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 · Q004667

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Auszug beschreibt GLM-5.3-Flash als multimodales Modell mit 320 Milliarden Gesamtparametern und nennt technische Änderungen sowie verschiedene Optionen für den lokalen Betrieb. Z.ai behauptet Leistungs- und Kostenvorteile; die aufgeführten Benchmarkwerte stammen jedoch aus unterschiedlichen Testaufbauten, und die verlinkte Grafik ist im Auszug nicht inhaltlich enthalten.

Mittel

Der vorliegende Auszug einer Hugging-Face-Modellseite stellt GLM-5.3-Flash als erstes nativ multimodales Modell der GLM-5-Reihe vor. Laut Z.ai hat es 320 Milliarden Gesamtparameter, davon 18 Milliarden aktiv. Der Anbieter behauptet, es übertreffe GLM-5.2 bei Benchmarks und praktischen Aufgaben zu einem Zehntel der Kosten und nähere sich Claude Opus 4.8 bei Programmier- und agentischen Aufgaben. Als technische Neuerungen nennt die Seite eine Kombination aus sparsamer und linearer Aufmerksamkeit, mHC sowie Vortraining mit 30 Billionen multimodalen Token. Diese Änderungen sollen Effizienz und Fähigkeiten bei langen Kontexten verbessern.

Für den lokalen Betrieb werden SGLang, vLLM, TokenSpeed, Transformers, KTransformers und Unsloth aufgeführt. Die Seite erläutert außerdem `reasoning_effort` mit den Stufen `low`, `high` und `max` (Standard) sowie die Chat-Template-Einstellung `clear_thinking`, die standardmäßig `false` ist.

Angeführte Ergebnisse umfassen unter anderem 84,3 bei Terminal-Bench 2.1 und 63,4 bei DeepSWE. Die Fußnoten nennen unterschiedliche Testbedingungen und Bewertungsverfahren, weshalb die Werte an ihre jeweiligen Setups gebunden sind. Da nur ein Auszug vorliegt und die verlinkte Benchmark-Grafik nicht inhaltlich enthalten ist, lassen sich die Leistungsbehauptungen daraus nicht vollständig überprüfen.

Ausführlich lesen

Der vorliegende Auszug aus einer Hugging-Face-Modellseite stellt GLM-5.3-Flash vor, ein von Z.ai beschriebenes Modell und das erste nativ multimodale Modell der GLM-5-Reihe. Laut Anbieter umfasst es insgesamt 320 Milliarden Parameter, von denen 18 Milliarden aktiv seien. Z.ai behauptet, das Modell übertreffe GLM-5.2 bei Benchmarks und praktischen Aufgaben, koste dabei ein Zehntel so viel und nähere sich Claude Opus 4.8 bei Programmier- und agentischen Benchmarks. Diese Leistungsangaben sind Behauptungen des Anbieters; der Auszug enthält keine vollständige Vergleichstabelle, anhand derer sie hier unabhängig eingeordnet werden könnten.

Der Anbieter sagt, GLM-5.3-Flash beginne mit einem neu trainierten Basismodell. Architektur und Trainingsverfahren seien auf Leistungsfähigkeit und Effizienz ausgelegt. Als Neuerungen nennt die Seite eine hybride Architektur aus sparsamer und linearer Aufmerksamkeit, die Kosten beim Betrieb mit langen Kontexten senken solle, während präzise Fähigkeiten für lange Kontexte erhalten blieben. Zusätzlich werde Manifold-Constrained Hyper-Connections (mHC) eingesetzt, um die Skalierung effizienter zu machen. Ein multimodaler Vortrainingskorpus mit 30 Billionen Token soll nach Darstellung des Anbieters zu den Verbesserungen beitragen.

Die Seite nennt sechs Möglichkeiten zur lokalen Bereitstellung: SGLang, vLLM, TokenSpeed, Transformers, KTransformers und Unsloth; jeweils werden Anleitungen oder Rezepte verlinkt. Für den Einsatz sind zwei Einstellungen hervorgehoben: `reasoning_effort` steuert das Denkbudget und akzeptiert `low`, `high` oder `max`. Ohne gültige Angabe gilt `max`; für Benchmark- und Ranglistenvergleiche empfiehlt die Seite, diesen Standardwert beizubehalten. Im Chat-Template ist `clear_thinking` standardmäßig `false`; für Chatszenarien empfiehlt der Anbieter, es ausdrücklich auf `true` zu setzen.

Der Auszug führt mehrere Evaluationsergebnisse an, darunter 84,3 auf Terminal-Bench 2.1, 63,4 auf DeepSWE und 26,3 beim ALE CLI Pass Rate. Außerdem erscheinen Werte für weitere Terminal-Bench- und OmniDocBench-Auswertungen. Die Fußnoten beschreiben unterschiedliche Testbedingungen: etwa Temperatur, Sampling-Parameter, Kontext- und Ausgabelängen, Zeitlimits, Auswertungsharnesses sowie teils externe Bewertungsdienste. Bei Toolathlon Verified seien beispielsweise offizielle Auswertungen und der über drei unabhängige Läufe gemittelte pass@1-Wert verwendet worden. Für NL2Repo werden Regeln und ein Sprachmodell zur Abwehr missbräuchlicher Aktionen erwähnt. Diese Angaben zeigen, dass die Resultate an konkrete Versuchsaufbauten gebunden sind; ein umfassender, einheitlicher Vergleich lässt sich aus dem vorliegenden Ausschnitt allein nicht ableiten.

Die Modellseite nennt außerdem rund 6,38 Millionen Downloads im letzten Monat, eine Modellgröße von 321 Milliarden Parametern und die Datentypen BF16, F8_E4M3 und F32. Sie verweist auf einen technischen Bericht und bietet eine Zitierangabe. Da hier nur der Auszug der Webseite vorliegt und die verlinkte Benchmark-Grafik nicht inhaltlich wiedergegeben wird, bleiben die vollständigen Benchmarkdaten und die Belege für die allgemeinen Leistungsversprechen offen.

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

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 7 von 7
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 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV offen
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

    • 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 3 · 26 % · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 27 %einzelne zitierbare Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 25 % · einzelne zitierbare Belege
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 34 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %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 4 · 40 % · einzelne zitierbare Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 54 %umfangreiche Belege
    • JEV offen
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
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 →