GLM-5.3: como a Zhipu AI aprimorou a programação de agentes sem aumentar o modelo
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base. O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
Publicado porEditado com GPT-5.6 LunaImagens geradas com GPT Image 1.5
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base.
O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
A empresa posiciona o modelo para fluxos mais longos de engenharia de software, uso de ferramentas e tarefas de agentes de IA, incluindo operar softwares com menos supervisão humana e identificar possíveis vulnerabili...
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.
Prompt de IA
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
A Zhipu AI anunciou o GLM-5.3, um modelo de pesos abertos com 743 bilhões de parâmetros voltado menos para conversas e mais para programação, engenharia de software e tarefas executadas por agentes de IA. A principal aposta da empresa não está em aumentar o tamanho do modelo: o GLM-5.3 usa a mesma escala divulgada para o GLM-5.2 e teria obtido ganhos relevantes sobretudo com pós-treinamento.
Os números mais chamativos são o avanço de cerca de 50% no Z.ai Code Bench, segundo a Zhipu, além das pontuações de 28,3 no Terminal-Bench 3.0 e 66,9 no DeepSWE 1.1. Os resultados apontam para um sistema capaz de lidar com tarefas de programação em várias etapas, e não apenas gerar trechos isolados de código. Ainda assim, são resultados divulgados pela própria empresa e precisam ser conferidos em testes independentes e no uso real.
O salto está no pós-treinamento, não no número de parâmetros
A escala anunciada de 743 bilhões de parâmetros é expressiva, mas a mensagem central da Zhipu é outra: o GLM-5.3 seria uma atualização de capacidade construída principalmente sobre o pós-treinamento, sem a expansão do modelo-base. Na prática, a empresa apresenta o lançamento como um exemplo de como métodos de treinamento mais eficazes podem especializar um modelo já existente.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "GLM-5.3: como a Zhipu AI aprimorou a programação de agentes sem aumentar o modelo"?
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base.
Quais são os pontos-chave para validar primeiro?
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base. O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
O que devo fazer a seguir na prática?
A empresa posiciona o modelo para fluxos mais longos de engenharia de software, uso de ferramentas e tarefas de agentes de IA, incluindo operar softwares com menos supervisão humana e identificar possíveis vulnerabili...
GLM-5.3: como a Zhipu AI aprimorou a programação de agentes sem aumentar o modelo
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base. O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
Publicado porEditado com GPT-5.6 LunaImagens geradas com GPT Image 1.5
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base.
O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
A empresa posiciona o modelo para fluxos mais longos de engenharia de software, uso de ferramentas e tarefas de agentes de IA, incluindo operar softwares com menos supervisão humana e identificar possíveis vulnerabili...
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.
Prompt de IA
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
A Zhipu AI anunciou o GLM-5.3, um modelo de pesos abertos com 743 bilhões de parâmetros voltado menos para conversas e mais para programação, engenharia de software e tarefas executadas por agentes de IA. A principal aposta da empresa não está em aumentar o tamanho do modelo: o GLM-5.3 usa a mesma escala divulgada para o GLM-5.2 e teria obtido ganhos relevantes sobretudo com pós-treinamento.
Os números mais chamativos são o avanço de cerca de 50% no Z.ai Code Bench, segundo a Zhipu, além das pontuações de 28,3 no Terminal-Bench 3.0 e 66,9 no DeepSWE 1.1. Os resultados apontam para um sistema capaz de lidar com tarefas de programação em várias etapas, e não apenas gerar trechos isolados de código. Ainda assim, são resultados divulgados pela própria empresa e precisam ser conferidos em testes independentes e no uso real.
O salto está no pós-treinamento, não no número de parâmetros
A escala anunciada de 743 bilhões de parâmetros é expressiva, mas a mensagem central da Zhipu é outra: o GLM-5.3 seria uma atualização de capacidade construída principalmente sobre o pós-treinamento, sem a expansão do modelo-base. Na prática, a empresa apresenta o lançamento como um exemplo de como métodos de treinamento mais eficazes podem especializar um modelo já existente.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "GLM-5.3: como a Zhipu AI aprimorou a programação de agentes sem aumentar o modelo"?
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base.
Quais são os pontos-chave para validar primeiro?
A Zhipu AI anunciou o GLM 5.3, modelo de 743 bilhões de parâmetros que, segundo a empresa, melhorou cerca de 50% na programação principalmente por meio de pós treinamento, sem ampliar o modelo base. O GLM 5.3 marcou 28,3 no Terminal Bench 3.0 e 66,9 no DeepSWE 1.1, contra 4,6 e 46,2 do GLM 5.2, respectivamente.
O que devo fazer a seguir na prática?
A empresa posiciona o modelo para fluxos mais longos de engenharia de software, uso de ferramentas e tarefas de agentes de IA, incluindo operar softwares com menos supervisão humana e identificar possíveis vulnerabili...
Isso é importante porque aumentar a quantidade de parâmetros não é o único caminho para melhorar um sistema de IA. O pós-treinamento pode influenciar a maneira como o modelo planeja ações, usa ferramentas, segue instruções e persiste diante de fluxos de trabalho complexos.
As fontes disponíveis sustentam a descrição geral da abordagem de treinamento apresentada pela Zhipu, mas não permitem determinar, de forma independente, quanto de cada ganho veio de uma técnica específica de pós-treinamento.
Os maiores ganhos aparecem em tarefas longas de programação
A Zhipu afirma que o GLM-5.3 obteve uma melhoria de aproximadamente 50% sobre o GLM-5.2 no Z.ai Code Bench. Os avanços mais expressivos, porém, aparecem em avaliações que exigem que o modelo execute uma tarefa de software durante várias etapas:
Terminal-Bench 3.0: 28,3 para o GLM-5.3, contra 4,6 para o GLM-5.2.
DeepSWE 1.1: 66,9, contra 46,2 para a geração anterior.
Agents’ Last Exam (CLI): 28,5, contra 23,8 para o modelo anterior.
O Terminal-Bench 3.0 é particularmente relevante para a proposta de programação agentiva porque avalia tarefas que envolvem terminal e shell, em vez de medir apenas respostas estáticas. Já o DeepSWE 1.1 se concentra em desafios de engenharia de software e oferece uma indicação do desempenho em fluxos de desenvolvimento mais completos.
A Zhipu diz que a pontuação de 28,3 no Terminal-Bench foi a maior entre modelos de código aberto no momento do anúncio e ficou à frente do Kimi K3, da Moonshot AI. Como essa é uma classificação informada pela própria empresa, a comparação deve ser analisada levando em conta a versão de cada avaliação, os prompts utilizados e as condições de acesso aos modelos.
Da geração de código a agentes que operam softwares
A direção de produto do GLM-5.3 vai além de sugerir linhas de código. A Zhipu descreve o sistema como capaz de operar softwares, utilizar ferramentas e concluir sequências mais longas de ações com menor intervenção humana.
A diferença é semelhante à que existe entre um assistente que responde a uma dúvida específica e um agente que inspeciona um repositório, executa comandos, identifica falhas, altera arquivos e continua trabalhando até alcançar um objetivo.
Os avanços no Terminal-Bench e no DeepSWE são compatíveis com essa proposta. Mas uma boa pontuação em benchmark, sozinha, não demonstra que o agente será confiável em ambientes de produção desconhecidos, com requisitos ambíguos ou ferramentas diferentes das usadas no teste.
A Zhipu também afirma que o desempenho do GLM-5.3 em programação e tarefas agentivas se aproxima do Claude Fable 5 e que, na prática, o modelo supera outros modelos chineses em tarefas reais de programação. Essas são alegações de posicionamento da empresa, não uma classificação independente definitiva.
Cibersegurança amplia a promessa — e também os riscos
O anúncio relaciona o raciocínio e o uso de ferramentas do GLM-5.3 a aplicações de cibersegurança, incluindo a possibilidade de identificar vulnerabilidades em software. Entre os resultados divulgados está uma pontuação de 84,5% no CyberGym, avaliação que cobre tarefas de descoberta e validação de vulnerabilidades.
Essa capacidade tem natureza de uso dual. As mesmas habilidades de raciocínio e operação de software que podem ajudar equipes de defesa a encontrar falhas também podem tornar comportamentos autônomos inseguros mais impactantes.
Por isso, as evidências permitem descrever a descoberta de vulnerabilidades como uma área de capacidade relatada pela empresa — não como prova de que o GLM-5.3 seja um auditor de segurança confiável ou esteja apto a realizar exploração autônoma de forma segura.
O que o anúncio significa para desenvolvedores
O aspecto mais importante do GLM-5.3 não é apenas a quantidade de parâmetros. É a ênfase da Zhipu no pós-treinamento e em avaliações que medem se um modelo consegue sustentar uma tarefa de software ao longo de várias etapas.
Para quem pretende avaliar o sistema, as perguntas práticas são:
Ele conclui tarefas de ponta a ponta? Teste alterações em repositórios, depuração e fluxos de linha de comando, e não apenas geração de código isolada.
De quanta supervisão ele precisa? Meça como o modelo reage a comandos que falham, requisitos ambíguos e erros de ferramentas.
Os ganhos de benchmark são reproduzíveis? Repita as avaliações com prompts documentados e compare modelos sob as mesmas condições de acesso.
Quais são os limites de segurança? Teste execução de código, tratamento de segredos e solicitações relacionadas a segurança em um ambiente controlado.
O que “pesos abertos” significa na prática? Verifique a disponibilidade dos pesos, a licença e as condições de implantação antes de planejar hospedagem própria ou customização. As informações sobre o acesso no lançamento não foram totalmente consistentes.
Em resumo
O GLM-5.3 é um lançamento de 743 bilhões de parâmetros que, segundo a Zhipu AI, obtém grande parte de seus ganhos por meio de pós-treinamento, e não de um modelo-base maior. A evolução de 4,6 para 28,3 no Terminal-Bench 3.0 e de 46,2 para 66,9 no DeepSWE 1.1 deixa clara a principal aposta do modelo: agentes de programação mais capazes de lidar com tarefas longas de software.
Os resultados justificam uma avaliação mais aprofundada, especialmente em programação com modelos de pesos abertos e fluxos agentivos. Mas continuam sendo alegações reportadas pelo fornecedor. A distância entre um resultado forte em benchmark e uma operação autônoma realmente confiável ainda precisa ser comprovada de forma independente.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
Isso é importante porque aumentar a quantidade de parâmetros não é o único caminho para melhorar um sistema de IA. O pós-treinamento pode influenciar a maneira como o modelo planeja ações, usa ferramentas, segue instruções e persiste diante de fluxos de trabalho complexos.
As fontes disponíveis sustentam a descrição geral da abordagem de treinamento apresentada pela Zhipu, mas não permitem determinar, de forma independente, quanto de cada ganho veio de uma técnica específica de pós-treinamento.
Os maiores ganhos aparecem em tarefas longas de programação
A Zhipu afirma que o GLM-5.3 obteve uma melhoria de aproximadamente 50% sobre o GLM-5.2 no Z.ai Code Bench. Os avanços mais expressivos, porém, aparecem em avaliações que exigem que o modelo execute uma tarefa de software durante várias etapas:
Terminal-Bench 3.0: 28,3 para o GLM-5.3, contra 4,6 para o GLM-5.2.
DeepSWE 1.1: 66,9, contra 46,2 para a geração anterior.
Agents’ Last Exam (CLI): 28,5, contra 23,8 para o modelo anterior.
O Terminal-Bench 3.0 é particularmente relevante para a proposta de programação agentiva porque avalia tarefas que envolvem terminal e shell, em vez de medir apenas respostas estáticas. Já o DeepSWE 1.1 se concentra em desafios de engenharia de software e oferece uma indicação do desempenho em fluxos de desenvolvimento mais completos.
A Zhipu diz que a pontuação de 28,3 no Terminal-Bench foi a maior entre modelos de código aberto no momento do anúncio e ficou à frente do Kimi K3, da Moonshot AI. Como essa é uma classificação informada pela própria empresa, a comparação deve ser analisada levando em conta a versão de cada avaliação, os prompts utilizados e as condições de acesso aos modelos.
Da geração de código a agentes que operam softwares
A direção de produto do GLM-5.3 vai além de sugerir linhas de código. A Zhipu descreve o sistema como capaz de operar softwares, utilizar ferramentas e concluir sequências mais longas de ações com menor intervenção humana.
A diferença é semelhante à que existe entre um assistente que responde a uma dúvida específica e um agente que inspeciona um repositório, executa comandos, identifica falhas, altera arquivos e continua trabalhando até alcançar um objetivo.
Os avanços no Terminal-Bench e no DeepSWE são compatíveis com essa proposta. Mas uma boa pontuação em benchmark, sozinha, não demonstra que o agente será confiável em ambientes de produção desconhecidos, com requisitos ambíguos ou ferramentas diferentes das usadas no teste.
A Zhipu também afirma que o desempenho do GLM-5.3 em programação e tarefas agentivas se aproxima do Claude Fable 5 e que, na prática, o modelo supera outros modelos chineses em tarefas reais de programação. Essas são alegações de posicionamento da empresa, não uma classificação independente definitiva.
Cibersegurança amplia a promessa — e também os riscos
O anúncio relaciona o raciocínio e o uso de ferramentas do GLM-5.3 a aplicações de cibersegurança, incluindo a possibilidade de identificar vulnerabilidades em software. Entre os resultados divulgados está uma pontuação de 84,5% no CyberGym, avaliação que cobre tarefas de descoberta e validação de vulnerabilidades.
Essa capacidade tem natureza de uso dual. As mesmas habilidades de raciocínio e operação de software que podem ajudar equipes de defesa a encontrar falhas também podem tornar comportamentos autônomos inseguros mais impactantes.
Por isso, as evidências permitem descrever a descoberta de vulnerabilidades como uma área de capacidade relatada pela empresa — não como prova de que o GLM-5.3 seja um auditor de segurança confiável ou esteja apto a realizar exploração autônoma de forma segura.
O que o anúncio significa para desenvolvedores
O aspecto mais importante do GLM-5.3 não é apenas a quantidade de parâmetros. É a ênfase da Zhipu no pós-treinamento e em avaliações que medem se um modelo consegue sustentar uma tarefa de software ao longo de várias etapas.
Para quem pretende avaliar o sistema, as perguntas práticas são:
Ele conclui tarefas de ponta a ponta? Teste alterações em repositórios, depuração e fluxos de linha de comando, e não apenas geração de código isolada.
De quanta supervisão ele precisa? Meça como o modelo reage a comandos que falham, requisitos ambíguos e erros de ferramentas.
Os ganhos de benchmark são reproduzíveis? Repita as avaliações com prompts documentados e compare modelos sob as mesmas condições de acesso.
Quais são os limites de segurança? Teste execução de código, tratamento de segredos e solicitações relacionadas a segurança em um ambiente controlado.
O que “pesos abertos” significa na prática? Verifique a disponibilidade dos pesos, a licença e as condições de implantação antes de planejar hospedagem própria ou customização. As informações sobre o acesso no lançamento não foram totalmente consistentes.
Em resumo
O GLM-5.3 é um lançamento de 743 bilhões de parâmetros que, segundo a Zhipu AI, obtém grande parte de seus ganhos por meio de pós-treinamento, e não de um modelo-base maior. A evolução de 4,6 para 28,3 no Terminal-Bench 3.0 e de 46,2 para 66,9 no DeepSWE 1.1 deixa clara a principal aposta do modelo: agentes de programação mais capazes de lidar com tarefas longas de software.
Os resultados justificam uma avaliação mais aprofundada, especialmente em programação com modelos de pesos abertos e fluxos agentivos. Mas continuam sendo alegações reportadas pelo fornecedor. A distância entre um resultado forte em benchmark e uma operação autônoma realmente confiável ainda precisa ser comprovada de forma independente.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
