GLM よくある質問
GLM モデルに関するよくある質問：フラッグシップ版、コンテキストウィンドウ、思考力度、ベンチマーク成績、オープンソースライセンスと使い方。
GLMモデルのよくある質問
GLM はオープンウェイトの大規模言語モデルファミリーで、現在のフラッグシップは GLM-5.3、さらに初のネイティブマルチモーダル GLM-5.3-Flash が加わりました。ラインナップは GLM-4.5-Air、GLM-4.7 から GLM-5、GLM-5-Turbo、GLM-5.1、GLM-5.2、そして GLM-5.3 まで、音声・ビジョン派生も含みます。中核モデルはすべて MIT ライセンスで完全公開されています。
GLM-5.3 は GLM-5.2 と同様、上限を 200K から安定した 100 万トークンへ引き上げ、出力は最大 128K トークンです。「安定」がポイント：長いコーディングエージェント軌跡で訓練されているため、品質はウィンドウ全体で低下しません。
GLM-5.3 の公表結果：Terminal-Bench 2.1 は 88.2（GLM-5.2 は 81.0）、Terminal-Bench 3.0 は 28.3（4.6）、FrontierSWE は 78.1（67.5）、DeepSWE v1.1 は 66.9（46.2）、SWE-Marathon v1.1 は 42.5（19.4）、PostTrainBench は 39.8（31.7）、Agents’ Last Exam は 28.5（23.8）、HLE（ツール付き）は 62.5（54.7）、CyberGym は 84.5%（現時点でリード）、ExploitBench は 54.4%（24.4%）。詳細は上の表をご覧ください。
タスクによります。GLM-5.3 は CyberGym で 84.5% を達成し、全比較モデルを抑えて現時点でリード；Z.ai Code Bench High では Claude Opus 4.8 を上回り（31.4 vs 29.5）、トークン消費は約半分；エクスプロイト系ベンチマークでは GLM-5.2 の 2 倍以上。Mythos 5 は ExploitBench / ExploitGym で依然リードしています。
タスクごとの計算資源の配分を制御します。GLM-5.3 は low / high / max の3段階を提供し、常に思考を有効化（デフォルト max）。各段階の効率曲線は GLM-5.2 の報告値で参考です：約63%（~35Kトークン、低）、72%（~43K、高）、74%（~83K、最高）。
はい。核心GLMモデルのウェイトはMITライセンスで、地域制限はありません。HuggingFaceとModelScopeで公開されています。transformers、vLLM、SGLang、xLLM、ktransformersを通じてローカル推論をサポートし、自分のハードウェアでGLMモデルを実行できます。
IndexShareは4つの稀疏な注意力層ごとに軽量なインデックスエンジンを共有し、top-kインデックスは一度だけ計算され、その後再利用されます。これにより、4分の3の層でのインデックスエンジンの作業が省略され、百万トークンのコンテキストで各トークンのFLOPsは2.9倍に低下します。これは百万トークンのウィンドウをサービスレベルで実行可能にする鍵となる変更です。
OpenRouter 経由で提供される無料のオープンソース LLM です — GLM-5.3 ではなく、GLM の重みも使用しません。公開された GLM データを読みながら実際のモデルを試すためのものです。当サイトの GLM ベンチマークデータはすべてモデル作者の報告値です。