GLM-5.3 mot GLM-5.2: Dette er nytt i Z.ai-modellen

GLM-5.3 er Z.ai’s nyeste modell for programmering og AI-agenter. Den er laget for større programvareprosjekter, krevende feilsøking og oppgaver som må løses over mange trinn – ikke bare for å skrive et kort kodeeksempel.

Z.ai oppgir et kontekstvindu på 1 million token og beskriver modellen som sterkere enn GLM-5.2 på langsiktige og komplekse oppgaver.

Det mest interessante er derfor ikke nødvendigvis en enkelt toppscore. Spørsmålet er om GLM-5.3 klarer å holde oversikt over et helt prosjekt, bruke verktøy, rette feil og fortsette arbeidet uten å miste tråden.

GLM-5.3 mot GLM-5.2: benchmark-resultatene

Z.ai’s tydeligste offisielle påstand er at GLM-5.3 gir en forbedring på 50 prosent over GLM-5.2 i selskapets interne Z.ai Code Bench. For offentlige tester viser materialet følgende tall fra en tredjepartsrapport:

Benchmark	GLM-5.2	GLM-5.3	Hva tallene kan tyde på
Terminal-Bench 3.0	4,6 %	28,3 %	Mye bedre resultat på langvarige oppgaver i kommandolinjen
DeepSWE v1.1	46,2 %	66,9 %	Bedre ytelse på programvareutvikling
Agents’ Last Exam (CLI)	23,8 %	28,5 %	Fremgang i verktøybrukende agentoppgaver
CyberGym	77,2 %	84,5 %	Høyere ytelse ved oppdagelse av sårbarheter
ExploitBench	24,4 %	54,4 %	Mer enn dobbelt så høy rapportert score som GLM-5.2

Tallene bør leses med et forbehold. Den detaljerte sammenligningen kommer fra et innlegg på X, mens Z.ai’s egne dokumenter bekrefter de overordnede påstandene om bedre programmering, langsiktige benchmark-tester og cybersikkerhet – men ikke alle tallene i tabellen.

Derfor er Terminal-Bench 3.0 interessant

Hoppet fra 4,6 til 28,3 prosent i Terminal-Bench 3.0 er den mest dramatiske forskjellen i oversikten. Testen er relevant for kodeagenter fordi den foregår i et kommandolinjemiljø. Modellen må normalt undersøke systemet, bruke verktøy, gjøre endringer og ta flere steg før oppgaven er ferdig.

Det støtter beskrivelsen av GLM-5.3 som vesentlig sterkere i akkurat denne typen arbeid. Det er likevel ikke et bevis på at modellen vil slå GLM-5.2 på alle kodebaser eller i alle utviklingsmiljøer.

En modell for arbeid som varer lenger enn én prompt

GLM-5.3 er rettet mot en mer vedvarende type utviklingsarbeid: planlegging, implementering, feilsøking og gjentatte endringer i et større prosjekt. Z.ai fremhever både kontekstvinduet på 1 million token og bedre resultater på langsiktige, komplekse oppgaver.

Selskapet oppgir også at modellen har oppnådd såkalt «state of the art» blant åpen kildekode-modeller i Terminal-Bench 3.0 og Agents’ Last Exam (CLI). Samtidig viser den interne Code Bench-sammenligningen en forbedring på 50 prosent over GLM-5.2.

I praksis betyr det at modellen er ment å kunne beholde og utnytte mer prosjektkontekst mens den arbeider seg gjennom flere steg. Benchmark-resultater sier imidlertid lite alene om stabilitet, pris, responstid eller hvor godt verktøyene fungerer i et bestemt utviklingsoppsett.

For team som vurderer å bytte modell, er det derfor klokt å teste egne kodebaser og arbeidsflyter. Et stort løft i en benchmark trenger ikke å gi det samme løftet i produksjon.

Også bedre på cybersikkerhet

Z.ai sier at GLM-5.3 har selskapets beste resultat hittil i CyberGym, en test av hvor godt en modell kan oppdage sårbarheter. Z.ai oppgir også at modellen presterer mer enn dobbelt så godt som GLM-5.2 på sårbarhetsutnyttelse.

Tredjepartsoversikten rapporterer en økning i CyberGym fra 77,2 til 84,5 prosent og i ExploitBench fra 24,4 til 54,4 prosent. De nøyaktige tallene er ikke uavhengig bekreftet i det offisielle materialet som er tilgjengelig her, og bør derfor behandles som rapporterte lanseringspåstander – ikke som endelig etablerte bransjemålinger.

Resultatene har en dobbel betydning. De kan tyde på at agentforbedringene også gjelder sikkerhetsanalyse, ikke bare vanlig applikasjonskode. Samtidig øker behovet for grundige sikkerhetstester før bred utrulling. En modell som er bedre til å finne og utnytte sårbarheter, kan være nyttig i defensivt sikkerhetsarbeid, men kan også gi større misbruksrisiko uten gode kontrollmekanismer.

Hva endret seg teknisk?

Z.ai tilskriver i hovedsak forbedringene til oppskalert ettertrening. Selskapet sier at det har utvidet oppgavemiljøene som brukes i treningen, slik at de i større grad ligner virkelige utviklings- og forskningsprosjekter som går over flere dager – i stedet for korte, avgrensede kodeoppgaver.

Med andre ord presenteres fremgangen først og fremst som et resultat av trening og miljø, ikke bare av et større kontekstvindu eller en ny grunnarkitektur. Det kan forklare hvorfor de største rapporterte forbedringene kommer i tester av langsiktig og agentbasert arbeid.

Målet med ettertreningen skal være å lære modellen å planlegge, bruke verktøy, hente seg inn etter feil og fortsette gjennom lange oppgaveløp.

Dette er likevel Z.ai’s egen forklaring. Uavhengige tester må vise hvor mye av forbedringen som faktisk overføres til andre modeller, verktøyoppsett, instrukser og programvareprosjekter.

Tilgjengelig nå – men modellvektene mangler

GLM-5.3 er tilgjengelig gjennom Z.ai’s GLM Coding Plan, som støtter modellen på de oppgitte planene, og i utviklingsmiljøet ZCode.

De åpne modellvektene var ikke tilgjengelige i kildematerialet. En tredjepartsrapport sa at Z.ai ventet å publisere dem omtrent to uker etter lanseringen 14. august 2026, etter ytterligere sikkerhetsevaluering. Det peker mot slutten av august 2026, men er ikke en bekreftet dato.

For utviklere er forskjellen mellom tilgang og etterprøvbarhet viktig: GLM-5.3 kan prøves gjennom Z.ai’s egne kodeprodukter, men lanseringens detaljerte resultater kan foreløpig ikke gjenskapes fullt ut lokalt med modellvekter fra kildene som er oppgitt her.

Konklusjonen

GLM-5.3 fremstår som en målrettet oppgradering for kodeagenter, ikke bare en vanlig modelloppdatering. Z.ai rapporterer 50 prosent forbedring i sin interne kodebenchmark, bedre resultater på oppgaver som går over mange trinn, og betydelig fremgang innen cybersikkerhet sammenlignet med GLM-5.2.

Det viktigste forbeholdet handler om dokumentasjonen. Z.ai bekrefter retningen på forbedringene, mens flere av de presise offentlige sammenligningene og tidsplanen for modellvektene kommer fra tredjepartsrapportering og fortsatt må verifiseres uavhengig.

Inntil bredere testing og åpne modellvekter er tilgjengelige, er GLM-5.3 best forstått som en lovende og tilgjengelig oppgradering for kodeagenter – men ikke ennå som en fullt etterprøvbar, åpen modell.