GLM-5.3 开源权重发布

Z.ai 发布了 GLM-5.3 的权重，这是一个专门针对智能体编程（agentic coding）和网络防御进行优化的高能力模型。该模型现在可以通过 Hugging Face 进行下载、本地运行和定制。

后训练提升与架构

GLM-5.3 的性能提升主要通过后训练（post-training）而非新的预训练过程实现。它使用了与 GLM-5.2 相同的基座模型，这表明训练轨迹、验证器（verifiers）和训练环境的改进对于模型能力而言，与初始预训练阶段的规模同样关键。

用户注意到，与前代模型相比，模型尺寸显著减小。GLM-5.3 的未量化版本约为 756 GB，大约是 GLM-5.2 的 1.51 TB 的一半，这表明权重经过了实质性的优化。

GLM-5.3 被定位为技术任务的“主力军”，用户报告称，与 DeepSeek-V4-Flash 等其他开源权重模型相比，它在解决复杂问题时表现出极高的直觉和有效性。

智能体编程： 用户报告称，该模型在编程流水线中作为执行者（implementer）的能力非常强，通常与其他模型（如 Kimi）配合作为规划者（planner）。
网络安全： 该模型专为网络防御设计，尽管一些社区成员对通过微调该模型来扩展其攻击性网络安全能力的可能性表示了担忧。
与闭源模型的对比： 一些用户将使用 GLM-5.3 的体验与使用 Claude Opus 4.8 进行对比，并指出其周密性和深思熟虑的思考过程。

本地运行 GLM-5.3 需要大量的硬件资源。社区讨论表明，一个 4-bit 量化版本可能可以在配备 512 GB 统一内存的 Mac M5 Ultra 上运行。

为了提高普及度，Unsloth AI 发布了 GLM-5.3 的 GGUF 量化版本，允许硬件配置较低的用户在本地运行该模型。

虽然完整的 GLM-5.3 模型是一个强大的通用工具，但 GLM-5.3-Flash 变体因其效率和特定优势而受到了广泛关注：

UI 生成： 用户报告称，Flash 版本在创建美观的用户界面方面表现更好。
延迟与成本： 在与 DeepSeek-V4-Flash 的直接对比测试中，GLM-5.3-Flash 展示了更低的延迟（特定任务下为 108s 对比 154s），尽管 DeepSeek 在成本效益方面仍略占优势。
视觉能力： 标准版 GLM-5.3 模型的一个显著局限是缺乏视觉能力，而 Flash 版本具备该能力。

GLM-5.3 已从 MIT 许可协议转为半非商业许可协议，这与 Qwen 和 MiniMax 等其他主要中国 LLM 发布所采用的许可模式一致。