GLM-FAQ
Häufige Fragen zu GLM-Modellen: Flaggschiff-Versionen, Kontextfenster, Denkstufen, Benchmark-Ergebnisse, Open-Source-Lizenz und Nutzung.
Häufig gestellte Fragen zum GLM-Modell
GLM ist eine Familie offener großer Sprachmodelle; das aktuelle Flaggschiff ist GLM-5.3, ergänzt um das erste nativ multimodale GLM-5.3-Flash. Die Palette reicht von GLM-4.5-Air und GLM-4.7 über GLM-5, GLM-5-Turbo, GLM-5.1, GLM-5.2 bis GLM-5.3, dazu Sprach- und Vision-Varianten. Jedes zentrale GLM-Modell erscheint unter der MIT-Lizenz mit vollständig offenen Gewichten.
Wie GLM-5.2 hebt GLM-5.3 die Grenze von 200K auf stabile eine Million Tokens bei bis zu 128K Ausgabe-Tokens. „Stabil“ ist das Zauberwort: trainiert auf langen Coding-Agent-Trajektorien, hält die Qualität über das ganze Fenster.
Veröffentlichte GLM-5.3-Ergebnisse: Terminal-Bench 2.1 mit 88,2 (GLM-5.2: 81,0), Terminal-Bench 3.0 mit 28,3 (4,6), FrontierSWE mit 78,1 (67,5), DeepSWE v1.1 mit 66,9 (46,2), SWE-Marathon v1.1 mit 42,5 (19,4), PostTrainBench mit 39,8 (31,7), Agents’ Last Exam mit 28,5 (23,8), HLE mit Tools mit 62,5 (54,7), CyberGym mit 84,5 % (aktueller Bestwert) und ExploitBench mit 54,4 % (24,4 %). Vollständige Tabelle oben.
Das hängt von der Aufgabe ab. GLM-5.3 erreicht mit 84,5 % den aktuellen Bestwert auf CyberGym vor allen Konkurrenten; auf Z.ai Code Bench High schlägt es Claude Opus 4.8 (31,4 zu 29,5) bei rund halbem Token-Verbrauch; auf Exploit-Benchmarks mehr als verdoppelt es GLM-5.2. Mythos 5 führt weiterhin bei ExploitBench / ExploitGym.
Sie steuern, wie viel Rechenleistung das Modell pro Aufgabe aufwendet. GLM-5.3 bietet drei Stufen (low / high / max) und denkt immer, standardmäßig max. Die Effizienzkurven pro Stufe sind berichtete GLM-5.2-Werte, zur Orientierung: ~63 % (~35K Tokens, niedrig), 72 % (~43K, hoch) und 74 % (~83K, maximal).
Ja. Die Gewichte der Kern-GLM-Modelle werden unter der MIT-Lizenz verwendet, ohne geografische Beschränkungen, und sind auf HuggingFace und ModelScope veröffentlicht. Unterstützung für lokale Inferenz durch transformers, vLLM, SGLang, xLLM und ktransformers, Sie können GLM-Modelle auf Ihrer eigenen Hardware ausführen.
IndexShare teilt einen leichten Indexer für jede vier Sparse Attention-Schicht, dessen top-k-Indizes nur einmal berechnet und dann wiederverwendet werden. Dies eliminiert die Arbeit des Indexers in einem Viertel der Schichten und reduziert die FLOPs pro Token unter einer Million Kontexten um 2,9-mal – dies ist der entscheidende Änderung, der es ermöglicht, Millionen Token-Fenster auf Service-Ebene durchzuführen.
Ein kostenloses Open-Source-LLM über OpenRouter — nicht GLM-5.3 und ohne GLM-Gewichte. Es dient zum live Testen beim Lesen der GLM-Daten. Alle Benchmark-Daten auf dieser Seite sind von den Autoren berichtet, nicht hier gemessen.