GLM-5.3 adalah model bahasa besar yang dirilis pada 14 Agustus 2026 oleh Zhipu AI, laboratorium Tiongkok yang beroperasi secara internasional sebagai Z.ai. Ini adalah peningkatan pasca-pelatihan dari model dasar GLM-5 yang secara khusus ditujukan untuk pekerjaan pengkodean dan agen, dan Zhipu berencana untuk menerbitkan bobot terbukanya di Hugging Face sekitar dua minggu setelah peluncuran. Dalam evaluasi internal Zhipu, kemampuan pengkodean meningkat 50% dibandingkan GLM-5.2.
Kombinasi itulah yang membuat rilis ini penting: sebuah laboratorium yang Seeking Alpha gambarkan sebagai “penantang OpenAI dari Tiongkok” mengirimkan model pengkodean yang diklaim “mendekati Claude Fable 5”, kemudian memberikan bobotnya secara gratis. Ini tiba satu hari setelah rilis terbaru DeepSeek, yang kami bahas dalam panduan API DeepSeek V4 Pro kami, sehingga perlombaan model terbuka di Tiongkok kini bergerak setiap minggu.
Artikel ini menjelaskan apa itu GLM-5.3, apa yang dikatakan tolok ukur (dan mana yang berasal dari pengujian Zhipu sendiri), bagaimana rencana bobot terbuka bekerja, dan cara mengirim permintaan pertama Anda. Anda dapat menguji permintaan tersebut di Apidog tanpa menulis kode apa pun.
TL;DR
- GLM-5.3 dikirimkan pada 14 Agustus 2026 dari Zhipu AI (Z.ai). Model dasar GLM-5 yang sama; semua peningkatan berasal dari pasca-pelatihan berskala.
- Skor Terminal-Bench 3.0 melonjak dari 4.6 menjadi 28.3, peningkatan 6.2x, menempati peringkat pertama di antara model sumber terbuka. Ini juga menempati peringkat pertama di antara model terbuka pada Agents’ Last Exam.
- CyberGym: 84.5%, sedikit di atas Claude Mythos 5 dan GPT-5.6 Sol. ExploitBench: 54.4%, masih di belakang model-model perbatasan (frontier).
- Bobot terbuka tiba di Hugging Face sekitar 28 Agustus 2026, setelah apa yang Zhipu sebut sebagai tinjauan risiko paling ekstensif hingga saat ini.
- Arsitektur keluarga GLM-5 per dokumen resmi: Mixture of Experts, total 744B parameter, sekitar 40B aktif per forward pass, jendela konteks 200K.
- API kompatibel dengan OpenAI di
https://api.z.ai/api/paas/v4/chat/completions. Belum ada harga spesifik 5.3 yang diterbitkan saat peluncuran.
Apa itu GLM-5.3
GLM-5.3 adalah rilis poin ketiga dalam keluarga GLM-5, dan yang paling terfokus. Zhipu tidak melatih ulang dasarnya. Dokumen resmi menggambarkan dasar GLM-5 sebagai model Mixture of Experts dengan total 744B parameter, sekitar 40B diaktifkan per forward pass, dan jendela konteks 200K token; spesifikasi tersebut tetap tidak berubah. Yang berubah adalah segala sesuatu di atasnya: semua peningkatan berasal sepenuhnya dari pasca-pelatihan berskala yang diterapkan pada bobot dasar yang sama.
Detail itu lebih penting dari kedengarannya. Ketika sebuah laboratorium meningkatkan model sebanyak ini tanpa menyentuh dasarnya, pipeline pasca-pelatihan itu sendiri adalah produknya. Zhipu mengklaim peningkatan pengkodean 50% dibandingkan GLM-5.2, dan beban kerja targetnya spesifik: tugas agen berbasis terminal, rekayasa perangkat lunak jangka panjang, dan analisis keamanan. Ini bukan peningkatan obrolan umum.
Ringkasan praktisnya: GLM-5.3 adalah model yang akan Anda evaluasi jika Anda menginginkan perilaku pengkodean otonom yang kuat dengan ekonomi model terbuka, dengan opsi untuk menjalankannya di perangkat keras Anda sendiri setelah bobotnya dirilis.
Tolok ukur GLM-5.3: angka dan sumbernya
Liputan peluncuran dari BigGo Finance dan Pandaily melaporkan hasil berikut. Perlakukan kolom “sumber” dengan serius: beberapa angka berasal dari papan peringkat publik, yang lain dari evaluasi internal Zhipu sendiri, dan itu bukanlah jenis bukti yang sama.
| Tolok Ukur | Hasil GLM-5.3 | Konteks | Sumber |
|---|---|---|---|
| Terminal-Bench 3.0 | 28.3 (naik dari 4.6) | Lompatan 6.2x; pertama di antara model sumber terbuka | Laporan peluncuran |
| Agents’ Last Exam | Pertama di antara model sumber terbuka | Skor tidak diungkapkan saat peluncuran | Laporan peluncuran |
| CyberGym | 84.5% | Sedikit di atas Claude Mythos 5 dan GPT-5.6 Sol | Laporan peluncuran |
| ExploitBench | 54.4% | Tertinggal dari model-model perbatasan (frontier) | Laporan peluncuran |
| SWE-Marathon | Kira-kira 2x GLM-5.2 | Rekayasa perangkat lunak jangka panjang | Internal Zhipu |
| Kemampuan pengkodean (agregat) | +50% vs GLM-5.2 | Klaim utama Zhipu | Internal Zhipu |
Dua interpretasi adalah wajar. Yang murah hati: lompatan dari 4.6 ke 28.3 pada Terminal-Bench 3.0 bukanlah gangguan. Tolok ukur terminal mengukur apakah suatu model dapat merangkai perintah shell, membaca output, dan memulihkan diri dari kesalahan dalam banyak langkah, dan GLM-5.2 lemah dalam hal itu. Beranjak dari posisi hampir terbawah ke posisi pertama di antara model terbuka dalam satu rilis poin mengubah model mana yang Anda pilih dalam pipeline agen.
Yang skeptis: dua klaim yang paling bisa dikutip, peningkatan pengkodean 50% dan skor SWE-Marathon yang berlipat ganda, adalah angka internal Zhipu tanpa alat publik untuk mereproduksinya. Itu tidak berarti klaim tersebut salah, tetapi klaim tersebut tetap belum diverifikasi sampai bobotnya dirilis dan evaluator independen menjalankan ulang rangkaian pengujian.
Apa arti “mendekati Claude Fable 5” dalam praktiknya
Kerangka Zhipu sendiri adalah bahwa kemampuan pengkodean dan agen GLM-5.3 “mendekati Claude Fable 5”. Frasa itu melakukan pekerjaan yang cermat.
Di mana klaim tersebut bertahan: di sisi agen dan terminal, angka-angka yang dilaporkan mendekati wilayah perbatasan (frontier). Peringkat pertama di antara model sumber terbuka pada Terminal-Bench 3.0 dan Agents’ Last Exam berarti GLM-5.3 melampaui setiap pesaing terbuka pada tugas-tugas yang penting bagi agen pengkodean otonom. Hasil CyberGym sebesar 84.5% bahkan sedikit melampaui Claude Mythos 5 dan GPT-5.6 Sol, meskipun selisihnya cukup kecil sehingga variasi dari satu eksekusi ke eksekusi lain dapat menjelaskannya.
Di mana tidak: ExploitBench, pada 54.4%, masih jelas berada di belakang model-model perbatasan (frontier). Pengembangan eksploitasi menekankan penalaran multi-langkah yang mendalam di bawah ambiguitas, dan celah di sana menunjukkan bahwa model perbatasan masih unggul dalam pekerjaan berat yang membutuhkan penalaran paling sulit. “Mendekati” adalah kata yang jujur. Ini bukan “menyamai”, dan Zhipu, patut diacungi jempol, tidak mengatakan menyamai.
Terjemahan praktis untuk tumpukan teknologi Anda: GLM-5.3 patut dibandingkan secara langsung untuk agen terminal, otomatisasi CI, dan tugas pengkodean berskala repositori. Untuk masalah penalaran tersulit, model tertutup perbatasan kemungkinan masih memimpin saat ini. Jika Anda ingin merasakan bagaimana model perbatasan berbeda persis pada sumbu-sumbu ini, perbandingan Grok 4.6 vs GPT-5.6 vs Claude Fable 5 kami menjelaskan kategori tolok ukur yang sama dengan contoh-contoh yang dikerjakan.
Rencana bobot terbuka: sekitar 28 Agustus di Hugging Face
Detail rilis dengan masa simpan terlama bukanlah tolok ukur. Zhipu berkomitmen untuk menerbitkan bobot terbuka GLM-5.3 sekitar dua minggu setelah peluncuran, yang menempatkan rilisnya sekitar 28 Agustus 2026, di organisasi Hugging Face zai-org tempat rilis terbuka perusahaan sebelumnya berada.
Jeda dua minggu itu disengaja. Zhipu mengatakan mereka membangun sistem tinjauan risiko paling ekstensif hingga saat ini untuk rilis ini, dan tolok ukur keamanan menjelaskan alasannya: model yang mencetak 84.5% pada CyberGym memiliki kemampuan keamanan ofensif yang signifikan, dan merilis bobot tersebut secara publik adalah keputusan yang berbeda daripada menyajikannya di belakang API yang dipantau. Jendela tinjauan adalah biaya dari rilis terbuka ini.
Apa arti rilis ini bagi Anda tergantung pada perangkat keras Anda. Inferensi presisi penuh pada MoE berparameter 744B adalah wilayah kelas server bahkan dengan hanya sekitar 40B parameter aktif per token, jadi sebagian besar tim akan menunggu varian komunitas terkuantisasi. Jika Anda berencana untuk menjalankannya secara lokal, panduan kami untuk self-hosting GLM-5.3 mencakup ukuran, tumpukan penyajian, dan pembangunan baseline terhadap API yang di-hosting sebelum bobotnya tiba.
Bagaimana GLM-5.3 cocok dalam lanskap model terbuka
Perbandingan yang jelas adalah DeepSeek. Kedua laboratorium berasal dari Tiongkok, keduanya merilis bobot terbuka, keduanya memberikan harga yang agresif, dan keduanya dikirimkan dalam waktu 24 jam satu sama lain. Perbedaannya adalah fokus: lini V4 Pro DeepSeek adalah unggulan generalis, sementara GLM-5.3 adalah taruhan spesialis bahwa agen pengkodean adalah beban kerja yang patut dimenangkan. Jika lalu lintas Anda sebagian besar adalah pengkodean agen, spesialisasi itu adalah argumen untuk menguji GLM-5.3 terlebih dahulu.
Ekonomi membentuk sisa gambaran. Kenaikan harga DeepSeek baru-baru ini, yang kami analisis dalam panduan optimasi biaya API DeepSeek kami, menunjukkan seberapa cepat harga API model terbuka dapat bergerak, dan itu mendorong lebih banyak tim untuk melakukan self-hosting sebagai lindung nilai. GLM-5.3 dengan bobot terbuka yang memimpin Terminal-Bench memberikan tim-tim tersebut opsi kredibel lainnya. Zhipu belum menerbitkan harga API spesifik 5.3 saat peluncuran; sebagai referensi, halaman harga resmi mencantumkan GLM-5.2 seharga $1.4 per 1 juta token input dan $4.4 per 1 juta token output pada saat penulisan ini, jadi harapkan angka 5.3 berada di kisaran tersebut, dan periksa halaman tersebut sebelum menganggarkan.
Konteks ekosistem terbuka juga penting. Setelah varian terkuantisasi tersedia, GLM-5.3 bergabung dengan kumpulan model yang dapat Anda jalankan tanpa ketergantungan API sama sekali. Ringkasan kami tentang LLM lokal terbaik di tahun 2026 mencakup posisi pemimpin terbuka saat ini; entri yang menduduki puncak Terminal-Bench akan mengocok ulang daftar tersebut.
Kuota GLM Coding Plan telah diatur ulang
Satu detail hari peluncuran yang langsung memengaruhi pengguna lama: Zhipu mengatur ulang kuota GLM Coding Plan untuk semua pengguna pada 14 Agustus. Jika Anda berlangganan Coding Plan melalui Z.ai, jatah Anda dimulai dari awal pada hari rilis, sebuah undangan terbuka untuk menghabiskan kuota tersebut mencoba 5.3.
Coding Plan adalah penawaran tarif tetap Zhipu untuk alat pengkodean, berbeda dengan akses API bayar-per-token, dan pengaturan ulang hanya berlaku untuk paket tersebut, bukan untuk penagihan API. Pengguna Tiongkok Daratan mendapatkan ekosistem yang sama melalui open.bigmodel.cn, dengan paket dan penagihannya sendiri.
Coba API dalam lima menit
API Z.ai kompatibel dengan OpenAI, jadi bentuk permintaannya akan terlihat familiar jika Anda pernah memanggil API LLM utama mana pun. Titik akhir internasionalnya adalah https://api.z.ai/api/paas/v4/chat/completions; Tiongkok Daratan menggunakan https://open.bigmodel.cn/api/paas/v4/chat/completions. Autentikasi adalah token Bearer. Satu peringatan: saat peluncuran, dokumen resmi masih mencantumkan glm-5 sebagai ID model yang didokumentasikan, jadi ID glm-5.3 di bawah ini mengikuti konvensi keluarga GLM-5. Konfirmasi string yang tepat di halaman dokumen model sebelum Anda mengirimkan apa pun.
export GLM_API_KEY="kunci-anda-dari-z.ai"
curl https://api.z.ai/api/paas/v4/chat/completions \
-H "Authorization: Bearer $GLM_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3",
"messages": [
{
"role": "user",
"content": "Tulis skrip bash yang menemukan lima file terbesar dalam repositori git, tidak termasuk direktori .git."
}
],
"temperature": 0.6,
"max_tokens": 1024
}'
Respons mengikuti skema OpenAI: sebuah array choices dengan konten pesan, ditambah blok usage dengan jumlah token.
Lingkaran yang lebih cepat daripada mengedit string cURL: impor permintaan ke Apidog, simpan GLM_API_KEY sebagai variabel lingkungan, dan buat dua lingkungan, satu untuk titik akhir Z.ai dan satu untuk bigmodel.cn. Mengganti wilayah atau ID model menjadi pilihan dari dropdown alih-alih pengeditan, dan respons yang disimpan menjadi baseline regresi untuk hari ketika bobot terbuka dirilis.
Untuk panduan lengkap, termasuk klien Python dan Node.js, streaming, dan penanganan kesalahan, lihat panduan memulai cepat API GLM-5.3 yang lengkap.
FAQ
Apakah GLM-5.3 sumber terbuka?
Belum, tetapi akan menjadi bobot terbuka. Zhipu berkomitmen untuk merilis bobotnya di Hugging Face sekitar 28 Agustus 2026, kira-kira dua minggu setelah peluncuran API, setelah tinjauan risiko yang digambarkan perusahaan sebagai yang paling ekstensif hingga saat ini. Sampai saat itu, satu-satunya akses adalah melalui API yang di-hosting.
Bagaimana GLM-5.3 berbeda dari GLM-5.2?
Model dasarnya identik. Setiap peningkatan berasal dari pasca-pelatihan berskala: Zhipu melaporkan peningkatan kemampuan pengkodean 50% dalam evaluasi internal, lompatan Terminal-Bench 3.0 dari 4.6 menjadi 28.3, dan skor SWE-Marathon yang kira-kira berlipat ganda. Jendela konteks, jumlah parameter, dan arsitektur tidak berubah dari baseline keluarga GLM-5.Berapa biaya GLM-5.3?
Zhipu belum menerbitkan harga API spesifik 5.3 saat peluncuran. Halaman harga resmi mencantumkan GLM-5.2 seharga $1.4 per 1 juta token input dan $4.4 per 1 juta token output, yang merupakan acuan terbaik yang tersedia. Periksa halaman harga langsung sebelum menetapkan anggaran, dan jika biaya adalah batasan utama Anda, panduan kami untuk optimasi biaya API setelah kenaikan harga DeepSeek mencakup taktik yang berlaku untuk API per-token apa pun.
Bisakah saya menjalankan GLM-5.3 di perangkat keras saya sendiri?
Setelah bobotnya dirilis, ya, dengan beberapa catatan. Keluarga GLM-5 adalah model Mixture of Experts berparameter 744B dengan sekitar 40B parameter aktif per forward pass, jadi penyajian presisi penuh membutuhkan perangkat keras server multi-GPU. Build komunitas terkuantisasi akan menurunkan batasan; lihat panduan persiapan self-hosting untuk ukuran yang realistis.
Apakah GLM-5.3 lebih baik dari Claude atau GPT untuk pengkodean?
Pada tolok ukur agen dan terminal yang dilaporkan, ia kompetitif, menempati peringkat pertama di antara model terbuka pada Terminal-Bench 3.0 dan sedikit melampaui Claude Mythos 5 dan GPT-5.6 Sol pada CyberGym. Pada ExploitBench, ia tertinggal dari model-model perbatasan pada 54.4%. Jawaban jujurnya adalah tergantung pada beban kerja: jalankan set evaluasi Anda sendiri terhadap keduanya sebelum mengalihkan lalu lintas produksi, sama seperti Anda akan menguji API apa pun sebelum menggunakannya.
Di mana GLM-5.3 cocok dalam tumpukan teknologi Anda
GLM-5.3 adalah rilis spesialis dengan penawaran yang jelas: kinerja agen pengkodean mendekati tingkat perbatasan (frontier), bobot terbuka dalam dua minggu, dan API yang kompatibel dengan OpenAI yang dapat Anda arahkan kode yang sudah ada saat ini. Kisah tolok ukur kuat pada tugas terminal dan agen, jujur tentang celah ExploitBench, dan sebagian belum diverifikasi sampai eksekusi independen tiba setelah 28 Agustus. Itu adalah sinyal yang cukup untuk membenarkan evaluasi, belum cukup untuk membenarkan migrasi.
Cara murah untuk memulai: kirim permintaan cURL di atas, simpan responsnya, dan bangun kumpulan prompt kecil terhadap beban kerja nyata Anda. Unduh Apidog untuk mengatur kumpulan tersebut, pertahankan titik akhir Z.ai dan bigmodel.cn sebagai lingkungan yang dapat diganti, dan ubah panggilan eksplorasi hari ini menjadi baseline regresi yang Anda inginkan ketika bobot terbuka tiba dan Anda membandingkan deployment Anda sendiri dengan API yang di-hosting.