Tóm tắt
GLM-5.3 dùng cùng base model với GLM-5.2; theo Z.ai, toàn bộ mức tăng năng lực đến từ post-training. Bản phát hành open-weight tập trung vào coding dài hơi, sử dụng tool và an ninh mạng, đồng thời hỗ trợ triển khai qua SGLang, vLLM, TokenSpeed, Transformers, KTransformers và Unsloth.
Điểm đáng chú ý không chỉ là một model mới mà là khoảng cách giữa hai lần post-training trên cùng nền. Tuy nhiên, phần lớn số liệu do chính nhóm phát hành đo với context, timeout và agent harness khá lớn, nên dev vẫn cần eval trên workload của mình trước khi chọn model.
Phát hiện chính
Coding và tác vụ dài hơi
Z.ai báo cáo GLM-5.3 tăng mạnh so với GLM-5.2 trên nhiều benchmark:
- Terminal Bench 2.1: 88,2 so với 81,0.
- Terminal Bench 3.0: 28,3 so với 4,6.
- DeepSWE 1.1: 66,9 so với 46,2.
- NL2Repo: 58,0 so với 48,9.
- FrontierSWE: 78,1 so với 67,5.
- SWE-Marathon 1.1: 42,5 so với 19,4.
- PostTrainBench: 39,8 so với 31,7.
GLM-5.3 không đứng đầu mọi hàng trong bảng so sánh. Chẳng hạn, kết quả Terminal Bench 3.0 được công bố thấp hơn GPT-5.6 Sol và Fable 5, còn DeepSWE thấp hơn một số model đóng. Ý nghĩa thực tế của bảng là mức tăng so với GLM-5.2 trên cùng họ model, không phải một tuyên bố rằng GLM-5.3 luôn thắng mọi đối thủ.
Cyber, tool use và automation
Nhóm phát hành cho biết năng lực cyber tăng nhanh hơn dự kiến trong quá trình post-training. GLM-5.3 đạt 84,5 trên CyberGym, so với 77,2 của GLM-5.2. Trên ExploitGym, số bài hoàn tất ở ngân sách 2 giờ/6 giờ tăng từ 29/39 lên 105/130; ExploitBench tăng từ 24,4 lên 54,4.
Các bài đánh giá khác cũng cho thấy bước tiến: Toolathlon Verified đạt 73,0, AutomationBench 48,2 so với 26,2, Agents’ Last Exam 28,5 và HLE với tool 62,5. Những con số này gợi ý model phù hợp hơn cho agent phải gọi tool và theo đuổi workflow dài, nhưng đồng thời làm tăng yêu cầu kiểm soát quyền và sandbox khi dùng cho công việc liên quan đến bảo mật.
Phương pháp và giới hạn
Điều kiện benchmark không giống một phiên coding thông thường. Một số bài dùng Claude Code làm harness, context từ 300K đến 1M token, output tối đa 64K hoặc 128K token và timeout tới 6–10 giờ. Terminal Bench 3.0 lấy trung bình ba lượt chạy; CyberGym dùng Pass@1 một lượt trên 1.507 tác vụ; một số bài dùng model khác làm judge.
Nhóm cũng điều chỉnh một số harness hoặc anti-cheat check để tránh false positive và lỗi môi trường. Vì vậy, không nên so từng ô giữa các model mà bỏ qua protocol. Chi phí inference, tốc độ token, quantization, VRAM và tỷ lệ hoàn tất trên repo thật vẫn cần được đo riêng.
Cách triển khai
GLM-5.3 có recipe cho SGLang, vLLM, TokenSpeed, Transformers, KTransformers và Unsloth; nền tảng Ascend NPU cũng được hỗ trợ qua các framework tương ứng. Model cho phép điều khiển thinking budget bằng tham số reasoning_effort với ba mức low, high và max. Nếu không truyền giá trị hợp lệ, mặc định là max.
Trong chat template, clear_thinking mặc định là false. Với kịch bản chat, tài liệu khuyên đặt rõ clear_thinking=true. Khi tái tạo benchmark hoặc so sánh nội bộ, cần giữ nguyên cấu hình sampling, context, timeout và effort; nếu không, kết quả không còn cùng điều kiện.
Ý nghĩa với Dev
Một quy trình đánh giá thực dụng nên bắt đầu bằng vài issue hoặc repo đại diện, khóa ngân sách tiền và thời gian, rồi đo tỷ lệ hoàn tất, lỗi do tool, latency và chất lượng patch. Nếu tự host, hãy tính cả chi phí phần cứng, quantization và vận hành thay vì chỉ nhìn giá token.
Open weights giúp team kiểm soát nơi chạy model và cách tích hợp, nhưng không tự động biến benchmark của nhà phát hành thành bằng chứng production. Giá trị lớn nhất của GLM-5.3 là cho thấy post-training có thể thay đổi đáng kể hành vi của một base model đã có; quyết định áp dụng vẫn phải đến từ eval của chính hệ thống.