Z.ai GLM-5.3: Benchmark-Ergebnisse, Cyber-Fähigkeiten und der Vergleich mit GPT-5.6 Sol und Mythos 5

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 .

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 .