GLM-5.3 是旗艦級開源 AI 模型 — 程式設計能力位居開放權重模型前列，擁有穩定的 100 萬 token 上下文。它在 Terminal-Bench 2.1 上報告得分 88.2，FrontierSWE 上得分 78.1，並在漏洞發現基準 CyberGym 上以 84.5 分位居開源權重模型前列。下方可對比每款 模型 — 或先體驗免費 AI 體驗場。
無需註冊、無需賬號、無需額度。輸入提示詞即可獲得流式回答。
回覆將在此處流式輸出…
本體驗場使用 GLM 大語言模型，輸入提示詞即可獲得實時流式回答。
四項能力定義了當前 模型世代 — 均由模型作者報告，可從開放權重複現。
100 萬 token 上下文不僅可用，而且保持質量：GLM-5.3 延續了在大規模實現、自動化研究和複雜除錯等長上下文編碼智慧體軌跡上的訓練。
在漏洞發現基準 CyberGym 上取得 84.5 分（開源權重模型中居前）。真實測試中在 269 個開源專案裡識別出 2,436 個漏洞 — 最古老的可追溯至 1981 年。
每四個稀疏注意力層共享一個輕量索引器，在 100 萬上下文長度下將每 token FLOPs 降低 2.9 倍，長距離質量無損。
MIT 許可證下的開源 模型：權重發布在 HuggingFace 和 ModelScope，無地區限制，支援透過 transformers、vLLM、SGLang、xLLM 和 ktransformers 本地部署。
以下所有資料均為模型作者釋出的 GLM-5.3 及對比模型的結果。glmmodel.net 僅做報告，不執行這些評估。
任務時長可達 20 小時
單張 H100 上最多 10 小時
超長週期軟體工程，最多 10 小時
在這些長週期基準測試中，GLM-5.3 均為排名最高的開源模型 — 證明其百萬上下文能轉化為實際產出。它在 Terminal-Bench 3.0 上從 4.6 提升至 28.3，在 DeepSWE v1.1 上從 46.2 提升至 66.9，在漏洞利用類基準上的得分達到 GLM-5.2 的兩倍以上 — 所有提升均來自同一基座模型上的後訓練。
已釋出的 GLMMODEL 基準結果，涵蓋 8 個模型的 16 項評估。
| 基準測試 | GLM-5.3 | GLM-5.2 | Kimi K3 | DeepSeek-V4 Pro | Qwen3.8-Max | Claude Opus 4.8 | Fable 5* | GPT-5.6 Sol |
|---|---|---|---|---|---|---|---|---|
| 程式設計 | ||||||||
| Terminal-Bench 2.1 | 88.2 | 81.0 | 88.3 | 87.9 | 86.6 | 85.0 | 88.0 | 88.8 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 17.4 | – | – | 21.1 | 33.7 | 34.6 |
| DeepSWE v1.1 | 66.9 | 46.2 | 67.5 | 62.7 | 56.6 | 58.0 | 69.7 | 72.7 |
| NL2Repo | 58.0 | 48.9 | 58.0 | 61.1 | 55.9 | 69.7 | – | – |
| ProgramBench（Almost Solved） | 19.0 | 9.5 | 17.5 | – | 10.5 | 15.5 | 33.0 | 23.0 |
| FrontierSWE | 78.1 | 67.5 | – | – | – | 66.5 | 88.2 | – |
| SWE-Marathon v1.1 | 42.5 | 19.4 | 48.1 | – | – | 48.8 | 33.1 | 42.5 |
| PostTrainBench | 39.8 | 31.7 | 32.0 | – | – | 32.9 | 41.8 | 36.2 |
| 網路安全 | ||||||||
| CyberGym | 84.5 | 77.2 | 80.0 | 83.3 | 78.5 | 78.1 | 83.8 | 83.6 |
| ExploitGym（2h / 6h） | 105 / 130 | 29 / 39 | 36 / 70 | – | 14 / 26 | 80 / 120 | 181 / 247 | 216 / 293 |
| ExploitBench | 54.4 | 24.4 | 32.2 | – | 28.8 | 40.0 | 78.0 | 76.5 |
| 智慧體 | ||||||||
| Toolathlon Verified | 73.0 | 59.9 | 76.5 | 74.1 | 72.5 | 76.2 | 74.7 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 26.2 | 46.7 | 43.2 | 39.8 | 41.0 | 46.2 | 45.8 |
| Agents' Last Exam（ALE-CLI） | 28.5 | 23.8 | 27.6 | 25.7 | 27.0 | 25.7 | 23.8 | 28.6 |
| HLE（帶工具） | 62.5 | 54.7 | 59.8 | 60.0 | 56.2 | 57.9 | 63.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1508 | 1682 | 1590 | 1739 | 1588 | 1743 | 1730 |
* Fable 5 為帶 fallback 的報告結果。所有資料均為模型作者釋出的結果。
GLM-5.3 始終開啟思考，提供三檔力度。力度控制讓您僅在任務需要時分配更多計算資源 — GLM-5.3 在每一檔力度上都以更少的輸出 token 勝過 GLM-5.2。
輕量推理
快速編輯、模板程式碼、常規重構等延遲比深度更重要的場景 — GLM-5.3 不再支援禁用思考，輕量推理預設常開。
~50K 平均 token
大多數智慧體程式設計的預設選擇：High 力度下 GLM-5.3 以約 50K 輸出 token 達到 31.4%，超過 Claude Opus 4.8（29.5% @ 120K）。
~75K 平均 token
最困難的長週期問題：約 75K 輸出 token 達到 34.5%，而 GLM-5.2 為 96K 下 23.4% — 更少 token，更多產出。
資料來自智譜內部基準 Z.ai Code Bench v1.0 — 在真實本地開發環境中評估編碼智慧體，按力度檔位衡量端到端任務完成率。由模型作者報告。GLM-5.3 在每一檔力度上的效能與 token 效率均優於 GLM-5.2。
將上下文上限從 200K 提升到 100 萬 token 是一個工程問題，而非配置參數。三項改動是關鍵。
每四個 Transformer 層共享一個輕量索引器。它位於四個層中的第一個，其 top-k 索引被其餘三層複用 — 消除了四分之三層中的索引器點積和 top-k 計算。結果：在 100 萬上下文長度下每 token FLOPs 降低 2.9 倍。從訓練中期 128K 序列長度開始引入 IndexShare。
多 token 預測層在首個草稿步執行一次索引器，並在後續步驟中複用索引，消除了限制上一代的訓練/推理 KV 快取不匹配。結合拒絕取樣和端到端 TV 損失，接受長度從 4.56 提升至 5.47 — 約 20% — 跨越 7 個 MTP 步驟。
| 基線 | 4.56 |
| + IndexShare + KVShare | 5.10 |
| + 拒絕取樣 | 5.29 |
| + 端到端 TV 損失 | 5.47 (+20%) |
超過幾十萬 token 後，瓶頸不再是計算，而是 KV 快取容量、長上下文核心和 CPU 開銷。三項修復：基於 LayerSplit 的細粒度記憶體管理和並行化、與快取傳輸管道協調的上下文長度縮放核心最佳化，以及 CPU 側快取管理、請求排程和執行時路徑調優。吞吐量優勢隨上下文增長而擴大。
歸一化吞吐量優勢
訓練棧（slime）結合白盒和黑盒 rollout、緊湊軌跡和子智慧體工作流。並行 OPD 訓練在大約兩天內合併了十餘個專家模型，FP8 KV 快取確保 rollout 記憶體不超預算。至 GLM-5.3，系統級最佳化將端到端 RL 訓練吞吐量提升超過 2.3 倍。
長週期 RL 會誘生捷徑，因此可疑動作先透過基於規則的召回過濾器，再經 LLM 裁判精確度檢查。確認的駭客行為被線上攔截並以虛擬工具結果回應，使 rollout 得以繼續而非被丟棄。基於 Critic 的 PPO 在單個 rollout 上保持壓縮子軌跡的可訓練性。
從 30B Flash 級別到百萬上下文旗艦 — 選擇一款 模型檢視完整規格表和基準資料。
程式設計能力位居開放權重模型前列：Z.ai Code Bench 較 GLM-5.2 提升 50%，Terminal-Bench 3.0 與 Agents' Last Exam 開源 SOTA，CyberGym 84.5 分。
GLM-5 系列首個原生多模態模型：總參數 320B / 激活 18B，混合注意力架構，1M 上下文 — 以十分之一價格超越 GLM-5.2。
GLM-5.3-Flash 的高速版：原生多模態（影片、影像、檔案、文字輸入），推理速度達 200 tokens/s，1M 上下文下最流暢的 GLM-5 系列體驗。
上一代旗艦：100 萬 token 上下文與長週期基座，GLM-5.3 的後訓練正建立在其之上。
長週期專精：大幅提升的長週期能力和數小時自主工作的工程級輸出。
更強的程式設計能力、更可靠的多步執行和更好的複雜智慧體行為。
基礎模型，針對長鏈、動態智慧體場景進行調優。
增強的程式設計能力、穩定的多步推理和改進的前端生成。
300 億參數；高效高效能，在同規模開源模型中表現出色。
超越單個上下文視窗的多檔案功能：模型將整個倉庫狀態保持在視野中，而不是每隔幾輪重新讀取。
數小時的實驗迴圈，智慧體需要規劃、執行、讀取結果和修正 — 這正是 FrontierSWE 和 PostTrainBench 設計來評估的工作負載。
需要完整呼叫圖、分析器輸出和先前嘗試保持在同一軌跡中的核心和系統工作。
漫長的復現追蹤、不穩定測試和跨服務故障，截斷上下文正是丟失 Bug 的原因。
以上所有場景均可在您自己的硬體上執行 — MIT 權重，transformers · vLLM · SGLang · xLLM · ktransformers。如何本地執行模型 →