Auf den Punkt: Z.ais neues Modell GLM-5.3 erreicht mit rund 750 Milliarden Parametern – einem Drittel der Größe von Kimi K3 – auf Agentic-Coding-Benchmarks Ergebnisse auf Höhe der führenden US-Modelle, allein durch massiv erweitertes Post-Training auf derselben Basis wie GLM-5.2.
Z.ai hat mit GLM-5.3 ein Modell vorgestellt, das auf zahlreichen Agentic-Coding-Benchmarks Moonshot AIs Kimi K3 übertrifft und teilweise auch Claude Fable 5 sowie GPT-5.6-Sol schlägt – bei nur rund 750 Milliarden Parametern, einem Drittel der Größe von Kimi K3. Für Praktiker stellt sich damit erneut die Frage, wie chinesische Labore mit deutlich geringeren Ressourcen an der Front der Modellentwicklung mithalten.
GLM-5.3 ist zunächst nur im Coding-Plan von Z.ai verfügbar, soll aber zeitnah über die API und in zwei Wochen als offene Gewichte auf Hugging Face erscheinen. Laut Z.ais Blogbeitrag basiert GLM-5.3 auf demselben Basismodell wie GLM-5.2, wurde jedoch mit deutlich erweitertem Post-Training versehen. Der Hersteller formuliert es knapp: „Scaling post-training is all we did for GLM-5.3.“ Im Vergleich zu Kimi, das eher als Pretraining-Referenz gilt, positioniert sich Z.ai damit als Spezialist für Post-Training-Verfahren.
Die Modellreihe reicht zurück bis 2019, als Zhipu AI gegründet wurde. Das ursprüngliche GLM (General Language Model) wurde im März 2021 von THUDM, der Data-Mining-Gruppe der Tsinghua-Universität, veröffentlicht, gefolgt von GLM-130B im August 2022 sowie den ChatGLM-Versionen 2023. Mit GLM-4 im Januar 2024 erfolgte die Umbenennung auf die heutige Modellbezeichnung, im Juni 2024 kam die offene GLM-4-9B-Variante hinzu. GLM-5 folgte im Februar 2026, GLM-5.2 im Juni desselben Jahres. Nach Angaben des Autors nutzen manche AI-Forscher GLM-5.2 wegen der Geschwindigkeit und der einfachen Handhabung intern weiter, teils auf eigenen Clustern für schnellere Inferenz.
Für die Diskussion um die Ursachen des Aufholens chinesischer Labore nennt der Autor mehrere Erklärungsansätze. Destillation von Frontier-Modellen gilt als gängige Erklärung, wird aber nicht als Hauptfaktor eingeschätzt. Erwähnt wird eine aktuelle Studie zu einfachen Methoden, mit denen sich Reasoning-Traces aus Frontier-Modellen extrahieren lassen – ein Verfahren, das chinesische Labore im großen Maßstab nutzen könnten und das laut Autor von US-Anbietern bislang nicht konsequent unterbunden wurde. Z.ai selbst beschreibt in seinem Blogbeitrag ein RL-dominiertes Trainingsregime mit „mehr Umgebungen, diverseren Aufgaben und mehr Rechenleistung für das Training darauf“ – Infrastruktur und Algorithmen für Reinforcement-Learning-Umgebungen lassen sich laut Autor nicht einfach destillieren.
Für Praktiker, die Modelle für Agentic-Coding-Workloads evaluieren, ist relevant, dass GLM-5.3 bei deutlich kleinerer Parameterzahl konkurrenzfähige Benchmark-Ergebnisse liefert und in Kürze offen als Gewichte verfügbar sein soll. Die Frage nach Benchmaxxing – also einer gezielten Optimierung auf Testsets statt auf reale Generalisierung – bleibt im Originaltext unbeantwortet und wird vom Autor als offener Diskussionspunkt markiert.
Quelle: www.interconnects.ai · Erschienen 14. August 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.8.3.