GLM 5.3 von Z.ai: Benchmarks, Open Weights und Praxis 2026

GLM 5.3 ist das am 14. August 2026 veröffentlichte Coding Modell von Z.ai. GLM 5.3 nutzt dasselbe Basismodell mit 743 Milliarden Parametern wie GLM 5.2, alle Leistungsgewinne stammen laut Z.ai allein aus einem deutlich ausgeweiteten Post Training.

Die Architektur bleibt unverändert. Das Kontextfenster bleibt bei einer Million Token. Neu sind die Werte bei langlaufenden Coding Aufgaben und in der Sicherheitsanalyse. Und neu ist, dass die offenen Gewichte diesmal nicht sofort erscheinen.

Das ist eine bemerkenswerte Ansage. Die Branche skaliert seit Jahren nach oben. Mehr Parameter, mehr Daten, neue Attention Mechanik. Z.ai geht einen anderen Weg und trainiert ein bereits ausgeliefertes Modell einfach härter nach.

Introducing GLM-5.3: Built to Code. Ready for Cyber Defense.

Z.ai (@Zai_org) auf X, 14. August 2026

Post Training statt neuer Architektur

GLM 5.2 kam Mitte Juli 2026 als Mixture of Experts Modell mit einem nutzbaren Kontextfenster von einer Million Token. Die Details dazu stehen in unserer Übersicht zu GLM 5.2 und GLM 5.3. GLM 5.3 erbt dieses Fundament komplett.

Was Z.ai geändert hat, liegt in der Trainingsumgebung. Das Team hat Sandboxes gebaut, die eine echte Entwickler Workstation nachbilden, und das Modell darin komplexe Aufgaben lösen lassen. Manche dieser Aufgaben liefen über Tage. Genau das ist der Punkt: Ein Coding Agent scheitert selten am einzelnen Funktionsaufruf, sondern daran, über hunderte Schritte den Faden zu behalten.

Die Sandboxes selbst hat Z.ai von spezialisierten Agenten generieren lassen. Wer sich fragt, wie so etwas im eigenen Projekt aussieht, findet den praktischen Unterbau in unseren Vibe Coding Best Practices.

Die Benchmarks und was sie wert sind

Alle folgenden Zahlen stammen aus der Ankündigung von Z.ai. Unabhängige Nachmessungen fehlen zum jetzigen Zeitpunkt. Wir kennzeichnen das bewusst, weil Launch Benchmarks ein Startsignal sind und kein Beweis.

Der Sprung bei Terminal Bench 3.0 ist der interessanteste Wert, weil dieser Benchmark lange Aufgabenketten misst. Beim internen Code Bench nennt Z.ai zusätzlich den Token Verbrauch: 31,4 Prozent bei rund 50.000 Output Token pro Aufgabe. Zum Vergleich führt Z.ai Claude Opus 4.8 mit 29,5 Prozent bei 120.000 Token an. Anthropics Claude Fable 5 liegt in derselben Tabelle mit 39,5 Prozent bei maximalem Aufwand vorn.

Übersetzt heißt das: GLM 5.3 ist nicht das stärkste Modell am Markt, aber es ist sparsam. Bei agentischen Workflows, die tausende Aufrufe machen, entscheidet genau das über die Rechnung am Monatsende. Wie sich das gegen andere offene Modelle schlägt, ordnen wir in unserem Vergleich chinesische KI Modelle für AI Coding ein.

Warum die Gewichte diesmal warten

Bisher lief es bei Z.ai so: Coding Plan und offene Gewichte kamen fast gleichzeitig, meist unter MIT Lizenz. Bei GLM 5.3 ist das anders. Das Modell läuft ab sofort über die Z.ai API, den GLM Coding Plan und ZCode. Die Gewichte sollen laut Z.ai rund zwei Wochen später folgen, nach abgeschlossener Sicherheitsprüfung.

Der Grund liegt in dem, was das Post Training nebenbei erzeugt hat. Z.ai schreibt, die Fähigkeit des Modells im Bereich Sicherheitsanalyse sei schneller gewachsen als erwartet. In der Praxis hat GLM 5.3 nach Herstellerangaben über 2.400 Schwachstellen in 269 Softwareprojekten gefunden, davon rund 1.097 mit hoher oder kritischer Einstufung. Betroffen sind unter anderem der Linux Kernel, WebKit und FreeBSD. Eine der Fundstellen steckte in Code, der vor rund 40 Jahren geschrieben wurde.

Z.ai führt dazu ein öffentliches Security Disclosure Ledger. Zum Launch waren 53 Fälle mit CVE veröffentlicht, 2.383 lagen noch unter Embargo. Das ist ein sauberer Umgang mit einem heiklen Thema, und es ist das erste Mal, dass ein chinesisches Labor eine Gewichtsfreigabe ausdrücklich aus Sicherheitsgründen verschiebt.

Für Teams heißt das ganz praktisch: Wer GLM 5.3 heute nutzen will, nutzt eine API. Der datenschutzkonforme lokale Betrieb kommt später. Bis dahin bleiben die bewährten Optionen aus unserer Übersicht der Ollama Modelle die verlässlichere Basis.

Breaking Change: Thinking lässt sich nicht mehr abschalten

Ein Detail geht in den Benchmark Schlagzeilen unter, ist aber für jeden relevant, der bereits gegen die Z.ai API baut. GLM 5.3 kennt drei Stufen für den Denkaufwand: low, high und max. Was es nicht mehr gibt, ist die Möglichkeit, das Thinking komplett abzuschalten.

Anwendungen, die bisher bewusst ohne Thinking liefen, um Latenz und Token zu sparen, brechen an dieser Stelle. Wer Modelle hinter einer abstrakten Schicht einbindet, merkt davon wenig. Wer den Provider direkt im Anwendungscode verdrahtet hat, hat jetzt Arbeit. Genau deshalb bauen wir Inferenz grundsätzlich austauschbar, ein Prinzip, das wir im Vibe Coding Consulting in jedes Projekt mitbringen.

Was das für europäische Teams bedeutet

Bei Never Code Alone laufen offene Gewichte täglich produktiv. Lokal über Ollama mit Qwen3 Coder und Llama, dazu GLM über Z.ai und MiniMax für spezielle Workloads. Gesteuert wird das aus OpenCode als Terminal Agent. Wir kennen die Modelle also nicht aus Datenblättern, sondern aus dem Alltag.

Drei Punkte, die wir Teams zu GLM 5.3 mitgeben:

• API heißt Datenabfluss. Solange nur die Z.ai API verfügbar ist, gehört GLM 5.3 an eine lokale Entwicklungsumgebung mit Testdaten, nicht an echte Kundendaten. Das ist keine Meinung, sondern DSGVO.
• Erst messen, dann wechseln. Nimm drei echte Aufgaben aus deinem Projekt und fahre sie parallel gegen dein bisheriges Modell. Herstellerzahlen ersetzen keinen Vergleich am eigenen Repository.
• Warte auf die Gewichte, wenn Souveränität zählt. Für regulierte Umgebungen wird GLM 5.3 erst interessant, wenn es on premise läuft. Der Weg dahin steht in unserem Guide KI Modell auswählen ohne US Anbieter.

Die Vorgängergeneration bleibt in der Zwischenzeit eine gute Wahl. GLM 5 liegt unter MIT Lizenz vor, GLM 5 Turbo ist auf Agent Workflows mit präzisem Tool Calling ausgelegt. Wer lokal bleiben will, fährt mit Qwen3 Coder oder MiniMax M3 gut.

Die eigentliche Nachricht

GLM 5.3 ist weniger ein neues Modell als ein Beleg. Der Beleg lautet: In vielen Modellen steckt mehr, als das erste Training herausholt. Wer heute ein Modell auswählt, sollte deshalb nicht nur auf die Zahl am Launchtag schauen, sondern darauf, wie schnell ein Anbieter nachlegt und ob er die Gewichte offen legt.

Für die tägliche Arbeit ändert sich damit weniger, als die Schlagzeilen vermuten lassen. Ein besseres Modell repariert keine fehlenden Tests, keine kaputte Pipeline und keine gewachsene Legacy. Genau daran arbeiten wir: mit Quality Gates aus PHP Refactoring, mit stabilen Deployments und mit Teams, die ihre Agenten im Griff haben statt umgekehrt.

Wenn dein KI Prototyp gerade schneller wächst als deine Kontrolle darüber, hilft eher ein Blick von außen als das nächste Modell Update. Wir schauen uns das im Vibe Coding Projekt retten gemeinsam an, geben im 1 zu 1 Mentoring direkte Rückmeldung zu deinem Code und bringen im Vibe Coding Training ganze Teams auf einen Stand. Das passende Werkzeug dazu findest du in unserer Übersicht der Vibe Coding Tools und bei den NCA KI Tools.

Häufige Fragen zu GLM 5.3

Was ist GLM 5.3 und wann kam es 2026 heraus?

GLM 5.3 ist das am 14. August 2026 veröffentlichte Coding Modell von Z.ai. Es nutzt dasselbe Basismodell mit 743 Milliarden Parametern wie GLM 5.2. Alle Verbesserungen stammen laut Hersteller aus einem ausgeweiteten Post Training, nicht aus einer neuen Architektur.

Sind die Gewichte von GLM 5.3 offen verfügbar 2026?

Zum Launch nicht. Z.ai hat die Freigabe der offenen Gewichte um rund zwei Wochen verschoben, um vorher eine Sicherheitsprüfung abzuschließen. Nutzbar ist das Modell zunächst über die Z.ai API, den GLM Coding Plan und ZCode. Für den lokalen Betrieb müssen Teams die Gewichte abwarten.

Warum verzögert Z.ai die Veröffentlichung der Gewichte 2026?

Weil das Post Training die Fähigkeiten im Sicherheitsbereich stärker gesteigert hat als geplant. Nach Herstellerangaben hat das Modell über 2.400 Schwachstellen in 269 Projekten gefunden, rund 1.097 davon hoch oder kritisch. Z.ai dokumentiert die Fälle in einem öffentlichen Disclosure Ledger und härtet das Modell vor der Freigabe nach.

Ist GLM 5.3 DSGVO konform nutzbar 2026?

Über die Z.ai API verlassen Daten den eigenen Verantwortungsbereich. Für produktive Arbeit mit echten Daten ist das keine tragfähige Grundlage. Sobald die offenen Gewichte vorliegen, lässt sich GLM 5.3 auf eigener Infrastruktur betreiben, etwa über Ollama. Bis dahin gehört das Modell an lokale Entwicklungsumgebungen mit Testdaten.

Was ändert sich für Anwendungen gegen die GLM API 2026?

GLM 5.3 bietet drei Stufen für den Denkaufwand, nämlich low, high und max. Das Thinking lässt sich nicht mehr komplett deaktivieren. Anwendungen, die bisher ohne Thinking liefen, müssen angepasst werden. Eine abstrakte Modell Schicht im eigenen Code reduziert diesen Aufwand deutlich.

Lohnt der Wechsel von GLM 5.2 auf GLM 5.3?

Für lange, agentische Aufgabenketten sprechen die genannten Werte klar dafür, besonders wegen des niedrigeren Token Verbrauchs. Die Zahlen sind aber Herstellerangaben. Wir empfehlen einen Parallelbetrieb über zwei bis vier Wochen mit echten Aufgaben aus dem eigenen Projekt und erst danach die Entscheidung.

Welche Alternativen gibt es zu GLM 5.3 für lokalen Betrieb?

Qwen3 Coder und Llama laufen lokal über Ollama und sind für viele Aufgaben ausreichend stark. MiniMax M3 ist bei sehr langen Kontexten interessant. GLM 5 liegt bereits unter MIT Lizenz vor und ist damit heute schon self hosting fähig, wenn die Hardware passt.