GLM-5.3

Une génération obtenue sans réentraînement

Z.ai a annoncé GLM-5.3 le 14 août 2026 sous le titre « Frontier Coding with Emergent Cyber Capabilities ». Le modèle réutilise à l'identique le modèle de base de GLM-5.2 : architecture Mixture-of-Experts, contexte d'un million de tokens, 128 000 tokens en sortie, texte uniquement. Sur la taille, deux chiffres coexistent : Z.ai écrit « 744B-A40B » dans sa table de modèles, et les poids BF16 déposés sur Hugging Face pèsent 1 507 Go, soit 753 milliards de paramètres, le chiffre que retient Artificial Analysis. Dans les deux cas, environ 40 milliards sont activés par token. L'éditeur attribue l'intégralité des gains au scaling du post-training, résumé par la première phrase de son billet : « Scaling post-training is all we did for GLM-5.3. »

Le raisonnement est toujours actif, sur trois niveaux (low, high, max), sans possibilité de le désactiver. La documentation de l'API impose une migration aux applications qui envoyaient thinking.type: disabled avec GLM-5.2 : la requête échoue sinon.

Des environnements de travail comme moteur d'entraînement

Ce que Z.ai déclare avoir mis à l'échelle, ce sont les environnements d'entraînement. Des agents de recherche convertissent des situations de travail réelles en tâches exécutables à long horizon, un agent juge vérifie que chaque tâche est résoluble, et des vérificateurs sont synthétisés sans accès à la solution de référence. Certaines tâches représentent plusieurs jours de travail d'un ingénieur expérimenté. La méthode s'appuie sur la pile introduite avec GLM-5.2 : IndexShare pour le long contexte, l'algorithme de RL asynchrone SAO, et le framework open source slime.

Benchmarks constructeur, à lire avec prudence

Les scores publiés sont mesurés par Z.ai dans ses propres harnais (Claude Code 2.1.207 pour les bancs cyber, selon ses notes de bas de page). L'éditeur revendique la première place parmi les modèles ouverts sur la plupart des bancs cités : Terminal-Bench 3.0 à 28,3 (contre 4,6 pour GLM-5.2), DeepSWE v1.1 à 66,9, Agents' Last Exam CLI à 28,5, Terminal-Bench 2.1 à 88,2. Sur les bancs les plus durs, l'écart avec les modèles fermés de pointe reste visible (Terminal-Bench 3.0 à 28,3 contre 34,6 pour GPT-5.6 Sol). Le modèle se distingue surtout par son efficience en tokens de sortie : 31,4 % sur le Code Bench interne de Z.ai pour environ 50 000 tokens par tâche, contre 29,5 % à environ 120 000 tokens pour Claude Opus 4.8, sur un banc privé que personne d'autre ne peut rejouer.

Côté mesure tierce, Artificial Analysis a classé GLM-5.3 à 60 sur son Intelligence Index au lancement (version 4.1), puis à 49 après le passage à la version 4.2 de l'index. Les deux chiffres sont réels et ne se comparent pas entre eux. Son score GDPval-AA v2 (1 769) provient du même évaluateur.

Une capacité cyber émergente et des poids retenus deux semaines

Z.ai déclare avoir ajouté des données de découverte de vulnérabilités en attendant un gain modeste, puis constaté que « cyber capability developed faster than we expected ». Le modèle atteint 84,5 % sur CyberGym (découverte de vulnérabilités), devant Claude Mythos 5 (83,8 %) et GPT-5.6 Sol (83,6 %), écarts qui tiennent dans le bruit de mesure. Sur l'exploitation offensive, il reste nettement derrière : 54,4 % sur ExploitBench contre 78 % pour Mythos 5. L'avance revendiquée porte sur la moitié défensive du métier.

L'éditeur déclare 2 436 vulnérabilités remontées dans 269 projets, dont 1 097 de sévérité moyenne à haute, trouvées avec des équipes de sécurité chinoises sur des bases de code réelles, et tient un registre public de divulgation (cvd.z.ai), qui affichait à l'annonce 53 CVE attribués et 2 383 signalements sous embargo. Le billet de lancement annonçait les poids « in two weeks after launch, once safety evaluation and hardening are complete ». Le dépôt Hugging Face porte un commit initial daté du 28 août 2026 : le délai a été tenu. C'est la première fois qu'un modèle de la lignée GLM est retenu pour raison de sûreté.

Licence : ouverte, mais pas MIT

GLM-5, GLM-5.1 et GLM-5.2 étaient publiés sous licence MIT. GLM-5.3 ne l'est pas : la carte modèle déclare license: other, nommée « glm-5.3 », et le fichier LICENSE du dépôt reprend le texte de la MIT en y ajoutant une condition. Tout exploitant d'un service de modèle (« Model as a Service », soit un accès par API laissant au client la main sur les entrées, les paramètres ou les données d'entraînement) dont le chiffre d'affaires cumulé dépasse 10 milliards de dollars sur douze mois doit passer une revue de sécurité de Z.ai avant tout usage commercial. Pour toute autre entreprise, les droits d'usage, de modification, de distribution et de vente sont accordés sans restriction. Le modèle plus petit GLM-5.3-Flash (320 milliards de paramètres, 18 activés, multimodal), dont le dépôt Hugging Face date du 25 août 2026, reste sous MIT. Artificial Analysis classe GLM-5.3 en « Open Weights ».

Disponibilité et gouvernance

Au lancement, le modèle n'était accessible que via l'abonnement GLM Coding Plan (annoncé à partir de 18 $ par mois) et l'agent maison ZCode. L'API publique a suivi le 18 août 2026, au tarif inchangé depuis GLM-5.2 : 1,40 $ par million de tokens en entrée et 4,40 $ en sortie, relevés le 7 septembre 2026. Les poids FP8 pèsent 756 Go et les poids BF16 1 507 Go : une quantification 4 bits ramène le modèle vers 380 Go, ce qui reste hors de portée d'une infrastructure légère. Z.ai est une entreprise chinoise cotée à Hong Kong depuis le 8 janvier 2026 et inscrite sur l'Entity List du département du Commerce américain depuis le 16 janvier 2025, deux éléments à instruire avant tout usage de son API hébergée.