben .
Benchmark
Was wird gemessen?
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
White-Box-Schwachstellenerkennung & -validierung aus Quellcode
84,5%
83,8%
83,6%
ExploitBench
Ursachenanalyse & Lieferung eines funktionierenden Exploits
54,4%
78%
76,5%
ExploitGym (2-Stunden-Budget)
Exploit-Abschlüsse unter normalisiertem Budget
105 Aufgaben
Nicht bekannt gegeben
Nicht bekannt gegeben
Quellen:
Schwachstellenerkennung in der Praxis
Über Benchmarks hinaus wurde GLM-5.3 in realen Sicherheitstests eingesetzt und erzielte dabei beeindruckende Ergebnisse:
2.436 bestätigte Schwachstellen in 269 Open-Source-Projekten, die in einem öffentlichen Z.ai Security Disclosure Ledger erfasst sind .
Davon wurden 1.097 als kritisch oder mit hohem Schweregrad eingestuft.
Das Modell fand Fehler in Software, die bis zu rund 40 Jahre alt ist .
Kurz nach dem Start identifizierte es zudem eine schwerwiegende Sicherheitslücke in Cursor, dem KI-gestützten Code-Editor .
Wichtige Coding- und allgemeine Benchmarks
GLM-5.3 erzielt auch bei Coding- und agentischen Benchmarks starke Werte und positioniert sich als führendes Open-Weight-Modell für Softwareentwicklungsaufgaben:
Terminal-Bench 3.0: 28,3 Punkte – Höchster Wert unter Open-Weight-Modellen und nahe an Anthropics Claude Fable 5 .
DeepSWE v1.1: Sprung von 46,2 auf 66,9.
Z.ai internes Code Bench (Max-Effort): 34,5% (vs. 23,4% bei GLM-5.2) bei etwa 75.000 Output-Tokens pro Aufgabe im Vergleich zu 96.000 .
Agents' Last Exam: Erster Platz unter Open-Weight-Modellen .
World of AI Benchmark Composite: Rang #6 insgesamt mit einem Composite-Wert von 81,3, knapp hinter Kimi K3 (81,5) und vor GPT-5.6 Terra .
FrontierSWE: Erreicht 78,1, ein Anstieg von 67,5 .
SWE-Marathon: Verdoppelt von 19,4 auf 42,5.
Warum die offenen Gewichte verzögert werden
Z.ai erklärt, dass die Cybersicherheitsfähigkeiten des Modells während des Post-Trainings "schneller gewachsen sind als erwartet" . Das Basismodell mit seinen 740 Milliarden Parametern wurde nicht neu trainiert – alle Verbesserungen stammen aus dem Post-Training . Da die Fähigkeit eine überraschende Emergenz war, hält das Unternehmen die Veröffentlichung der Open Weights für zwei Wochen zurück, um die Sicherheitskontrollen zu verstärken . Das Modell ist bereits über die Z.ai-API sowie über Integrationen mit ZCode, Claude Code und OpenCode verfügbar .
Wichtige Einschränkungen
Alle Benchmark-Ergebnisse von GLM-5.3 sind unternehmenseigene Angaben und wurden noch nicht unabhängig verifiziert .
Der Vorsprung auf CyberGym gegenüber Mythos 5 und GPT-5.6 Sol ist gering – weniger als ein Prozentpunkt .
Auf ExploitBench liegt GLM-5.3 mit 54,4% deutlich hinter den US-Konkurrenten (78% für Mythos 5 und 76,5% für GPT-5.6 Sol) .
Zum Vergleich: Ein breiterer Cybersicherheits-Benchmark-Aggregator listet GPT-5.6 Sol mit 84,5% auf CyberGym (auf dem Niveau von GLM-5.3) und Mythos 5 mit 83,8%, während Sol auf ExploitBench mit 73,5% und Mythos 5 mit 78% geführt wird .
x.com
Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber ...
axios.comChina's latest open-weight model rivals U.S. models at hacking
daily.devGLM-5.3: Frontier Coding with Emergent Cyber Capabilities | daily.dev
techtimes.comGLM-5.3: Post-Training Produced Exploit Chains Z.ai ... - Tech Times
nationpress.comZhipu GLM-5.3 beats Anthropic Mythos 5 on CyberGym benchmark