Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004650

GLM-5.3

docs.z.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Z.ai zufolge verbessert GLM-5.3 gegenüber GLM-5.2 die Leistungen bei Programmier-, Agenten- und Cybersicherheitsaufgaben; der Bericht nennt dazu Anbieterbenchmarks und Prüfungen realer Codebasen, betont aber auch verbleibende Abstände zu einigen Vergleichsmodellen und den weiterhin nötigen menschlichen Aufwand bei der Aufgabenerzeugung. Das Modell verarbeitet derzeit nur Text, hat ein Kontextfenster von einer Million Tokens und arbeitet stets mit aktiviertem Schlussfolgern; die genannten Ergebnisse werden im Bericht nicht unabhängig überprüft.

Mittel

Der Bericht präsentiert GLM-5.3 als Z.ais neues Flaggschiffmodell für komplexe Programmierung und Agentenaufgaben. Laut Anbieter baut es auf derselben Grundmodellbasis wie GLM-5.2 auf; die Fortschritte entstünden durch nachgelagertes Training. Z.ai meldet unter anderem 50 Prozent mehr Leistung als GLM-5.2 im eigenen Code Bench und Verbesserungen bei öffentlichen Benchmarks. Dafür trainiere das Unternehmen mit realitätsnahen, mehrstufigen Aufgaben und automatisch erzeugten Umgebungen und Prüfverfahren. Diese Pipeline benötige weiterhin erheblichen menschlichen Einsatz.

Auch bei Cybersicherheitsaufgaben berichtet Z.ai von Zuwächsen: GLM-5.3 erreiche auf CyberGym 84,5 Prozent und erledige auf ExploitGym mehr Aufgaben als GLM-5.2. Bei anspruchsvolleren Exploit-Benchmarks bleibe jedoch ein Abstand zu den im Bericht genannten geschlossenen Modellen. In Prüfungen realer Codebasen seien laut Anbieter 2.436 Schwachstellen in 269 Projekten gefunden worden, darunter 1.097 mittlere bis schwerwiegende; die Funde seien fachlich geprüft und bereinigt worden.

Das Modell akzeptiert derzeit nur Texte, bietet ein Kontextfenster von einer Million Tokens und stets aktiviertes Schlussfolgern mit drei Aufwandsstufen. Der Bericht erläutert API-Protokolle und eine nötige Änderung für Anwendungen, die Schlussfolgern deaktiviert hatten. Leistungs- und Sicherheitswerte sind Anbieterangaben; eine unabhängige Bestätigung enthält der Text nicht.

Ausführlich lesen

Der Bericht stellt GLM-5.3 als neues Flaggschiffmodell von Z.ai vor und behauptet deutliche Fortschritte bei komplexer Softwareentwicklung und agentischen Aufgaben. Es nutze dieselbe Grundmodellbasis wie GLM-5.2; die Verbesserungen führt Z.ai auf das nachgelagerte Training zurück. Nach Angaben des Anbieters erzielt GLM-5.3 im unternehmenseigenen Z.ai Code Bench eine um 50 Prozent höhere Leistung als GLM-5.2 und schneidet bei mehreren öffentlichen Programmier- und Agentenbenchmarks stark ab.

Als Vorgehen beschreibt Z.ai Trainingsumgebungen, die reale Arbeitsabläufe nachbilden sollen, darunter Aufgaben, die erfahrene Entwickler mehrere Tage beschäftigen könnten. Ein Beispiel ist die Analyse und Optimierung einer ML-Infrastruktur mit dem Ziel, messbare Geschwindigkeitsgewinne zu erreichen und zugleich die Korrektheit zu erhalten. Agenten erzeugen laut Bericht ausführbare, mehrstufige Aufgaben; ein weiterer Agent prüft ihre Lösbarkeit. Für einen Teil der Aufgaben werden auch Belohnungssignale generiert. Die Verifikation soll unter anderem gegen triviale oder ungelöste Lösungen prüfen. Z.ai betont jedoch, dass diese Prozesse weiterhin erheblichen menschlichen Einsatz erfordern. Als Benchmarkwerte nennt der Bericht Verbesserungen gegenüber GLM-5.2 auf Terminal-Bench 3.0 von 4,6 auf 28,3, auf DeepSWE v1.1 von 46,2 auf 66,9 und bei Agents’ Last Exam von 23,8 auf 28,5. Im internen Code Bench berichtet Z.ai außerdem von besseren Ergebnissen bei geringerem Tokenverbrauch. Bei maximalem Aufwand werden 34,5 Prozent bei etwa 75.000 Ausgabetokens für GLM-5.3 gegenüber 23,4 Prozent bei 96.000 Tokens für GLM-5.2 angegeben. Im Vergleich zu den genannten geschlossenen Modellen liege GLM-5.3 bei hohem Aufwand vor Claude Opus 4.8, aber hinter Claude Fable 5 bei maximalem Aufwand.

Ein weiterer Schwerpunkt ist Cybersicherheit. Z.ai berichtet, dass GLM-5.3 bei CyberGym 84,5 Prozent erreicht und damit GLM-5.2 sowie die im Bericht aufgeführten Vergleichsmodelle übertrifft. Bei ExploitBench verdoppele sich der Wert gegenüber GLM-5.2 mehr als, bleibe aber unter den genannten Werten von Mythos 5 und GPT-5.6 Sol. Bei ExploitGym erledige GLM-5.3 laut Anbieter 105 Aufgaben innerhalb von zwei und 130 innerhalb von sechs Stunden; Mythos 5 liege weiterhin deutlich darüber. Z.ai sagt außerdem, das Modell habe bei Prüfungen realer Codebasen 2.436 Schwachstellen in 269 Projekten gefunden, darunter 1.097 mittelschwere bis schwerwiegende. Die Angaben beruhen laut Bericht auf fachlicher Prüfung, Sichtung und Bereinigung von Duplikaten; eine fortlaufend aktualisierte Offenlegungsübersicht dokumentiere den Status der Funde.

Technisch unterstützt das Modell laut Dokumentation derzeit nur Texteingaben, ein Kontextfenster von einer Million Tokens und Ausgaben bis 128.000 Tokens. Schlussfolgern ist immer eingeschaltet; verfügbar sind die Stufen „low“, „high“ und „max“, standardmäßig „max“. Anwendungen, die zuvor deaktiviertes Schlussfolgern übermittelten, müssen laut Migrationshinweis angepasst werden, sonst schlägt die Anfrage fehl. Der Bericht beschreibt API-Zugänge über OpenAI-kompatible und Anthropic-kompatible Protokolle, weist aber darauf hin, dass frühere oder abgelaufene GLM-Coding-Plan-Abonnements die API derzeit nur über das OpenAI-Chat-Completion-Protokoll nutzen können. Insgesamt sind Leistungs- und Sicherheitsbefunde als Angaben des Anbieters zu verstehen; der Text beschreibt Benchmarks und interne Prüfungen, liefert aber keine unabhängige Überprüfung dieser Resultate.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen wurden gemeinsam bewertet; sie sind größtenteils korrekt, lassen aber die Benchmark-Zuwächse und die Offenlegungsinitiative aus. Lunas Stufen für SF-F1, SF-F1-T04 und SF-F1-T05 wirken zu hoch, weil der Bericht die Fragen nach neutralen, gemeinsam anerkannten Tests und Schwellenwerten nicht beantwortet. Quelle ist ein Anbieterbericht, dessen Angaben nicht unabhängig geprüft sind.

Im Bericht, aber nicht in der Zusammenfassung

  • Konkrete Zuwächse bei Terminal-Bench 3.0 (von 4,6 auf 28,3) und DeepSWE v1.1 (von 46,2 auf 66,9)
  • Verdopplung auf ExploitBench (von 24,4 auf 54,4 Prozent)
  • Der Z.ai Security Disclosure Ledger zur laufenden öffentlichen Offenlegung der Funde
  • Maximale Ausgabelänge von 128K Tokens
  • Token-Effizienz: GLM-5.3 erreicht laut Bericht höhere Werte bei weniger Ausgabetokens
  • Aussage, dass die Cyberfähigkeiten schneller als erwartet mit der Skalierung des Post-Trainings zunahmen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 27 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-M4-T03 Mit welchem technischen Prüfverfahren stimmen Labore verschiedener Staaten die verantwortliche Offenlegung ab, wenn ein führendes KI-Modell eine kritische, bislang unbekannte Sicherheitslücke (Zero-Day) findet? Und könnten Labore ein gemeinsames, technisch ausgearbeitetes Protokoll für die Offenlegung von Cyberfähigkeiten entwerfen, das als Standard übernommen wird, auf den sich Regierungen stützen können? Luna: Stufe 3 · 26 % · Hintergrund, keine Belege
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 21 %einzelne zitierbare Belege
    • Luna 61 %umfangreiche Belege
    • JEV 47 %umfangreiche Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 27 %einzelne zitierbare Belege
    • drex 40 %einzelne zitierbare Belege
    • d3-ultra 57 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 4 · 42 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 4 · 36 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 33 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  3. SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht

Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 20 %gleiches Oberthema, hilft nicht
    • Luna 39 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 35 %gleiches Oberthema, hilft nicht
    • drex 34 %einzelne zitierbare Belege
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

  3. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 26 %nur am Rande erwähnt
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-T3-T03 Welche Teile von Training, Prüfung und Einsatz laufen schon heute weitgehend durch KI, und welche Rollen sagt jedes Labor zu, bei Menschen zu lassen, in einer veröffentlichten Liste statt als bloßer Grundsatz? Wenn KI nachfolgende Modelle selbst entwirft, trainiert und prüft: Welcher Mindestanteil der Forschung muss unter direkter menschlicher Prüfung bleiben, und wie belegt man, dass ein Durchbruch mit menschlicher Beteiligung und nicht vollautomatisch entstanden ist? Luna: Stufe 3 · 26 % · Hintergrund, keine Belege
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 41 %gleiches Oberthema, hilft nicht
    • JEV 34 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 79 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 45 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 36 %beantwortet teilweise oder widerspricht
    • amos 25 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 32 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 33 %einzelne zitierbare Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 33 %einzelne zitierbare Belege
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →