GLM-5.3
Modèle de codage de Z.ai (14 août 2026), obtenu par post-training seul sur la base de GLM-5.2, dont les poids ont été retenus pour raison de sûreté.
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, 743 milliards de paramètres au total dont environ 40 activés par token, contexte d'un million de tokens, 128 000 tokens en sortie, texte uniquement. L'éditeur attribue l'intégralité des gains au scaling du post-training, résumé par sa propre formule d'ouverture : « 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, ce qui constitue une rupture avec l'API précédente.
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 senior. La méthode s'appuie sur le stack introduit 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
Aucune de ces mesures n'a été reproduite par un tiers à la date de l'annonce. Z.ai revendique la première place parmi les modèles ouverts sur la quasi-totalité 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, GDPval-AA v2 à 1 769 points. 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.
Une capacité cyber émergente et des poids retenus
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 donc sur la moitié défensive du métier.
L'éditeur déclare 2 436 vulnérabilités remontées dans 269 projets open source, dont 1 097 critiques ou de sévérité haute, et publie un registre de divulgation (53 CVE attribués, 2 383 sous embargo). À cause de ces capacités, il a retardé d'environ deux semaines la publication des poids sur Hugging Face, visée autour du 28 août 2026, sous une licence MIT attendue mais non publiée au lancement. C'est la première fois qu'un modèle de la lignée GLM est retenu explicitement pour raison de sûreté.
Disponibilité et gouvernance
Au lancement, le modèle n'est accessible que via le GLM Coding Plan (à partir de 18 $ par mois) et l'agent maison ZCode, l'API générale et les poids arrivant par étapes. Aucun tarif API n'a été publié pour GLM-5.3. Le self-hosting exige environ 377 Go de mémoire en quantification 4-bit, soit quatre GPU H200. Z.ai est une entreprise chinoise cotée à Hong Kong depuis janvier 2026 et inscrite sur l'Entity List du département du Commerce américain depuis le 15 janvier 2025, deux éléments à instruire avant tout usage de son API hébergée.
Questions fréquentes
Qu'est-ce que GLM-5.3 ?
GLM-5.3 est le modèle de codage annoncé par Z.ai le 14 août 2026. Il réutilise sans réentraînement le modèle de base de GLM-5.2 (Mixture-of-Experts, 743 milliards de paramètres, contexte d'un million de tokens, texte uniquement) : l'éditeur attribue l'intégralité des gains au scaling du post-training.
Les poids de GLM-5.3 sont-ils ouverts ?
Pas au lancement. Z.ai a retardé leur publication d'environ deux semaines, vers le 28 août 2026, à cause d'une capacité de sécurité offensive qu'il dit n'avoir pas anticipée. La licence MIT est attendue mais n'a pas été publiée au lancement, et l'engagement de date relève de la feuille de route, pas du fait acquis.
GLM-5.3 est-il vraiment devant Claude Mythos 5 en cybersécurité ?
Sur un seul banc, CyberGym, avec 84,5 % contre 83,8 %, un écart qui tient dans le bruit de mesure et qui provient du harnais interne de Z.ai. Sur l'exploitation offensive, Mythos 5 le devance nettement (78 % contre 54,4 % sur ExploitBench). L'avance revendiquée porte sur la découverte de vulnérabilités, pas sur leur exploitation.
Peut-on héberger GLM-5.3 soi-même ?
Pas avant la publication des poids, visée fin août 2026. Le self-hosting exigera ensuite environ 377 Go de mémoire en quantification 4-bit AWQ (quatre GPU H200 ou cinq A100 80 Go), 754 Go en FP8 et 1 508 Go en BF16, ce qui le met hors de portée d'une infrastructure légère.
Articles liés
GLM 5.3 = GLM 5.2 + une pincée de cyber
Z.ai a annoncé GLM-5.3 le 14 août 2026 sans réentraîner son modèle de base : tous les gains viennent du post-training. Le laboratoire chinois retarde de deux semaines la publication des poids à cause d'une capacité cyber qu'il dit ne pas avoir planifiée. Lecture SFEIR.
GLM-5.2 : le modèle open-weights de Z.ai qui défie les modèles fermés pour agentique coding !
Annoncé mi-juin 2026, GLM-5.2 de Z.ai (ex-Zhipu AI) est un modèle open-weights — MoE, 744 milliards de paramètres, contexte 1M, licence MIT — optimisé pour le codage agentique long-horizon. Specs, benchmarks constructeur, prix, et les réactions d'experts comme Jeremy Howard ou Mat Velloso.
Comment choisir son modèle LLM en 2026 : la carte, pas le classement
Cinq laboratoires, des capacités qui convergent, des prix qui s'effondrent : en 2026, « quel est le meilleur modèle ? » devient la mauvaise question. Voici le cadre de décision qui remplace le classement : router par tâche, mesurer le coût par résultat, rester réversible, investir dans le système.
Kimi K3 de Moonshot AI : quand le frontier open-weights rattrape le propriétaire
Le 16 juillet 2026, Moonshot AI a lancé Kimi K3 : un modèle open-weights de classe frontier, 2,8 trillions de paramètres et un million de tokens de contexte annoncés, poids ouverts avant le 27 juillet. Lecture d'ingénieurs SFEIR de ce que l'open-weights chinois change vraiment pour une DSI.
La course open-weights chinoise : ce que Kimi K3 dit du nouveau marché des modèles
Kimi K3 n'est pas un événement isolé : c'est un coup dans une partie qui se joue à plusieurs : Moonshot, DeepSeek, Z.ai, Qwen. Des labs chinois qui publient leurs poids, cassent les prix et itèrent tous les deux mois. Ce que cette course « commodity » change pour une DSI.