NEW · GLM-5.3-FlashX 登場
GLM-5.3-FlashX（2026-09 登場）は GLM-5.3-Flash の高速版です。推論速度は200 tokens/sに達し、より速く、より滑らか。同じく GLM-5 シリーズ初のネイティブマルチモーダルモデル —— 総パラメータ 320B / 活性 18B、スパース注意と線形注意のハイブリッド構造を採用し、動画 / 画像 / テキスト / ファイル入力に対応。1M コンテキスト、128K 最大出力。
GLM-5.3-Flash 発表
GLM-5.3-Flash（2026年8月公開）は GLM-5 シリーズ初のネイティブマルチモーダルモデル：視覚能力をコーディングループに統合し、動画 / 画像 / テキスト / ファイルを入力できます。独立評価機関 Artificial Analysis の知能指数で 57 点・世界第4位、Claude Opus 4.8 と同等の知能を 1/40 の価格で提供します。
GLM-5.3 公開
GLM-5.3（2026-08-14 正式公開）は智譜のフラッグシップ MoE モデル。GLM-5.2 と完全に同じ基盤を再利用し、事前学習データは追加なし — 能力向上はすべて大規模な事後学習によるもの。長期コードエンジニアリング、ターミナルエージェント、ソースコード脆弱性監査に特化。スローガン：Built to Code. Ready for Cyber Defense.
GLM-5.3 はオープンソースの GLM フラッグシップモデル：GLM-5.2 と同じ基盤に大規模なポストトレーニングを施し、コーディング体感が 50% 向上。CyberGym 84.5%（現時点でリード）、Terminal-Bench 3.0 は前世代の 6 倍に向上。同シリーズの GLM-5.3-Flash は 1/40 の価格で同級の知能を提供します。下記で各 GLM モデルを比較 — まずは無料 AI 体験場をお試しください。
登録不要、アカウント不要、クレジット不要。タグを入力するとストリーミング回答を受け取ることができます。
返信はここでストリーミング出力されます…
本体験はGLM大規模言語モデルを使用しており、入力タグを入力するとリアルタイムのストリーミング回答を受け取ることができます。
4つの能力が現在のGLMモデル世代を定義しています — 全てモデルの著者によって報告され、オープンアクセスで再現可能です。
100万トークンのコンテキストは実用性と品質を維持します：GLM-5.3 は GLM-5.2 と同じ基盤を用い、大規模実装・自動化研究・複雑なデバッグといった長期コーディングエージェント軌跡で継続的に強化されています。
非思考、高い、最高いの三つのレベルで、タスクに応じて遅延と能力のバランスを取ることができます。アーキテクトプログラミング評価では、約63%（~35Kのオプトトークン）から74%（~83K）までです。
4つの稀疏な注意力層が1つの軽量インデックスエンジンを共有し、100万トークンのコンテキスト長さで各トークンのFLOPsを2.9倍に削減し、長距離の品質を無損に保ちます。
MITライセンスの下でのオープンソースのGLMモデルで、ウェイトはHuggingFaceとModelScopeで公開され、地域制限はありません。transformers、vLLM、SGLang、xLLM、ktransformersを通じてローカルデプロイメントをサポートします。
以下のデータは智谱公式ドキュメントと独立評価機関 Artificial Analysis が公開した結果です。glmmodel.cn は結果を紹介するのみです。
ソースコードの脆弱性発見
エージェントコーディング：精度向上かつトークン削減
ターミナルエージェントタスク（GLM-5.2 は 4.6）
GLM-5.3 は Terminal-Bench 3.0（4.6→28.3）、DeepSWE v1.1（46.2→66.9）、Agents’ Last Exam（23.8→28.5）で GLM-5.2 を全面超越し、オープンソース SOTA に到達。ExploitBench では 54.4% と GLM-5.2 の 2 倍以上。GLM-5.3-Flash は Artificial Analysis 知能指数で 57 点（世界第4位）、Claude Opus 4.8 と同等です。
発表されたGLMモデルの基準結果は、8つのモデルの17項の評価をカバーしています。
| Benchmark | GLM-5.3 | GLM-5.2 | Kimi K3 | DeepSeek-V4-Pro | Qwen3.8-Max | Opus 4.8 | Fable 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|---|---|---|
| コーディング | ||||||||
| Terminal-Bench 2.1 | 88.2 | 81.0 | 88.3 | 87.9 | 86.6 | 85.0 | 88.0 | 88.8 |
| Terminal-Bench 3.0 | 28.3 | 4.6 | 17.4 | – | – | 21.1 | 33.7 | 34.6 |
| DeepSWE v1.1 | 66.9 | 46.2 | 67.5 | 62.7 | 56.6 | 58.0 | 69.7 | 72.7 |
| NL2Repo | 58.0 | 48.9 | 58.0 | 61.1 | 55.9 | 69.7 | – | – |
| ProgramBench (Almost Solved) | 19.0 | 9.5 | 17.5 | – | 10.5 | 15.5 | 33.0 | 23.0 |
| FrontierSWE | 78.1 | 67.5 | – | – | – | 66.5 | 88.2 | – |
| SWE-Marathon v1.1 | 42.5 | 19.4 | 48.1 | – | – | 48.8 | 33.1 | 42.5 |
| PostTrainBench | 39.8 | 31.7 | 32.0 | – | – | 32.9 | 41.8 | 36.2 |
| サイバーセキュリティ | ||||||||
| CyberGym | 84.5 | 77.2 | 80.0 | 83.3 | 78.5 | 78.1 | 83.8 | 83.6 |
| ExploitGym 2h / 6h | 105 / 130 | 29 / 39 | 36 / 70 | – | 14 / 26 | 80 / 120 | 181 / 247 | 216 / 293 |
| ExploitBench | 54.4 | 24.4 | 32.2 | – | 28.8 | 40.0 | 78.0 | 76.5 |
| エージェント | ||||||||
| Toolathlon Verified | 73.0 | 59.9 | 76.5 | 74.1 | 72.5 | 76.2 | 74.7 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 26.2 | 46.7 | 43.2 | 39.8 | 41.0 | 46.2 | 45.8 |
| Agents' Last Exam (ALE-CLI) | 28.5 | 23.8 | 27.6 | 25.7 | 27.0 | 25.7 | 23.8 | 28.6 |
| HLE w/ Tools | 62.5 | 54.7 | 59.8 | 60.0 | 56.2 | 57.9 | 63.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1508 | 1682 | 1590 | 1739 | 1588 | 1743 | 1730 |
出典：Z.ai 公式ブログ（2026-08-14）。
GLM モデルには複数の速度があります。強度設定により、必要な時だけ計算資源を割り当てます。GLM-5.3 は常に思考を有効化（low / high / max、デフォルト max）。各段階の効率値は GLM-5.2 の報告値で、参考です。
~35K 平均トークン
迅速な編集、テンプレートコード、一般的なリファクタリングなどの遅延が深さよりも重要なシーン。
~43K 平均トークン
大多数のエージェントプログラミングのデフォルト選択：約半分のトークン消費で最高いクラスの品質に近づけます。
~83K 平均トークン
困難な長期問題 — 必要な場合にのみ追加の計算リソースを割り当てます。
下表は Z.ai 公式発表の GLM-5.3 と比較モデルの成績です。GLM-5.3 は GLM-5.2 と同じ基盤を共有し、すべての向上はポストトレーニングによるものです。glmmodel.cn は結果を紹介するのみです。
コンテキストの上限を200Kから100万トークンに引き上げるのは、設定パラメータではなく技術的な問題です。3つの変更が鍵となります。
4つのTransformer層ごとに軽量インデックスエンジンを共有します。これは最初の層に位置し、top-kインデックスは残りの3層で共有されるため、4分の3の層でのインデックスエンジンの点積とtop-k計算を省略します。結果として、100万のコンテキスト長さで、各トークンのFLOPsは2.9倍に低下します。IndexShareはトレーニング中期の128Kシーケンス長さから導入されました。
多トークン予測層は最初の草稿ステップでインデックスエンジンを実行し、その後のステップでインデックスを再利用し、前世代のトレーニング/推論のKVキャッシュの不適合を解消します。拒絶サンプリングとエンドツーエンドのTV損失を組み合わせ、長さは4.56から5.47に増加し、約20%、7つのMTPステップを越えます。
| ベースライン | 4.56 |
| + IndexShare + KVShare | 5.10 |
| + サンプルを拒否 | 5.29 |
| + 端到端 TV 損失 | 5.47 (+20%) |
数十万トークンを超えると、ボトルネックは計算ではなく、KVキャッシュ容量、長いコンテキストのカーネル、CPUコストになります。三つの修正として、LayerSplitに基づく微細なメモリ管理と並列化、キャッシュ伝送パイプラインと調整されたコンテキスト長さのスケーリングカーネル最適化、CPU側のキャッシュ管理、リクエストスケジューリング、ランタイムパスの最適化があります。スループットの利点はコンテキストの増加に伴って拡大します。
正規化通量の利点
トレーニングスタック（slime）は、白盒とブラックボックスのrollout、コンパクトな軌跡とサブエージェントのワークフローを組み合わせています。並行OPDトレーニングは約2日で10数個の専門モデルを統合し、FP8 KVキャッシュはrolloutのメモリ予算を超えないことを確保します。
長期のRLは短絡を引き起こすため、まずルールに基づく召回フィルタを通じて疑わしいアクションを先にし、その後LLMの精度チェックを通じて正確に評価します。確認されたハッキング行為はオンラインでインターセプトされ、仮想ツールの結果で応答し、rolloutが継続されることを確保します。Criticに基づくPPOは単一のrolloutでトレーニング可能な子トレイルを圧縮します。
30Bフラッシュレベルから百万トークンのコンテキストの旗艦モデルまで — 一つのGLMモデルを選択して完全なスペック表と基準データを確認してください。
GLM-5.2 基盤 + 大規模ポストトレーニング：複雑なコーディングとエージェントタスクでオープンソース SOTA、脆弱性発見は現時点でリード。
初のネイティブマルチモーダル GLM：視覚をコーディングに統合、AA 知能指数は世界第4位、Opus 4.8 同等の知能を 1/40 の価格で。
GLM-5.3-Flash 基盤の法律業界向け垂直モデル。Harvey LAB 法律ベンチマーク通過率 19.2%、コストは約 1/70。ベータ申請制。
旧フラッグシップ：100万トークンコンテキスト、プログラミングと長期タスクのオープンソース SOTA。
前世代の旗艦モデル：大幅に向上した長期能力と数時間の自主的な作業のエンジニアリングレベルのアウトプット。
より強力なプログラミング能力、より信頼性の高いい多段階実行、そしてより良い複雑なエージェントの行動。
基本的なモデルで、長いリンクや動的エージェントシーンに最適化されています。
強化されたプログラミング能力、安定した多段階推論と改善されたフロントエンド生成。
300億パラメータ；高い効率の性能で、同規模のオープンソースモデルで高い性能を発揮しています。
小さなボディのGLMモデル、単位算力性能が優秀。
リアルタイム音声認識を提供し、CERが0.0717まで低減しています。
単一のコンテキストウィンドウを超える多ファイル機能：モデルは全体のリポジトリの状態を視野に保ち、数回ごとに再読み込みするのではなく、全てを保持します。
数時間の実験サイクルで、エージェントは計画、実行、結果の読み取り、修正を行う必要があります。これがFrontierSWEとPostTrainBenchが評価する作業負荷です。
完全な呼び出しグラフ、解析器の出力、および前回の試みを同じ軌道に保つために必要な内核とシステムの動作を分析する必要があります。
長い再現追跡、不安定なテスト、およびサービス間の障害が続く中、コンテキストのカットオフがバグの原因となりました。
上記のすべてのシナリオは、自分のハードウェアで実行できます。MITウェイト、transformers · vLLM · SGLang · xLLM · ktransformersです。GLMモデルをローカルで実行する方法 →