GLM-5.3 soll mit 743 Milliarden Parametern den nächsten Schritt beim Agentic Coding machen

Zhipu zufolge hat sich die Coding-Leistung von GLM-5.3 gegenüber GLM-5.2 im Z.ai Code Bench um etwa 50 Prozent verbessert. Die größten Abstände zeigen sich jedoch bei Tests, die ein Modell über mehrere Schritte hinweg an einer Softwareaufgabe arbeiten lassen:

• Terminal-Bench 3.0: 28,3 Punkte für GLM-5.3 gegenüber 4,6 für GLM-5.2.
• DeepSWE 1.1: 66,9 gegenüber 46,2.
• Agents’ Last Exam (CLI): 28,5 gegenüber 23,8 beim Vorgängermodell.

Terminal-Bench 3.0 ist für den Anspruch des „agentic coding“ besonders interessant. Der Test bewertet nicht nur statische Antworten, sondern auch Softwarearbeit über Terminal- und Shell-Interaktionen. DeepSWE 1.1 konzentriert sich auf Software-Engineering-Aufgaben und soll damit eher vollständige Entwicklungsabläufe abbilden.

Zhipu bezeichnet die 28,3 Punkte auf Terminal-Bench 3.0 als den höchsten Wert eines Open-Source-Modells zum Zeitpunkt der Ankündigung und als Ergebnis vor Moonshot AIs Kimi K3. Diese Einordnung stammt jedoch vom Unternehmen selbst. Für belastbare Vergleiche müssen auch Benchmark-Version, Prompts, Modellzugang und Testbedingungen übereinstimmen.

Vom Code-Vorschlag zum Software-Agenten

Hinter GLM-5.3 steht die Idee eines Systems, das nicht nur auf eine eng umrissene Programmierfrage antwortet. Zhipu beschreibt das Modell als fähig, Software zu bedienen, Werkzeuge einzusetzen und längere Aktionsketten mit weniger menschlicher Anleitung abzuarbeiten.

Der Unterschied ist praktisch erheblich: Ein herkömmlicher Coding-Assistent liefert etwa eine Funktion oder erklärt eine Fehlermeldung. Ein Software-Agent könnte dagegen ein Repository untersuchen, Befehle ausführen, Fehler analysieren, Dateien ändern und anschließend selbstständig weiterarbeiten.

Die Verbesserungen auf Terminal-Bench und DeepSWE passen zu dieser Ausrichtung. Ein Benchmark-Wert allein zeigt aber noch nicht, ob ein Agent in unbekannten Produktionsumgebungen zuverlässig, nachvollziehbar und sicher handelt.

Zhipu erklärt außerdem, die Coding- und Agentenleistung von GLM-5.3 nähere sich Claude Fable 5 an. Zugleich positioniert das Unternehmen das Modell für praktische Coding-Aufgaben als stärker als andere chinesische Modelle. Beides sind Herstellerangaben und kein unabhängiges, abschließendes Ranking.

Auch Cybersicherheit gehört zum Leistungsversprechen

Zhipu verbindet die verbesserten Fähigkeiten beim Schlussfolgern und bei der Tool-Nutzung zudem mit Anwendungen in der Cybersicherheit. Dazu gehört laut den veröffentlichten Angaben die Möglichkeit, Schwachstellen in Software zu identifizieren. Im CyberGym-Test soll GLM-5.3 bei Aufgaben zur Entdeckung und Validierung von Schwachstellen 84,5 Prozent erreicht haben.

Diese Fähigkeit ist eindeutig dual-use: Die gleichen Funktionen, die Verteidiger beim Auffinden von Sicherheitslücken unterstützen können, könnten auch riskantes autonomes Verhalten wirkungsvoller machen.

Die vorliegenden Informationen rechtfertigen daher die Beschreibung von Schwachstellensuche als gemeldetem Einsatzbereich – nicht aber die Aussage, GLM-5.3 sei bereits ein verlässlicher Sicherheitsauditor oder könne sicher autonom Exploits ausführen.

Was Entwickler jetzt prüfen sollten

Die zentrale Aussage von GLM-5.3 ist nicht allein die Zahl von 743 Milliarden Parametern. Entscheidend ist Zhipus Fokus auf Post-Training und auf Tests, die zeigen sollen, ob ein Modell eine Softwareaufgabe über mehrere Schritte hinweg durchhält.

Wer GLM-5.3 für den eigenen Einsatz bewertet, sollte insbesondere folgende Fragen stellen:

1. Schafft das Modell komplette Aufgaben? Getestet werden sollten Änderungen an Repositories, Debugging und Kommandozeilen-Workflows – nicht nur die Erzeugung einzelner Code-Snippets.
2. Wie viel Überwachung ist nötig? Wichtig ist, wie das Modell mit fehlgeschlagenen Befehlen, unklaren Anforderungen und Tool-Fehlern umgeht.
3. Sind die Benchmark-Gewinne reproduzierbar? Idealerweise werden die Tests mit dokumentierten Prompts und identischen Zugangsbedingungen wiederholt.
4. Wo liegen die Sicherheitsgrenzen? Codeausführung, Umgang mit Geheimnissen und sicherheitsbezogene Anfragen sollten nur in kontrollierten Umgebungen geprüft werden.
5. Was bedeutet „Open Weights“ konkret? Vor einer Planung von Self-Hosting oder Anpassungen sollten Verfügbarkeit, Lizenz und Einsatzbedingungen der Gewichte bestätigt werden. Zur tatsächlichen Bereitstellung gab es rund um den Release widersprüchliche Angaben.

Fazit

GLM-5.3 ist ein Modell mit 743 Milliarden Parametern, bei dem Zhipu AI einen großen Teil des Leistungszuwachses auf Post-Training statt auf ein größeres Basismodell zurückführt. Der Sprung von 4,6 auf 28,3 bei Terminal-Bench 3.0 und von 46,2 auf 66,9 bei DeepSWE 1.1 macht die Stoßrichtung klar: Zhipu will leistungsfähigere Coding-Agenten bauen, die längere Softwareaufgaben bearbeiten können.

Die Ergebnisse sind bemerkenswert genug, um GLM-5.3 bei Open-Model-Coding und Agenten-Workflows genauer zu testen. Sie bleiben jedoch zunächst vor allem vom Anbieter gemeldete Resultate. Ob aus starken Benchmark-Werten tatsächlich zuverlässiges autonomes Arbeiten wird, muss sich erst durch unabhängige Überprüfungen und den Einsatz in der Praxis zeigen.