Im Quellenvergleich
Worin die Quellen übereinstimmen
Das Unternehmen Z.ai (ehemals Zhipu AI) hat am 14. August 2026 das Sprachmodell GLM-5.3 vorgestellt. Das Modell basiert auf derselben Basisarchitektur wie der Vorgänger GLM-5.2; die Verbesserungen stammen laut Unternehmen aus erweitertem Post-Training. GLM-5.3 wurde gezielt für agentisches Programmieren und Cybersicherheit nachtrainiert. Das Unternehmen gibt an, das leistungsfähigste Open-Weights-Modell für Programmierung zu sein. Verfügbar ist GLM-5.3 sofort über den GLM Coding Plan und die IDE ZCode. Die Modellgewichte sollen erst nach Sicherheitsprüfungen veröffentlicht werden. Die Quellen berichten weitgehend übereinstimmend. In Zusammenarbeit mit chinesischen Sicherheitsforschern entdeckte das Unternehmen 2436 Schwachstellen in knapp 270 Projekten; die älteste Lücke ist 45 Jahre alt. Die Gewichte sollen zwei Wochen nach dem Launch erscheinen. Das Modell ist derzeit nur für zahlende Kunden verfügbar. Im Cybersicherheits-Benchmark CyberGym erreichte GLM-5.3 laut Unternehmen eine Erfolgsrate von 84,5 Prozent und übertraf damit Anthropics Mythos 5 (83,8 Prozent) und OpenAIs GPT-5.6 Sol (83,6 Prozent). Beim ExploitBench-Benchmark blieb GLM-5.3 mit 54,4 Prozent hinter Mythos (78 Prozent) und GPT-5.6 Sol (76,5 Prozent) zurück. Die Fähigkeiten im Bereich Cybersicherheit entwickelten sich laut Unternehmen schneller als erwartet, von der Schwachstellensuche hin zu kompletten Angriffsketten. Die API und offene Gewichte sollen erst nach Sicherheitsprüfungen folgen.
Aktualisierungen
14.08.2026
11:06In Zusammenarbeit mit chinesischen Sicherheitsforschern entdeckte das Unternehmen 2436 Schwachstellen in knapp 270 Projekten; die älteste Lücke ist 45 Jahre alt.
Die Gewichte sollen zwei Wochen nach dem Launch erscheinen.
12:07Das Modell ist derzeit nur für zahlende Kunden verfügbar.
22:06Im Cybersicherheits-Benchmark CyberGym erreichte GLM-5.3 laut Unternehmen eine Erfolgsrate von 84,5 Prozent und übertraf damit Anthropics Mythos 5 (83,8 Prozent) und OpenAIs GPT-5.6 Sol (83,6 Prozent).
Beim ExploitBench-Benchmark blieb GLM-5.3 mit 54,4 Prozent hinter Mythos (78 Prozent) und GPT-5.6 Sol (76,5 Prozent) zurück.
23:06Die Fähigkeiten im Bereich Cybersicherheit entwickelten sich laut Unternehmen schneller als erwartet, von der Schwachstellensuche hin zu kompletten Angriffsketten.
Die API und offene Gewichte sollen erst nach Sicherheitsprüfungen folgen.
Worin sie sich unterscheidenZeitpunkt der Veröffentlichung der Modellgewichte·Konkrete Ergebnisse bei der Schwachstellensuche·Nutzung in Coding-Agents+8 weitere
Zeitpunkt der Veröffentlichung der ModellgewichteDie Modellgewichte sollen zwei Wochen nach dem Launch erscheinen.- Die Gewichte sollen erst nach Sicherheitsprüfungen folgen, etwa zwei Wochen nach dem Start.1
Konkrete Ergebnisse bei der Schwachstellensuche- In Zusammenarbeit mit chinesischen Sicherheitsforschern wurden 2436 Schwachstellen in 269 Projekten identifiziert, davon 1097 mit mittlerer bis hoher Schwere.2
- In Zusammenarbeit mit chinesischen Sicherheitsforschern wurden 2436 Schwachstellen in 269 Projekten identifiziert, über 100 davon kritisch, etwa im Linux-Kernel, WinRAR, Redis oder FFmpeg.3
- In Zusammenarbeit mit chinesischen Sicherheitsforschern wurden 2436 Schwachstellen in 269 Projekten identifiziert.4
Nutzung in Coding-Agents- GLM-5.3 ist über den GLM-Coding-Plan verfügbar und in Coding-Agents wie ZCode, Claude Code oder OpenCode nutzbar.5
Benchmark-Ergebnisse- In Benchmarks wie Terminal Bench 3.0, SWE-Marathon und FrontierSWE schließt GLM-5.3 zum Vorgänger auf und hält Anschluss an die Frontier-Modelle von Anthropic und OpenAI.3
- Bei Benchmarks verbessert sich GLM-5.3 deutlich, etwa von 4,6 auf 28,3 Punkte bei Terminal-Bench 3.0.1
- In ExploitGym löste das Modell 105 Aufgaben (zwei Stunden Budget) statt 29.4
- In ExploitGym bleibt GLM-5.3 mit 105 gelösten Aufgaben hinter Mythos 5 (181 Aufgaben) zurück.4
Meldung der gefundenen Schwachstellen- Die Lücken werden in einem öffentlichen Register dokumentiert.5
- Details gibt es nur für gut vier Dutzend Lücken; die meisten wurden den Entwicklern nicht gemeldet.3
Art der Verbesserungen- Das Unternehmen verbesserte das Modell durch „Environment Scaling“, ließ es also viele künstlich erzeugte Aufgaben lösen, darunter auch solche, die einen erfahrenen Entwickler mehrere Arbeitstage kosten würden.3
- Die Verbesserungen stammen aus dem erweiterten Training mit mehr Umgebungen, vielfältigeren Aufgaben und mehr Rechenleistung.4
Unabhängige Verifizierung der Ergebnisse- Die Ergebnisse wurden nicht unabhängig verifiziert.4
Bewertung des Vorgängermodells GLM-5.2- Hugging Face nutzte GLM-5.2 eigenen Angaben zufolge zur Analyse einer Intrusion.4
- Das UK AI Security Institute stufte GLM-5.2 im Juli als fähigstes Open-Weight-Modell ein.4
Entdeckung einer Schwachstelle in Cursor- Ein Entwickler des Unternehmens gab auf X an, dass die Cyber-Fähigkeiten eine „potenziell ernste Schwachstelle“ in der KI-Coding-Software Cursor gefunden hätten.1
Änderung der API- Denkprozesse lassen sich nicht mehr abschalten, Entwickler müssen ihre Anwendungen anpassen.1
Einführung von Kontrollen- Das Unternehmen führt Kontrollen ein, etwa einen „trusted access“-Ansatz für sensible Funktionen.1