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 · Q004658

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Die Modellseite berichtet, GLM-5.3 verbessere sich gegenüber GLM-5.2 vor allem bei Programmier-, Agenten- und Cyber-Benchmarks; laut Anbieter stammen die Zuwächse aus dem nachträglichen Training. Die Tabelle zeigt je nach Aufgabe unterschiedliche Rangplätze, und die Fußnoten weisen auf variierende Testbedingungen hin, die direkte Vergleiche einschränken.

Mittel

Die Hugging-Face-Seite stellt GLM-5.3 vor. Laut Z.ai nutzt es dieselbe Grundversion wie GLM-5.2; die Leistungszuwächse kämen aus dem nachträglichen Training. Der Anbieter meldet eine Steigerung um 50 Prozent auf einem internen Code-Benchmark und hebt Programmier-, Agenten- und Cyber-Aufgaben hervor.

Die Vergleichstabelle zeigt höhere Werte als GLM-5.2 in allen aufgeführten Benchmarks, aber kein durchgängiges Übergewicht gegenüber den anderen Modellen. GLM-5.3 liegt unter anderem bei CyberGym, AutomationBench und GDPval-AA v2 vorn, während es etwa bei Terminal Bench 2.1, DeepSWE und Toolathlon Verified hinter Konkurrenten bleibt. Z.ai betont besonders CyberGym und ExploitGym; die angegebenen Werte hängen jedoch von den jeweiligen Aufgaben und Zeitbudgets ab.

Die Fußnoten nennen unterschiedliche Testaufbauten, Kontextgrößen, Laufzeiten, Wiederholungen und Bewertungsverfahren. Manche Resultate sind Einzelmessungen, andere gemittelt, weshalb die Zahlen nur eingeschränkt direkt vergleichbar sind. Die Seite führt außerdem mehrere Frameworks für lokalen Betrieb auf und beschreibt Einstellungen für Denkbudget und Chat-Template.

Ausführlich lesen

Der Bericht ist eine Hugging-Face-Modellseite zu GLM-5.3. Nach Angaben des Anbieters basiert das Modell auf derselben Grundversion wie GLM-5.2; die Verbesserungen seien durch nachträgliches Training entstanden. Z.ai beschreibt GLM-5.3 als deutlich leistungsfähiger bei anspruchsvoller Programmierung und länger laufenden Aufgaben. Auf einem internen Code-Benchmark sei der Wert gegenüber GLM-5.2 um 50 Prozent gestiegen. Der Anbieter beansprucht außerdem Spitzenplätze unter Open-Weight-Modellen bei Terminal Bench 3.0 und Agents’ Last Exam. Die Tabelle zeigt jedoch, dass GLM-5.3 dort nicht jeweils den höchsten aufgeführten Wert erreicht: GPT-5.6 Sol liegt bei beiden knapp davor.

Die Benchmark-Tabelle vergleicht GLM-5.3 mit GLM-5.2 und mehreren weiteren Modellen über Programmier-, Agenten-, Automatisierungs- und Sicherheitsaufgaben hinweg. GLM-5.3 erzielt gegenüber GLM-5.2 durchgehend höhere Werte in den aufgeführten Zeilen. Es führt etwa bei CyberGym mit 84,5, bei AutomationBench mit 48,2 und bei GDPval-AA v2 mit 1769. In anderen Aufgaben liegt es hinter Mitbewerbern: zum Beispiel bei Terminal Bench 2.1, DeepSWE, NL2Repo und Toolathlon Verified. Die Ergebnisse ergeben daher kein einheitliches Ranking, sondern hängen vom Benchmark ab.

Besonders hervorgehoben wird die Cyber-Leistung. Z.ai berichtet, dass GLM-5.3 bei CyberGym für das Auffinden von Schwachstellen den Spitzenwert erreicht habe und die Zuwächse bei Aufgaben entlang der Ausnutzungskette am größten seien. Im ExploitGym weist die Tabelle für GLM-5.3 105 beziehungsweise 130 aus, verglichen mit 29 beziehungsweise 39 für GLM-5.2; die zwei Zahlen stehen für Zeitbudgets von zwei und sechs Stunden. Bei ExploitBench beträgt der Wert 54,4 gegenüber 24,4. Andere Modelle erreichen in diesen Tabellen teils höhere Werte. Die Aussagen sind Anbieterangaben zu Benchmark-Leistungen und belegen für sich genommen keine allgemeine Leistung in realen Einsatzsituationen.

Die Fußnoten beschreiben unterschiedliche Testbedingungen, darunter Modell- und Agenten-Harnesses, Kontext- und Ausgabelimits, Zeitbudgets, Wiederholungszahlen und Bewertungsverfahren. Manche Resultate sind Einzelbewertungen, andere Mittelwerte oder beruhen auf mehreren Durchläufen. Bei ExploitGym werden Zeitwerte anhand modellabhängiger Tokenraten angepasst. Für mehrere Cyber-Benchmarks nennt der Bericht Einschränkungen wie deaktivierte Webwerkzeuge und eine Domain-Whitelist. Diese Unterschiede begrenzen die direkte Vergleichbarkeit der Zahlen. Der Bericht nennt zudem unterstützte lokale Bereitstellungswege, darunter SGLang, vLLM, Transformers und Unsloth. Für GLM-5.3 lassen sich außerdem Denkbudgets über `reasoning_effort` steuern; ohne gültige Angabe gilt laut Seite `max`. Im Chat-Template sei `clear_thinking` standardmäßig deaktiviert; für Chats empfiehlt die Seite, es ausdrücklich zu aktivieren.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassungen wurden gemeinsam bewertet; die Stufen der Einordnung sind unabhängig von Lunas Angaben vergeben. Der Bericht ist eine Modellkarte mit Benchmark-Tabellen eines einzelnen Anbieters und behandelt Governance-Fragen nicht direkt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Aussage, GLM-5.3 verdopple GLM-5.2 bei Exploitation-Benchmarks (fehlt in beiden Fassungen)
  • Die Angabe, dass Cyberfähigkeiten schneller als erwartet entstanden (fehlt in beiden Fassungen)
  • Die Anti-Cheat-Maßnahmen und Domain-Whitelists aus den Fußnoten (fehlt in beiden Fassungen)
  • Die 50-Prozent-Steigerung gegenüber GLM-5.2 fehlt in der Kurzfassung
  • Die Hinweise zu reasoning_effort und clear_thinking fehlen in der Kurzfassung

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
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 %umfangreiche Belege
    • Luna 49 %umfangreiche Belege
    • JEV 50 %umfangreiche Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 31 %einzelne zitierbare Belege
    • drex 29 %einzelne zitierbare Belege
    • d3-ultra 49 %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 · 32 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • 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 · 27 % · einzelne zitierbare Belege
    • 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 · 28 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  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 31 %Hintergrund, keine Belege
    • JEV 33 %umfangreiche Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 22 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 43 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 21 %Hintergrund, keine Belege
    • Luna 47 %einzelne zitierbare Belege
    • JEV 57 %umfangreiche Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 21 %einzelne zitierbare Belege
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-P3-T01 Welcher gemeinsame Rahmen für Labore macht Selbstüberwachung überprüfbar, ohne geschütztes geistiges Eigentum offenzulegen, und welche unabhängigen Verfahren Dritter, falls es sie gibt, bestätigen, dass die Selbstüberwachung riskantes Verhalten vor der Freigabe wirklich findet und nicht nur Schein ist? Luna: Stufe 4 · 23 % · einzelne zitierbare Belege
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 29 %Hintergrund, keine Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 23 %Hintergrund, keine Belege
    • Luna 29 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 32 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 66 %gleiches Oberthema, hilft nicht
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 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %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 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 73 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht

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 37 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 23 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %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 21 %gleiches Oberthema, hilft nicht
    • Luna 27 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht

    • SF-H2-T01 Was unterscheidet das Veröffentlichen von Modellgewichten (den gelernten Parametern) oder von Agentenwerkzeugen mit offenem Quellcode vom Freisetzen einer Waffe: die Absicht des Akteurs, die Selbstständigkeit des Modells, seine Verwendung oder der Schaden, den es von sich aus anrichten kann? Und können Staaten diese Grenze gemeinsam festschreiben, bevor ein offenes Modell im Mittelpunkt eines schweren Vorfalls steht? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 40 %einzelne zitierbare Belege
    • JEV 51 %beantwortet teilweise oder widerspricht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht

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 100 %kein Bezug
    • JEV 39 %umfangreiche Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 →