GLM-5.3 開源權重發佈

Z.ai 已發佈 GLM-5.3 的權重，這是一款專為代理式編碼（agentic coding）與網路防禦優化的高能力模型。該模型現在已可透過 Hugging Face 下載、進行本地執行與自定義。

訓練後增益與架構

GLM-5.3 的性能提升主要透過訓練後處理（post-training）而非新的預訓練階段實現。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）以及訓練環境的改進，對於模型能力的提升與初始預訓練階段的規模同樣至關重要。

使用者注意到，與前代模型相比，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 的 1.51 TB 的一半左右，顯示出權重方面有實質性的優化。

GLM-5.3 被定位為技術任務的「主力軍」，使用者回報其在解決複雜問題時，與其他開源權重模型（如 DeepSeek-V4-Flash）相比，具有極高的直覺與有效性。

代理式編碼： 使用者回報該模型在編碼流程中作為執行者（implementer）的能力非常強大，通常與其他模型（如 Kimi）搭配作為規劃者（planners）。
網路安全： 該模型專為網路防禦設計，儘管部分社群成員對透過微調模型來擴展其攻擊性網路安全能力的潛在風險表示擔憂。
與專有模型的比較： 部分使用者將使用 GLM-5.3 的體驗與使用 Claude Opus 4.8 進行比較，並指出其思考過程周全且穩健。

在本地執行 GLM-5.3 需要大量的硬體資源。社群討論建議，4-bit 量化版本可能可以在配備 512 GB 統一記憶體的 Mac M5 Ultra 上執行。

為了提高普及性，Unsloth AI 已發佈 GLM-5.3 的 GGUF 量化版本，讓硬體配置較普通的使用者也能在本地執行該模型。

雖然完整的 GLM-5.3 模型是一個強大的通用工具，但 GLM-5.3-Flash 變體因其效率與特定優勢而受到廣泛關注：

UI 生成： 使用者回報 Flash 版本在建立美觀的使用者介面方面表現更佳。
延遲與成本： 在與 DeepSeek-V4-Flash 的對決測試中，GLM-5.3-Flash 展現了較低的延遲（特定任務下為 108s 對比 154s），儘管 DeepSeek 在成本效益方面仍略勝一籌。
視覺能力： 標準版 GLM-5.3 模型的一個顯著限制是缺乏視覺能力，而這項能力在 Flash 版本中是存在的。

GLM-5.3 已從 MIT 授權轉向半商業非營利授權（semi-non-commercial license），這使其與 Qwen 和 MiniMax 等其他主要的中國大型語言模型發佈的授權模式保持一致。