zai-org、GLM-5.3を公開 Z.ai Code BenchでGLM-5.2比50%向上

zai-orgはオープンウェイトモデル「GLM-5.3」をHugging Faceで公開しました。社内のZ.ai Code BenchでGLM-5.2比50%の改善を示し、Terminal Bench 3.0では28.3(GLM-5.2は4.6)を記録しています。

GLMはZ.aiが開発するAIモデルのファミリーで、文章生成や推論、コード作成、ツールを使う処理を対象としています。

何が新しいか

zai-orgによると、GLM-5.3はGLM-5.2と同じベースモデルを使い、性能向上はすべてポストトレーニングによるものです。複雑なコーディングと長期的タスクを強化し、Terminal Bench 3.0とAgents' Last ExamでオープンソースSOTA、脆弱性発見のCyberGymでSOTAを達成したとしています。原文は、ポストトレーニングを拡大する中でサイバー能力が想定より速く伸びたと述べ、エクスプロイト系ベンチマークではGLM-5.2の2倍以上のスコアを示しています。ライセンスはotherです。

ベンチマーク

ベンチマーク	GLM-5.3	GLM-5.2
Terminal Bench 2.1	88.2	81.0
Terminal Bench 3.0	28.3	4.6
DeepSWE (v1.1)	66.9	46.2
NL2Repo	58.0	48.9
SWE-Marathon (v1.1)	42.5	19.4
CyberGym	84.5	77.2
ExploitGym (2h / 6h)	105 / 130	29 / 39
ExploitBench	54.4	24.4
AutomationBench (v1.0.6)	48.2	26.2
Agents' Last Exam (ALE-CLI)	28.5	23.8
HLE w/ Tools	62.5	54.7
GDPval-AA v2	1769	1508

同じ表の比較対象では、GPT-5.6 SolがTerminal Bench 3.0で34.6、DeepSWEで72.7、ExploitGymで216 / 293を記録しています。Kimi K3はTerminal Bench 3.0で17.4、DeepSeek-V4 Pro-0813はCyberGymで83.3です。

評価条件として、HLE w/ Toolsはtemperature=1.0、top_p=0.95、最大生成長163,840 tokens、最大コンテキスト長300,000 tokensで評価しています。NL2Repoは1Mコンテキスト・max_new_tokens=64k、DeepSWEはmini-swe-agentハーネスで400Kコンテキスト・timeout=6hの条件です。

ローカルでの動かし方

モデルIDはzai-org/GLM-5.3です。対応フレームワークはSGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unslothで、Ascend NPU向けにはvLLM-Ascend、xLLM、SGLangが使えます。

推論設定の注意点は2つあります。

• reasoning_effortで思考量をlow/high/maxの3段階から選べます。未指定またはその他の値ではmaxになり、ベンチマークやリーダーボードを再現する場合は既定のmaxを使います。
• chat templateのclear_thinkingは未指定時falseです。チャット用途ではclear_thinking=trueを明示します。