GLM-5.3 vs GLM-5.2: Apa yang Ditingkatkan Model Coding Baru Z.ai?

GLM-5.3 merupakan model terbaru Z.ai untuk coding dan pekerjaan berbasis agen. Model ini ditujukan untuk rekayasa perangkat lunak yang kompleks, debugging mendalam, serta tugas yang harus dikerjakan melalui banyak langkah secara berkelanjutan. Z.ai mencantumkan jendela konteks 1 juta token dan menyebut GLM-5.3 lebih kuat untuk tugas kompleks jangka panjang dibandingkan pendahulunya, GLM-5.2.

Daya tarik utamanya bukan sekadar skor yang lebih tinggi pada tes coding konvensional. Z.ai mengklaim GLM-5.3 mengalami peningkatan 50% pada benchmark internal Z.ai Code Bench dan mencapai performa state of the art di antara model sumber terbuka pada evaluasi publik, termasuk Terminal-Bench 3.0 dan Agents’ Last Exam (CLI).

Perbandingan benchmark GLM-5.3 dan GLM-5.2

Perbandingan resmi yang paling jelas adalah klaim peningkatan 50% pada Z.ai Code Bench. Sementara itu, angka berikut berasal dari laporan pihak ketiga yang membandingkan sejumlah benchmark publik:

Benchmark	GLM-5.2	GLM-5.3	Makna hasil yang dilaporkan
Terminal-Bench 3.0	4,6%	28,3%	Jauh lebih kuat dalam tugas command line bertahap
DeepSWE v1.1	46,2%	66,9%	Performa lebih baik pada tugas rekayasa perangkat lunak
Agents’ Last Exam (CLI)	23,8%	28,5%	Peningkatan dalam pekerjaan agen yang memakai alat
CyberGym	77,2%	84,5%	Kemampuan menemukan kerentanan lebih tinggi
ExploitBench	24,4%	54,4%	Skor yang dilaporkan lebih dari dua kali lipat

Angka-angka ini perlu dibaca sebagai hasil yang dilaporkan, bukan pengukuran yang sudah dikonfirmasi secara independen. Perbandingan terperinci tersebut berasal dari unggahan pihak ketiga di X, sedangkan dokumentasi resmi Z.ai mengonfirmasi klaim umum terkait coding, benchmark tugas jangka panjang, dan keamanan siber tanpa memuat kembali seluruh angka dalam tabel tersebut.

Mengapa Terminal-Bench 3.0 penting?

Kenaikan yang dilaporkan dari 4,6% menjadi 28,3% pada Terminal-Bench 3.0 merupakan perbedaan paling mencolok dalam tabel perbandingan. Benchmark ini relevan untuk agen coding karena menguji pekerjaan melalui lingkungan command line. Model biasanya harus menggunakan alat, memeriksa kondisi sistem, membuat perubahan, lalu melanjutkan ke tahap berikutnya—bukan hanya menghasilkan satu potongan kode yang berdiri sendiri.

Hasil tersebut mendukung gambaran bahwa GLM-5.3 jauh lebih kuat pada pengujian ini. Namun, skor benchmark tidak membuktikan bahwa model akan selalu mengungguli GLM-5.2 pada setiap repositori atau alur kerja pengembangan di dunia nyata.

Fokus pada coding dan tugas agen jangka panjang

GLM-5.3 dirancang untuk pekerjaan rekayasa yang berkelanjutan: menyusun rencana, mengimplementasikan solusi, melakukan debugging, dan mengulang proses berdasarkan hasil sebelumnya dalam konteks proyek yang lebih besar. Z.ai mencantumkan jendela konteks 1 juta token dan secara khusus memosisikan model ini untuk tugas kompleks jangka panjang.

Fokus tersebut membedakan GLM-5.3 dari pembaruan model yang hanya ditujukan untuk menjawab prompt coding singkat. Z.ai melaporkan performa state of the art di antara model sumber terbuka pada Terminal-Bench 3.0 dan Agents’ Last Exam (CLI), serta peningkatan 50% dibandingkan GLM-5.2 pada Code Bench internalnya.

Dalam praktiknya, ini berarti GLM-5.3 dirancang untuk mempertahankan dan memanfaatkan lebih banyak konteks proyek sambil menjalankan tugas melalui lebih banyak tahapan. Meski begitu, benchmark saja belum dapat memastikan keandalan, biaya, latensi, atau kualitas eksekusi alat dalam lingkungan coding tertentu.

Tim yang hendak bermigrasi sebaiknya mengujinya pada repositori dan alur kerja yang representatif. Kenaikan skor benchmark tidak boleh langsung diasumsikan berpindah secara utuh ke sistem produksi.

Kemampuan keamanan siber ikut meningkat

Z.ai menyatakan GLM-5.3 mencatat hasil terbaiknya sejauh ini pada benchmark CyberGym untuk penemuan kerentanan. Perusahaan itu juga mengatakan kemampuan model dalam mengeksploitasi kerentanan melampaui dua kali hasil GLM-5.2.

Tabel pihak ketiga melaporkan skor CyberGym meningkat dari 77,2% menjadi 84,5%, sedangkan ExploitBench naik dari 24,4% menjadi 54,4%. Angka persis tersebut belum diverifikasi secara independen melalui materi resmi yang tersedia, sehingga lebih tepat diperlakukan sebagai klaim peluncuran yang dilaporkan, bukan sebagai patokan industri yang sudah final.

Hasil keamanan siber ini penting karena dua alasan. Pertama, peningkatan kemampuan agen tampaknya tidak hanya berlaku untuk menulis kode aplikasi, tetapi juga untuk menemukan dan menganalisis kelemahan. Kedua, hasil tersebut menegaskan perlunya evaluasi keamanan sebelum model digunakan secara luas.

Model yang lebih mampu menemukan dan mengeksploitasi kerentanan dapat membantu pekerjaan keamanan defensif, tetapi juga berpotensi meningkatkan risiko penyalahgunaan jika diterapkan tanpa pembatasan dan pengawasan yang sesuai.

Perubahan teknis yang diklaim Z.ai

Z.ai mengaitkan peningkatan GLM-5.3 terutama dengan perluasan post-training. Menurut perusahaan, lingkungan tugas yang digunakan dalam proses tersebut diperbesar dan dibuat lebih menyerupai alur kerja rekayasa serta riset nyata yang berlangsung berhari-hari, bukan sekadar latihan coding singkat yang berdiri sendiri.

Dengan kata lain, peningkatan yang dilaporkan dipresentasikan sebagai hasil perubahan pada proses pelatihan lanjutan dan lingkungan tugas—bukan sekadar akibat jendela konteks yang lebih besar atau arsitektur dasar baru yang dijelaskan secara terperinci.

Pendekatan ini membantu menjelaskan mengapa peningkatan terbesar muncul pada evaluasi tugas jangka panjang dan pekerjaan berbasis agen. Proses post-training tersebut diarahkan untuk mengajarkan model menyusun rencana, menggunakan alat, memulihkan diri dari kegagalan, dan meneruskan pekerjaan yang panjang.

Namun, penjelasan itu tetap merupakan keterangan dari Z.ai. Pengujian independen masih diperlukan untuk mengetahui seberapa jauh peningkatan tersebut berlaku pada model, harness, prompt, dan proyek perangkat lunak yang berbeda.

Ketersediaan dan jadwal rilis bobot model

GLM-5.3 tersedia melalui GLM Coding Plan milik Z.ai, yang mendukung model ini pada paket yang tercantum, serta melalui lingkungan pengembangan ZCode.

Berdasarkan bukti yang tersedia, bobot model belum dirilis. Laporan pihak ketiga menyebut Z.ai memperkirakan bobot tersebut akan diterbitkan sekitar dua minggu setelah peluncuran pada 14 Agustus 2026, setelah evaluasi keamanan tambahan. Artinya, rilis diperkirakan sekitar akhir Agustus 2026, tetapi waktunya masih tentatif dan bukan tanggal resmi yang telah dikonfirmasi.

Bagi pengembang, perbedaan antara akses dan reproduktibilitas menjadi hal penting. GLM-5.3 sudah dapat dicoba melalui produk coding yang didukung Z.ai, tetapi hasil peluncuran yang terperinci belum sepenuhnya dapat direproduksi secara lokal dengan bobot yang disebutkan dalam sumber-sumber tersebut.

Kesimpulan

GLM-5.3 tampak sebagai peningkatan yang diarahkan secara khusus untuk agen coding, bukan sekadar perubahan nomor versi. Z.ai melaporkan peningkatan 50% pada benchmark coding internal, hasil yang lebih kuat pada evaluasi agen jangka panjang, serta kemajuan signifikan dalam benchmark keamanan siber dibandingkan GLM-5.2.

Catatan terpenting menyangkut kualitas buktinya. Z.ai mengonfirmasi arah peningkatan tersebut, sementara perbandingan angka benchmark publik yang terperinci dan jadwal rilis bobot sekitar dua minggu berasal dari laporan pihak ketiga dan masih menunggu verifikasi independen.

Sebelum pengujian yang lebih luas dan rilis bobot tersedia, GLM-5.3 paling tepat dipahami sebagai peningkatan agen coding yang menjanjikan dan sudah dapat diakses melalui produk Z.ai—bukan sebagai model terbuka yang sepenuhnya dapat direproduksi secara independen.