GLM-5.3 開源權重發佈

GLM-5.3 現已開源權重

Z.ai 已發佈 GLM-5.3 的權重，將其定位為其在代理編碼（agentic coding）和網絡防禦方面最強大的模型。該模型可透過 Hugging Face 下載、進行本地執行和自定義。

技術改進與架構

GLM-5.3 的性能提升主要透過後訓練（post-training）而非新的預訓練運行來實現。它使用了與 GLM-5.2 相同的基礎模型，這表明訓練軌跡、驗證器（verifiers）和環境的改進對於模型能力的提升與預訓練的規模同樣至關重要。

用戶已注意到與其前代模型相比，模型尺寸顯著縮小。GLM-5.3 的未量化版本約為 756 GB，大約是 GLM-5.2（1.51 TB）的一半大小。

性能與使用場景

代理編碼與網絡防禦

GLM-5.3 特別針對高複雜度的技術任務進行了優化。早期用戶回饋指出，該模型對於困難問題具備一種在其他當前開源權重模型（例如 DeepSeek-V4-Flash）中缺乏的直覺感。

與其他模型的比較

用戶已將 GLM-5.3 與其他幾個前沿模型進行了比較：

• 與 Kimi 相比： 一些用戶報告 GLM-5.3 在整體能力上略遜於 Kimi，但部署和運行起來明顯更容易。
• 與 DeepSeek 相比： 雖然 DeepSeek-V4-Flash 在特定任務中可能具有微小的價格優勢，但 GLM-5.3-Flash 因其較低的延遲和在編碼任務中卓越的性能而受到關注。
• 與 Claude Opus 相比： 一些用戶將使用 GLM-5.3 的體驗描述為感覺類似於 "Opus 4.8"。

部署與可訪問性

本地執行

本地運行 GLM-5.3 需要相當大的硬體。社區成員建議，若要運行 4-bit 量化後的模型，可能需要一台配備 512 GB 統一內存的 Mac M5 Ultra。

第三方提供商

DeepInfra 是首批透過 OpenRouter 託管 GLM-5.3 的第三方提供商之一，這為那些沒有硬體在本地運行模型的用戶增加了可訪問性。

許可證與社區關注點

許可證轉變

GLM-5.3 已從 MIT 許可證轉變為半非商業許可證。這一轉變使其與 Qwen 和 MiniMax 等其他主要中國模型 的許可證策略保持一致。

網絡安全風險

該模型在網絡防禦方面的高熟練度引發了對潛在濫用的擔憂。一些社區成員質疑，世界是否已準備好迎接一個具有先進網絡安全能力的開源權重模型，以及這些能力是否能透過微調進一步擴展。

GLM-5.3-Flash 摘要

雖然完整的 GLM-5.3 是處理複雜任務的 "workhorse"（主力模型），但 GLM-5.3-Flash 變體因其效率而受到關注。用戶報告稱，Flash 版本在創建用戶界面（UIs）方面特別有效，並提供極具競爭力的 token-對-準確度比率，減少了在 GLM-5.2 等先前迭代版本中常見的 "overthinking"（過度思考/過度生成 token）現象。