GLM-5.3 é um grande modelo de linguagem lançado em 14 de agosto de 2026 pela Zhipu AI, o laboratório chinês que opera internacionalmente como Z.ai. É uma atualização pós-treinamento do modelo base GLM-5, diretamente voltada para codificação e trabalho agêntico, e a Zhipu planeja publicar seus pesos abertos no Hugging Face cerca de duas semanas após o lançamento. Nas avaliações internas da Zhipu, a capacidade de codificação melhorou 50% em relação ao GLM-5.2.
Essa combinação é o motivo pelo qual o lançamento importa: um laboratório que o Seeking Alpha descreve como um “desafiante chinês do OpenAI” está lançando um modelo de codificação que, segundo eles, está “se aproximando do Claude Fable 5”, e depois disponibilizando os pesos. Ele chega um dia após o último lançamento da DeepSeek, que cobrimos em nosso guia da API DeepSeek V4 Pro, então a corrida de modelos abertos na China está agora em uma cadência semanal.
Este artigo explica o que é o GLM-5.3, o que os benchmarks dizem (e quais vêm dos próprios testes da Zhipu), como funciona o plano de pesos abertos e como enviar sua primeira solicitação. Você pode testar essa solicitação no Apidog sem escrever nenhum código.
Resumo
- GLM-5.3 lançado em 14 de agosto de 2026 pela Zhipu AI (Z.ai). Mesmo modelo base GLM-5; todos os ganhos vêm do pós-treinamento escalonado.
- A pontuação do Terminal-Bench 3.0 saltou de 4.6 para 28.3, uma melhoria de 6.2x, classificando-se em primeiro lugar entre os modelos de código aberto. Também ocupa o primeiro lugar entre os modelos abertos no Agents’ Last Exam.
- CyberGym: 84.5%, ligeiramente acima do Claude Mythos 5 e GPT-5.6 Sol. ExploitBench: 54.4%, ainda atrás dos modelos de ponta.
- Os pesos abertos chegam no Hugging Face por volta de 28 de agosto de 2026, após o que a Zhipu chama de sua mais extensa revisão de risco até o momento.
- Arquitetura da família GLM-5, conforme documentação oficial: Mixture of Experts, 744B de parâmetros totais, aproximadamente 40B ativos por passagem para frente, janela de contexto de 200K.
- A API é compatível com OpenAI em
https://api.z.ai/api/paas/v4/chat/completions. Nenhum preço específico para a versão 5.3 foi publicado no lançamento.
O que é o GLM-5.3
GLM-5.3 é a terceira versão pontual na família GLM-5, e a mais focada. A Zhipu não retreinou a base. A documentação oficial descreve o GLM-5 base como um modelo Mixture of Experts com 744B de parâmetros totais, cerca de 40B ativados por passagem para frente, e uma janela de contexto de 200K tokens; essas especificações permanecem inalteradas. O que mudou é tudo o que está por cima: os ganhos vêm inteiramente do pós-treinamento escalonado aplicado aos mesmos pesos base.
Esse detalhe importa mais do que parece. Quando um laboratório melhora um modelo tanto assim sem tocar na base, o próprio pipeline de pós-treinamento é o produto. A Zhipu reivindica uma melhoria de 50% na codificação em relação ao GLM-5.2, e as cargas de trabalho alvo são específicas: tarefas de agente orientadas por terminal, engenharia de software de longo prazo e análise de segurança. Esta não é uma atualização geral de chat.
O resumo prático: GLM-5.3 é o modelo que você avaliaria se deseja um forte comportamento de codificação autônoma com a economia de modelos abertos, e com a opção de executá-lo em seu próprio hardware assim que os pesos forem liberados.
Benchmarks do GLM-5.3: os números e suas fontes
A cobertura de lançamento da BigGo Finance e da Pandaily relatou os seguintes resultados. Leve a coluna “fonte” a sério: alguns números vêm de tabelas de classificação públicas, outros das próprias execuções de avaliação da Zhipu, e esses não são o mesmo tipo de evidência.
| Benchmark | Resultado GLM-5.3 | Contexto | Fonte |
|---|---|---|---|
| Terminal-Bench 3.0 | 28.3 (acima de 4.6) | Salto de 6.2x; primeiro entre modelos de código aberto | Relatório de lançamento |
| Agents’ Last Exam | Primeiro entre modelos de código aberto | Pontuação não divulgada no lançamento | Relatório de lançamento |
| CyberGym | 84.5% | Ligeiramente acima de Claude Mythos 5 e GPT-5.6 Sol | Relatório de lançamento |
| ExploitBench | 54.4% | Atrás dos modelos de ponta | Relatório de lançamento |
| SWE-Marathon | Aproximadamente 2x GLM-5.2 | Engenharia de software de longo prazo | Interno Zhipu |
| Capacidade de codificação (agregada) | +50% vs GLM-5.2 | Reivindicação principal da Zhipu | Interno Zhipu |
Duas interpretações são justas. A generosa: um salto de 4.6 para 28.3 no Terminal-Bench 3.0 não é ruído. Os benchmarks de terminal medem se um modelo pode encadear comandos shell, ler a saída e se recuperar de erros em muitas etapas, e o GLM-5.2 era fraco nisso. Passar de quase o último lugar para o primeiro entre os modelos abertos em uma única versão pontual muda qual modelo você buscará em pipelines de agente.
A cética: as duas afirmações mais citáveis, o ganho de 50% na codificação e a pontuação dobrada no SWE-Marathon, são números internos da Zhipu sem um sistema público para reproduzi-los. Isso não os torna falsos, mas eles permanecem não verificados até que os pesos sejam lançados e avaliadores independentes executem novamente as suítes.
O que "aproximando-se do Claude Fable 5" significa na prática
A própria formulação da Zhipu é que a capacidade de codificação e de agente do GLM-5.3 está “se aproximando do Claude Fable 5”. Essa frase está fazendo um trabalho cuidadoso.
Onde a afirmação se sustenta: no lado do agente e do terminal, os números relatados estão próximos do território de ponta. O primeiro lugar entre os modelos de código aberto no Terminal-Bench 3.0 e no Agents’ Last Exam significa que o GLM-5.3 superou todos os concorrentes abertos nas tarefas que importam para agentes de codificação autônomos. O resultado do CyberGym de 84.5% até mesmo ultrapassa Claude Mythos 5 e GPT-5.6 Sol, embora a margem seja pequena o suficiente para que a variação entre execuções possa ser responsável por isso.
Onde não se sustenta: ExploitBench, com 54.4%, ainda está claramente atrás dos modelos de ponta. O desenvolvimento de exploits enfatiza o raciocínio profundo multi-etapa sob ambiguidade, e a lacuna aí sugere que a ponta ainda mantém uma vantagem no trabalho mais difícil e intensivo em raciocínio. “Aproximando-se” é a palavra honesta. Não é “igualando”, e a Zhipu, para seu crédito, não disse igualando.
A tradução prática para sua pilha: vale a pena comparar o GLM-5.3 diretamente para agentes de terminal, automação de CI e tarefas de codificação em escala de repositório. Para os problemas de raciocínio mais difíceis, os modelos fechados de ponta provavelmente mantêm a liderança por enquanto. Se você quiser ter uma ideia de como os modelos de ponta se separam exatamente nesses eixos, nossa comparação Grok 4.6 vs GPT-5.6 vs Claude Fable 5 aborda as mesmas categorias de benchmark com exemplos práticos.
O plano de pesos abertos: ~28 de agosto no Hugging Face
O detalhe do lançamento com a maior vida útil não é um benchmark. A Zhipu se comprometeu a publicar os pesos abertos do GLM-5.3 cerca de duas semanas após o lançamento, o que posiciona a liberação por volta de 28 de agosto de 2026, na organização zai-org do Hugging Face, onde vivem os lançamentos abertos anteriores da empresa.
O hiato de duas semanas é intencional. A Zhipu afirma ter construído seu sistema de revisão de risco mais extenso até o momento para este lançamento, e os benchmarks de segurança explicam o porquê: um modelo que pontua 84.5% no CyberGym possui uma capacidade significativa de segurança ofensiva, e liberar esses pesos publicamente é uma decisão diferente de servi-los atrás de uma API monitorada. A janela de revisão é o custo do lançamento aberto.
O que a liberação significa para você depende do seu hardware. A inferência de precisão total em um MoE de 744B parâmetros é território de classe de servidor, mesmo com apenas ~40B parâmetros ativos por token, então a maioria das equipes esperará por variantes comunitárias quantizadas. Se você planeja executá-lo localmente, nosso guia para auto-hospedar o GLM-5.3 aborda dimensionamento, pilhas de serviço e a construção de uma linha de base contra a API hospedada antes que os pesos cheguem.
Como o GLM-5.3 se encaixa no cenário de modelos abertos
A comparação óbvia é com DeepSeek. Ambos os laboratórios são chineses, ambos lançam pesos abertos, ambos têm preços agressivos e ambos foram lançados com 24 horas de diferença. A diferença é o foco: a linha V4 Pro da DeepSeek é um carro-chefe generalista, enquanto o GLM-5.3 é uma aposta especializada de que agentes de codificação são a carga de trabalho que vale a pena conquistar. Se seu tráfego é principalmente de codificação agêntica, essa especialização é o argumento para testar o GLM-5.3 primeiro.
A economia molda o resto do cenário. O recente aumento de preço da DeepSeek, que analisamos em nosso guia de otimização de custos da API DeepSeek, mostrou a rapidez com que os preços da API de modelos abertos podem mudar, e isso impulsionou mais equipes para a auto-hospedagem como uma proteção. Um GLM-5.3 de pesos abertos que lidera o Terminal-Bench oferece a essas equipes outra opção credível. A Zhipu não havia publicado preços de API específicos para a versão 5.3 no lançamento; para referência, a página de preços oficial listava o GLM-5.2 a US$1.4 por 1M de tokens de entrada e US$4.4 por 1M de tokens de saída no momento desta redação, então espere que o número da versão 5.3 se situe nessa faixa, e verifique a página antes de orçar.
O contexto do ecossistema aberto também importa. Uma vez que variantes quantizadas existam, o GLM-5.3 se junta ao grupo de modelos que você pode executar sem nenhuma dependência de API. Nosso resumo dos melhores LLMs locais em 2026 cobre a posição dos atuais líderes abertos; um participante que supera o Terminal-Bench reorganizará essa lista.
As cotas do Plano de Codificação GLM foram redefinidas
Um detalhe do dia do lançamento que afeta diretamente os usuários existentes: a Zhipu redefiniu as cotas do Plano de Codificação GLM para todos os usuários em 14 de agosto. Se você assina o Plano de Codificação através do Z.ai, seu limite começou fresco no dia do lançamento, um convite aberto para gastar essa cota experimentando o 5.3.
O Plano de Codificação é a oferta de tarifa fixa da Zhipu para ferramentas de codificação, distinta do acesso à API pay-per-token, e a redefinição se aplica apenas ao plano, não à cobrança da API. Usuários da China Continental obtêm o mesmo ecossistema através de open.bigmodel.cn, com seus próprios planos e faturamento.
Experimente a API em cinco minutos
A API do Z.ai é compatível com OpenAI, então o formato da solicitação parecerá familiar se você já chamou alguma API LLM importante. O endpoint internacional é https://api.z.ai/api/paas/v4/chat/completions; a China continental usa https://open.bigmodel.cn/api/paas/v4/chat/completions. A autenticação é um token Bearer. Uma ressalva: no lançamento, a documentação oficial ainda listava glm-5 como o ID do modelo documentado, então o ID glm-5.3 abaixo segue a convenção da família GLM-5. Confirme a string exata na página de documentação do modelo antes de implantar qualquer coisa.
export GLM_API_KEY="your-key-from-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": "Escreva um script bash que encontre os cinco maiores arquivos em um repositório git, excluindo o diretório .git."
}
],
"temperature": 0.6,
"max_tokens": 1024
}'
A resposta segue o esquema OpenAI: um array choices com o conteúdo da mensagem, mais um bloco usage com a contagem de tokens.
Um ciclo mais rápido do que editar strings cURL: importe a solicitação para o Apidog, armazene GLM_API_KEY como uma variável de ambiente e crie dois ambientes, um para o endpoint Z.ai e outro para bigmodel.cn. Mudar regiões ou IDs de modelo se torna um menu suspenso em vez de uma edição, e as respostas salvas se tornam uma linha de base de regressão para o dia em que os pesos abertos forem lançados.
Para o passo a passo completo, incluindo clientes Python e Node.js, streaming e tratamento de erros, consulte o guia de início rápido completo da API GLM-5.3.
FAQ
O GLM-5.3 é de código aberto?
Ainda não, mas será de peso aberto. A Zhipu se comprometeu a liberar os pesos no Hugging Face por volta de 28 de agosto de 2026, aproximadamente duas semanas após o lançamento da API, após uma revisão de risco que a empresa descreve como a mais extensa até o momento. Até então, o único acesso é através da API hospedada.
Como o GLM-5.3 é diferente do GLM-5.2?
O modelo base é idêntico. Cada melhoria vem do pós-treinamento escalonado: a Zhipu relata um ganho de 50% na capacidade de codificação em avaliações internas, um salto no Terminal-Bench 3.0 de 4.6 para 28.3 e uma pontuação aproximadamente dobrada no SWE-Marathon. Janela de contexto, contagem de parâmetros e arquitetura permanecem inalterados em relação à linha de base da família GLM-5.
Qual o custo do GLM-5.3?
A Zhipu não havia publicado preços de API específicos para a versão 5.3 no lançamento. A página de preços oficial listava o GLM-5.2 a US$1.4 por 1M de tokens de entrada e US$4.4 por 1M de tokens de saída, o que é a melhor referência disponível. Verifique a página de preços ao vivo antes de se comprometer com um orçamento, e se o custo é sua principal restrição, nosso guia para otimização de custos da API após o aumento de preço do DeepSeek abrange táticas que se aplicam a qualquer API por token.
Posso executar o GLM-5.3 no meu próprio hardware?
Após a liberação dos pesos, sim, com ressalvas. A família GLM-5 é um modelo Mixture of Experts de 744B parâmetros com cerca de 40B parâmetros ativos por passagem para frente, então o serviço de precisão total requer hardware de servidor multi-GPU. Construções comunitárias quantizadas diminuirão a barreira; consulte o guia de preparação para auto-hospedagem para dimensionamento realista.
O GLM-5.3 é melhor que Claude ou GPT para codificação?
Nos benchmarks de agente e terminal relatados, ele é competitivo, classificando-se em primeiro lugar entre os modelos abertos no Terminal-Bench 3.0 e superando Claude Mythos 5 e GPT-5.6 Sol no CyberGym. No ExploitBench, ele fica atrás da fronteira com 54.4%. A resposta honesta depende da carga de trabalho: execute seu próprio conjunto de avaliação contra ambos antes de mudar o tráfego de produção, da mesma forma que você testaria qualquer API antes de adotá-la.
Onde o GLM-5.3 se encaixa na sua pilha
GLM-5.3 é um lançamento especializado com uma proposta clara: desempenho de agente de codificação quase de ponta, pesos abertos em duas semanas e uma API compatível com OpenAI para a qual você pode direcionar seu código existente hoje. A história do benchmark é forte em tarefas de terminal e agente, honesta sobre a lacuna no ExploitBench e parcialmente não verificada até que execuções independentes cheguem após 28 de agosto. Isso é sinal suficiente para justificar uma avaliação, mas ainda não o suficiente para justificar uma migração.
A maneira de baixo custo para começar: envie a solicitação cURL acima, salve a resposta e construa uma pequena suíte de prompts para suas cargas de trabalho reais. Baixe o Apidog para organizar essa suíte, mantenha os endpoints do Z.ai e do bigmodel.cn como ambientes alternáveis e transforme as chamadas exploratórias de hoje na linha de base de regressão que você desejará quando os pesos abertos chegarem e você estiver comparando sua própria implantação com a API hospedada.