Z.ai, das chinesische KI-Labor, das früher als Zhipu AI bekannt war, hat die volle Leistungsfähigkeit seines GLM-5.3-Modells auf Hugging Face veröffentlicht und damit eines der leistungsstärksten verfügbaren Codierungs- und Agentenmodelle in einen kostenlosen Download umgewandelt. Die Veröffentlichung ging am 28. August online, nur wenige Tage nachdem das Labor bestätigt hatte, dass das virale Stealth-Modell namens „Ox Alpha“ tatsächlich ein eigener GLM-5.3-Flash war, und es erfüllt das Open-Weights-Versprechen, das die Community die ganze Woche über aufmerksam beobachtete.

Die Modellseite sammelte schnell mehr als 1.100 „Gefällt mir“-Angaben, und der Hacker-News-Thread, der die Veröffentlichung ankündigte, kletterte auf über 600 Punkte, als die Entwickler verdauten, was sich jetzt in einem öffentlichen Repository befindet: 141 Safetensors-Dateien, die im FP8 ausgeliefert wurden und das bisher möglicherweise leistungsfähigste offen herunterladbare Codierungsmodell umfassen. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Nachrichten.

Was Z.ai tatsächlich versendet hat

GLM-5.3 ist ein Mixture-of-Experts-Modell, das auf einer Architektur basiert, die Z.ai glm_moe_dsa nennt. Gemäß der neben den Gewichtungen veröffentlichten Konfiguration stapelt das Netzwerk 78 Schichten mit 256 gerouteten Experten, wobei 8 Experten pro Token plus ein gemeinsamer Experte aktiviert werden. Das Kontextfenster umfasst 1.048.576 Token – eine ganze Million – und das Modell unterstützt einen „reasoning_effort“-Parameter mit niedrigen, hohen und maximalen Einstellungen, standardmäßig auf max.

Der vielleicht interessanteste Hinweis in der Modellkarte ist die Offenheit darüber, woher die Verbesserungen kamen: GLM-5.3 verwendet dasselbe Basismodell wie GLM-5.2, und alle Gewinne stammen aus der Zeit nach dem Training. Das Labor beschreibt das Ergebnis ausdrücklich als „das leistungsfähigste Open-Weights-Modell für die Codierung“.

Benchmarks: Open-Weights SOTA für Agentic Coding

Die veröffentlichte Bewertungstabelle ist umfangreich und ungewöhnlich spezifisch in Bezug auf ihre Methodik und listet Ergebnisse für Kimi K3, DeepSeek-V4 Pro-0813, Qwen3.8-Max, Opus 4.8 von Anthropic, Fable 5 von Google und GPT-5.6 Sol von OpenAI auf.

Auf Terminal Bench 3.0 erreicht GLM-5.3 einen Wert von 28,3 – Open-Source-State-of-the-Art und ein Sprung von 4,6 für GLM-5.2, liegt jedoch immer noch hinter der geschlossenen Grenze von Fable 5 mit 33,7 und GPT-5.6 Sol mit 34,6. Auf Terminal Bench 2.1 liegt der Wert bei 88,2, im Wesentlichen gleichauf mit Kimi K3 und GPT-5.6 Sol und vor Opus 4.8 mit 85,0. Die DeepSWE-Ergebnisse stiegen zwischen den Versionen von 46,2 auf 66,9, und GLM-5.3 führt die Tabelle bei AutomationBench mit 48,2 und bei GDPval-AA v2 mit 1769 an, wobei letzteres durch Artificial Analysis bewertet wurde.

Z.ai meldet auch eine 50-prozentige Verbesserung gegenüber GLM-5.2 auf seinem hauseigenen Code Bench sowie die besten Ergebnisse bei offenen Gewichtungen bei Benchmarks wie Agents' Last Exam.

Die Frage der Cyber-Fähigkeit

Die Modellkarte äußert sich bemerkenswert unverblümt zu einer Entwicklung, die Sicherheitsforscher seit Monaten verfolgen: „Als wir nach dem Training skalierten, entwickelte sich die Cyberfähigkeit schneller als erwartet“, heißt es auf der Karte. GLM-5.3 ist bei CyberGym mit 84,5 auf dem neuesten Stand der Schwachstellenerkennung und übertrifft damit jedes Modell auf dem Tisch, einschließlich GPT-5.6 Sol, und es übertrifft GLM-5.2 bei ExploitBench-Benchmarks um mehr als das Doppelte – 54,4 gegenüber 24,4 bei ExploitBench und 105/130 gegenüber 29/39 bei den beiden Zeitbudgets von ExploitGym.

AI Buzz Wire deckte diese Funktionen ab, als sie Mitte August mit der reinen API-Version auf den Markt kamen. Was sich jetzt ändert, ist die Verteilung: Die Gewichte können heruntergeladen werden, quantisierte Community-Builds werden wahrscheinlich schnell folgen und jeder mit genügend Speicher kann das Modell lokal ausführen. In der Hacker News-Diskussion stellten einige Benutzer fest, dass sich das Modell in Bezug auf sicherheitsrelevante Aufgaben weniger restriktiv anfühlte als in den USA gehostete Alternativen – ein Eindruck aus der Community und kein offizieller Richtlinienanspruch, der aber widerspiegelt, warum diese Veröffentlichung in Sicherheitskreisen ebenso diskutiert wird wie in Entwicklerkreisen.

Eine Lizenz für Hyperscaler

Im Gegensatz zu GLM-5.3-Flash, das unter einer sauberen MIT-Lizenz ausgeliefert wurde, wird GLM-5.3 mit einer benutzerdefinierten „GLM-5.3-Lizenz“ geliefert. Der New Stack charakterisierte es als auf Hyperscaler ausgerichtet, und der Text bestätigt dies. Für fast jeden sind die Bedingungen praktisch freizügig: Verwenden, Kopieren, Ändern, Zusammenführen, Veröffentlichen, Verteilen, Unterlizenzieren und Verkaufen, mit der bloßen Anforderung, den Hinweis aufzunehmen.

Die Ausnahme zielt auf ein bestimmtes Geschäftsmodell ab. Wenn ein Lizenznehmer oder seine verbundenen Unternehmen ein „Model as a Service“-Geschäft betreiben, das Dritten Inferenz- oder Feinabstimmungszugriff bietet, und ihr Gesamtumsatz in aufeinanderfolgenden zwölf Monaten 10 Milliarden US-Dollar übersteigt, müssen sie vor jeder kommerziellen Nutzung des Modells oder seiner Derivate eine Z.ai-Sicherheitsüberprüfung bestehen. Diese Klausel schließt genau die größten Cloud-Anbieter ein und lässt Startups, Forscher, Unternehmen und mittelständische Hoster unberührt.

Der zweigleisige Ansatz ist bezeichnend. Die Flash-Variante, die jetzt als Ox-Alpha-Modell bekannt ist und viral ging, bevor TechCrunch ihre Ursprünge aufdeckte, läuft vollständig auf chinesischem Silizium und trägt die MIT-Flagge für maximale Akzeptanz. Das Flaggschiff erhält eine maßgeschneiderte Lizenz, die den Hyperscaler-Einsatz – insbesondere durch amerikanische Clouds – durch den eigenen Prüfprozess von Z.ai beschränkt.

Führen Sie es selbst aus

Für diejenigen, die es ausprobieren möchten: Die Modellkarte listet die Bereitstellungsunterstützung für vLLM, SGLang, KTransformers, Unsloth und Hugging Face Transformers auf, mit Kochbuchrezepten für mehrere davon. Insbesondere wird die NPU-Bereitstellung des Huawei Ascend durch vLLM-Ascend, xLLM und SGLang dokumentiert – eine Fortsetzung der Bemühungen des Labors, zu beweisen, dass Spitzenmodelle auf Nicht-Nvidia-Hardware laufen. In der Community war DeepInfra der erste Anbieter, der einen Drittanbieter-Endpunkt des offenen Modells auf OpenRouter anbot.

Z.ai veröffentlichte außerdem einen technischen Bericht zu arXiv mit dem Titel „GLM-5: from Vibe Coding to Agentic Engineering“, der die Entwicklung der Modellfamilie abdeckt.

Warum es wichtig ist

Die Veröffentlichung komprimiert die Lücke zwischen der geschlossenen Grenze und der offenen Grenze auf einen Rundungsfehler bei vielen Agenten-Codierungs-Benchmarks – Wochen, nicht Jahre. In Kombination mit Kimi K3 und DeepSeek-V4 bedeutet dies, dass Entwickler außerhalb der größten Labore jetzt über glaubwürdige Alternativen verfügen, die sie besitzen, prüfen und optimieren können.

Es signalisiert auch einen Wandel in der Art und Weise, wie offene Veröffentlichungen geregelt werden. Die Aufteilung zwischen MIT und kundenspezifischen Lizenzen innerhalb einer einzigen Modellfamilie deutet darauf hin, dass chinesische Labore lernen, Lizenzen als strategische Infrastruktur zu nutzen: Offenheit dort, wo sie ein Ökosystem aufbaut, und Hebelwirkung dort, wo sie ihre Position schützt. Der nächste Test wird sein, ob sich ein MaaS-Betreiber mit einem Umsatz von mehr als 10 Milliarden US-Dollar tatsächlich einer Z.ai-Sicherheitsüberprüfung unterzieht – oder ob die Klausel einfach die größten Clouds fernhält, während alle anderen darauf aufbauen.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →