지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다. GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다.
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다.
GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다. GLM 5.2의 점수는 각각 4.6점과 46.2점이었다.
지푸 AI는 이 모델을 단순한 코드 생성기가 아니라 터미널과 도구를 사용해 장시간 소프트웨어 작업을 수행하는 AI 에이전트로 포지셔닝하고 있다.
What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-paraAI-generated illustration for Zhipu AI’s GLM-5.3 announcement.
AI 프롬프트
Create a landscape editorial hero image for this Studio Global article: What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-para. Article summary: Zhipu AI announced GLM-5.3, a 743-billion-parameter open-weights foundation model positioned as a major capability upgrade achieved primarily through post-training rather than a larger base model. The company says it sub. Topic tags: general, documentation, general web, user generated. 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,
openai.com
지푸 AI(Zhipu AI)가 GLM-5.3을 공개했다. 이 모델은 7430억 개 파라미터 규모의 오픈 웨이트 기반 모델로, 일반적인 대화형 챗봇보다 코딩과 소프트웨어 엔지니어링, 도구를 활용하는 AI 에이전트 작업에 초점을 맞췄다. 지푸 AI의 핵심 주장은 모델 규모를 키우기보다 후속 학습(post-training)을 강화해 GLM-5.2보다 장기적인 코딩 및 도구 사용 성능을 크게 높였다는 것이다.
지푸 AI가 내세운 대표 수치는 자체 Z.ai Code Bench에서의 약 50% 성능 향상, Terminal-Bench 3.0 28.3점, DeepSWE 1.1 66.9점이다. 이는 한두 줄의 코드 조각을 생성하는 능력보다 저장소를 살펴보고 명령어를 실행하며 오류를 수정하는 다단계 개발 업무를 겨냥한 결과로 해석할 수 있다. 다만 현재 공개된 수치는 대부분 회사가 제시한 결과인 만큼, 실제 개발 환경에서의 재현성과 안정성은 별도 검증이 필요하다.
핵심 변화는 모델 크기가 아니라 후속 학습
GLM-5.3의 7430억 개 파라미터 규모가 주목받는 이유는 지푸 AI가 GLM-5.2와 같은 기반 모델 규모를 유지한 채 성능 개선을 이뤘다고 설명하기 때문이다. 즉 이번 발표는 더 큰 모델을 새로 만드는 대신, 기존 기반 모델이 계획을 세우고 도구를 사용하며 복잡한 작업을 끝까지 수행하는 방식을 후속 학습으로 다듬었다는 의미에 가깝다.
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
"GLM-5.3, 7430억 개 파라미터로 장기 코딩 에이전트 겨냥"에 대한 짧은 대답은 무엇입니까?
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다.
먼저 검증할 핵심 포인트는 무엇인가요?
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다. GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다. GLM 5.2의 점수는 각각 4.6점과 46.2점이었다.
실무에서는 다음으로 무엇을 해야 합니까?
지푸 AI는 이 모델을 단순한 코드 생성기가 아니라 터미널과 도구를 사용해 장시간 소프트웨어 작업을 수행하는 AI 에이전트로 포지셔닝하고 있다.
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다. GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다.
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다.
GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다. GLM 5.2의 점수는 각각 4.6점과 46.2점이었다.
지푸 AI는 이 모델을 단순한 코드 생성기가 아니라 터미널과 도구를 사용해 장시간 소프트웨어 작업을 수행하는 AI 에이전트로 포지셔닝하고 있다.
What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-paraAI-generated illustration for Zhipu AI’s GLM-5.3 announcement.
AI 프롬프트
Create a landscape editorial hero image for this Studio Global article: What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-para. Article summary: Zhipu AI announced GLM-5.3, a 743-billion-parameter open-weights foundation model positioned as a major capability upgrade achieved primarily through post-training rather than a larger base model. The company says it sub. Topic tags: general, documentation, general web, user generated. 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,
openai.com
지푸 AI(Zhipu AI)가 GLM-5.3을 공개했다. 이 모델은 7430억 개 파라미터 규모의 오픈 웨이트 기반 모델로, 일반적인 대화형 챗봇보다 코딩과 소프트웨어 엔지니어링, 도구를 활용하는 AI 에이전트 작업에 초점을 맞췄다. 지푸 AI의 핵심 주장은 모델 규모를 키우기보다 후속 학습(post-training)을 강화해 GLM-5.2보다 장기적인 코딩 및 도구 사용 성능을 크게 높였다는 것이다.
지푸 AI가 내세운 대표 수치는 자체 Z.ai Code Bench에서의 약 50% 성능 향상, Terminal-Bench 3.0 28.3점, DeepSWE 1.1 66.9점이다. 이는 한두 줄의 코드 조각을 생성하는 능력보다 저장소를 살펴보고 명령어를 실행하며 오류를 수정하는 다단계 개발 업무를 겨냥한 결과로 해석할 수 있다. 다만 현재 공개된 수치는 대부분 회사가 제시한 결과인 만큼, 실제 개발 환경에서의 재현성과 안정성은 별도 검증이 필요하다.
핵심 변화는 모델 크기가 아니라 후속 학습
GLM-5.3의 7430억 개 파라미터 규모가 주목받는 이유는 지푸 AI가 GLM-5.2와 같은 기반 모델 규모를 유지한 채 성능 개선을 이뤘다고 설명하기 때문이다. 즉 이번 발표는 더 큰 모델을 새로 만드는 대신, 기존 기반 모델이 계획을 세우고 도구를 사용하며 복잡한 작업을 끝까지 수행하는 방식을 후속 학습으로 다듬었다는 의미에 가깝다.
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
"GLM-5.3, 7430억 개 파라미터로 장기 코딩 에이전트 겨냥"에 대한 짧은 대답은 무엇입니까?
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다.
먼저 검증할 핵심 포인트는 무엇인가요?
지푸 AI는 GLM 5.2와 같은 7430억 개 파라미터 규모를 유지한 GLM 5.3을 공개했으며, 코딩 성능이 주로 후속 학습을 통해 약 50% 향상됐다고 설명했다. GLM 5.3은 Terminal Bench 3.0에서 28.3점, DeepSWE 1.1에서 66.9점을 기록했다. GLM 5.2의 점수는 각각 4.6점과 46.2점이었다.
실무에서는 다음으로 무엇을 해야 합니까?
지푸 AI는 이 모델을 단순한 코드 생성기가 아니라 터미널과 도구를 사용해 장시간 소프트웨어 작업을 수행하는 AI 에이전트로 포지셔닝하고 있다.
이는 대규모 언어 모델의 성능 향상이 파라미터 수에만 달려 있지 않다는 점을 보여주는 사례가 될 수 있다. 후속 학습은 작업 지시를 따르는 방식, 여러 단계에 걸친 추론, 명령어 실행, 실패 이후의 복구 능력 등을 조정하는 데 활용된다. 다만 현재 자료만으로는 특정 후속 학습 기법이 성능 향상에 어느 정도 기여했는지 독립적으로 확인하기 어렵다.
장기 코딩 작업에서 가장 큰 폭의 상승
지푸 AI는 GLM-5.3이 자체 Z.ai Code Bench에서 GLM-5.2보다 코딩 성능이 약 50% 향상됐다고 밝혔다. 특히 모델이 오랜 시간 여러 단계를 거쳐 소프트웨어 작업을 수행해야 하는 평가에서 변화가 두드러졌다.
Terminal-Bench 3.0은 정적인 코드 답변만 평가하는 것이 아니라 터미널과 셸 환경을 활용해 소프트웨어 작업을 수행하는 능력을 측정한다. DeepSWE 1.1 역시 보다 완결된 소프트웨어 엔지니어링 업무에 초점을 둔 평가다. 따라서 두 지표의 상승은 GLM-5.3이 단순 코드 자동완성보다 긴 작업 흐름을 처리하도록 설계됐다는 지푸 AI의 설명과 방향이 맞는다.
지푸 AI는 발표 당시 28.3점이 오픈소스 모델 가운데 가장 높은 결과였으며, 문샷 AI의 Kimi K3보다 앞섰다고 주장했다. 다만 이런 순위는 회사가 보고한 비교인 만큼 평가 버전, 프롬프트, 모델에 제공된 도구와 실행 조건을 함께 살펴봐야 한다.
코드 제안에서 소프트웨어 운영 에이전트로
GLM-5.3이 겨냥하는 제품 방향은 질문에 답하거나 코드 일부를 제안하는 보조 도구를 넘어선다. 지푸 AI는 이 모델이 소프트웨어를 조작하고 도구를 사용하며, 사람의 개입을 줄인 상태에서 긴 작업 순서를 완료할 수 있다고 설명한다.
실제 개발 과정으로 바꿔 말하면, 에이전트가 저장소를 점검하고 명령어를 실행한 뒤 오류 원인을 찾고 파일을 수정하며 목표를 향해 작업을 이어가는 방식이다. Terminal-Bench와 DeepSWE의 성능 향상은 이런 방향성과 일치하지만, 벤치마크 점수만으로 낯선 운영 환경에서도 에이전트가 안정적으로 행동한다고 단정할 수는 없다.
지푸 AI는 GLM-5.3의 코딩 및 에이전트 성능이 Claude Fable 5에 근접했으며, 실제 코딩 업무에서는 다른 중국계 모델보다 실용적인 강점을 보인다고도 주장했다. 이는 지푸 AI의 포지셔닝에 해당하며, 독립적으로 검증된 종합 순위로 받아들여서는 안 된다.
사이버보안 능력은 양날의 검
지푸 AI는 GLM-5.3의 추론 및 도구 사용 능력이 사이버보안 분야에도 활용될 수 있다고 설명했다. 공개적으로 보고된 평가 중에는 소프트웨어 취약점의 발견과 검증 작업을 다루는 CyberGym에서 84.5%를 기록했다는 내용이 포함돼 있다.
이 능력은 방어와 공격 양쪽에 쓰일 수 있는 이중 용도 기술이다. 방어자가 취약점을 찾아내는 데 도움이 되는 소프트웨어 분석 및 운영 능력이, 통제되지 않은 자율 행동에서는 더 큰 위험으로 이어질 가능성도 있다. 현재 근거로 말할 수 있는 것은 GLM-5.3이 취약점 탐지를 하나의 보고된 능력 영역으로 제시했다는 정도다. 신뢰할 수 있는 보안 감사 도구이거나 안전하게 자율적 공격을 수행할 수 있다는 증거는 아니다.
개발자가 확인해야 할 것
GLM-5.3에서 가장 중요한 신호는 파라미터 수 자체가 아니다. 같은 기반 모델 규모를 유지하면서 후속 학습을 통해 여러 단계의 소프트웨어 작업 능력을 끌어올렸다는 점, 그리고 이를 장기 작업 중심의 평가로 보여주려 했다는 점이다.
실제로 도입을 검토하는 개발자라면 다음 항목을 직접 확인할 필요가 있다.
처음부터 끝까지 작업을 완료하는가? 단순 코드 생성보다 저장소 수정, 디버깅, 명령줄 작업을 테스트해야 한다.
사람의 감독이 얼마나 필요한가? 명령어 실패, 모호한 요구사항, 도구 오류에서 얼마나 잘 회복하는지 측정해야 한다.
벤치마크 상승이 재현되는가? 프롬프트와 모델 접근 조건을 문서화한 뒤 같은 평가를 다시 실행해야 한다.
안전 경계는 어디까지인가? 코드 실행, 비밀정보 처리, 보안 관련 요청은 통제된 환경에서 시험해야 한다.
‘오픈 웨이트’가 실제로 무엇을 의미하는가? 자체 호스팅이나 맞춤형 학습을 계획하기 전에 가중치 공개 여부와 라이선스, 배포 조건을 확인해야 한다. 출시 시점의 접근 방식에 대해서는 공개 자료 간 설명이 완전히 일치하지 않았다.
결론
GLM-5.3은 7430억 개 파라미터 규모를 유지하면서 후속 학습을 중심으로 성능을 개선했다고 지푸 AI가 발표한 모델이다. Terminal-Bench 3.0에서 4.6점에서 28.3점으로, DeepSWE 1.1에서 46.2점에서 66.9점으로 상승했다는 수치는 이 모델의 분명한 목표를 보여준다. 더 긴 소프트웨어 작업을 수행하고 터미널과 각종 도구를 활용하는 코딩 에이전트다.
오픈 모델 기반 코딩과 에이전트 개발을 지켜보는 사람이라면 추가 검증을 해볼 만한 결과다. 그러나 강력한 벤치마크 점수와 실제 운영 환경에서 신뢰할 수 있는 자율 실행 능력 사이에는 여전히 간극이 있다. GLM-5.3의 진정한 경쟁력은 독립 평가와 실제 프로젝트에서의 반복 테스트를 거친 뒤에야 판단할 수 있다.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
이는 대규모 언어 모델의 성능 향상이 파라미터 수에만 달려 있지 않다는 점을 보여주는 사례가 될 수 있다. 후속 학습은 작업 지시를 따르는 방식, 여러 단계에 걸친 추론, 명령어 실행, 실패 이후의 복구 능력 등을 조정하는 데 활용된다. 다만 현재 자료만으로는 특정 후속 학습 기법이 성능 향상에 어느 정도 기여했는지 독립적으로 확인하기 어렵다.
장기 코딩 작업에서 가장 큰 폭의 상승
지푸 AI는 GLM-5.3이 자체 Z.ai Code Bench에서 GLM-5.2보다 코딩 성능이 약 50% 향상됐다고 밝혔다. 특히 모델이 오랜 시간 여러 단계를 거쳐 소프트웨어 작업을 수행해야 하는 평가에서 변화가 두드러졌다.
Terminal-Bench 3.0은 정적인 코드 답변만 평가하는 것이 아니라 터미널과 셸 환경을 활용해 소프트웨어 작업을 수행하는 능력을 측정한다. DeepSWE 1.1 역시 보다 완결된 소프트웨어 엔지니어링 업무에 초점을 둔 평가다. 따라서 두 지표의 상승은 GLM-5.3이 단순 코드 자동완성보다 긴 작업 흐름을 처리하도록 설계됐다는 지푸 AI의 설명과 방향이 맞는다.
지푸 AI는 발표 당시 28.3점이 오픈소스 모델 가운데 가장 높은 결과였으며, 문샷 AI의 Kimi K3보다 앞섰다고 주장했다. 다만 이런 순위는 회사가 보고한 비교인 만큼 평가 버전, 프롬프트, 모델에 제공된 도구와 실행 조건을 함께 살펴봐야 한다.
코드 제안에서 소프트웨어 운영 에이전트로
GLM-5.3이 겨냥하는 제품 방향은 질문에 답하거나 코드 일부를 제안하는 보조 도구를 넘어선다. 지푸 AI는 이 모델이 소프트웨어를 조작하고 도구를 사용하며, 사람의 개입을 줄인 상태에서 긴 작업 순서를 완료할 수 있다고 설명한다.
실제 개발 과정으로 바꿔 말하면, 에이전트가 저장소를 점검하고 명령어를 실행한 뒤 오류 원인을 찾고 파일을 수정하며 목표를 향해 작업을 이어가는 방식이다. Terminal-Bench와 DeepSWE의 성능 향상은 이런 방향성과 일치하지만, 벤치마크 점수만으로 낯선 운영 환경에서도 에이전트가 안정적으로 행동한다고 단정할 수는 없다.
지푸 AI는 GLM-5.3의 코딩 및 에이전트 성능이 Claude Fable 5에 근접했으며, 실제 코딩 업무에서는 다른 중국계 모델보다 실용적인 강점을 보인다고도 주장했다. 이는 지푸 AI의 포지셔닝에 해당하며, 독립적으로 검증된 종합 순위로 받아들여서는 안 된다.
사이버보안 능력은 양날의 검
지푸 AI는 GLM-5.3의 추론 및 도구 사용 능력이 사이버보안 분야에도 활용될 수 있다고 설명했다. 공개적으로 보고된 평가 중에는 소프트웨어 취약점의 발견과 검증 작업을 다루는 CyberGym에서 84.5%를 기록했다는 내용이 포함돼 있다.
이 능력은 방어와 공격 양쪽에 쓰일 수 있는 이중 용도 기술이다. 방어자가 취약점을 찾아내는 데 도움이 되는 소프트웨어 분석 및 운영 능력이, 통제되지 않은 자율 행동에서는 더 큰 위험으로 이어질 가능성도 있다. 현재 근거로 말할 수 있는 것은 GLM-5.3이 취약점 탐지를 하나의 보고된 능력 영역으로 제시했다는 정도다. 신뢰할 수 있는 보안 감사 도구이거나 안전하게 자율적 공격을 수행할 수 있다는 증거는 아니다.
개발자가 확인해야 할 것
GLM-5.3에서 가장 중요한 신호는 파라미터 수 자체가 아니다. 같은 기반 모델 규모를 유지하면서 후속 학습을 통해 여러 단계의 소프트웨어 작업 능력을 끌어올렸다는 점, 그리고 이를 장기 작업 중심의 평가로 보여주려 했다는 점이다.
실제로 도입을 검토하는 개발자라면 다음 항목을 직접 확인할 필요가 있다.
처음부터 끝까지 작업을 완료하는가? 단순 코드 생성보다 저장소 수정, 디버깅, 명령줄 작업을 테스트해야 한다.
사람의 감독이 얼마나 필요한가? 명령어 실패, 모호한 요구사항, 도구 오류에서 얼마나 잘 회복하는지 측정해야 한다.
벤치마크 상승이 재현되는가? 프롬프트와 모델 접근 조건을 문서화한 뒤 같은 평가를 다시 실행해야 한다.
안전 경계는 어디까지인가? 코드 실행, 비밀정보 처리, 보안 관련 요청은 통제된 환경에서 시험해야 한다.
‘오픈 웨이트’가 실제로 무엇을 의미하는가? 자체 호스팅이나 맞춤형 학습을 계획하기 전에 가중치 공개 여부와 라이선스, 배포 조건을 확인해야 한다. 출시 시점의 접근 방식에 대해서는 공개 자료 간 설명이 완전히 일치하지 않았다.
결론
GLM-5.3은 7430억 개 파라미터 규모를 유지하면서 후속 학습을 중심으로 성능을 개선했다고 지푸 AI가 발표한 모델이다. Terminal-Bench 3.0에서 4.6점에서 28.3점으로, DeepSWE 1.1에서 46.2점에서 66.9점으로 상승했다는 수치는 이 모델의 분명한 목표를 보여준다. 더 긴 소프트웨어 작업을 수행하고 터미널과 각종 도구를 활용하는 코딩 에이전트다.
오픈 모델 기반 코딩과 에이전트 개발을 지켜보는 사람이라면 추가 검증을 해볼 만한 결과다. 그러나 강력한 벤치마크 점수와 실제 운영 환경에서 신뢰할 수 있는 자율 실행 능력 사이에는 여전히 간극이 있다. GLM-5.3의 진정한 경쟁력은 독립 평가와 실제 프로젝트에서의 반복 테스트를 거친 뒤에야 판단할 수 있다.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
