ЧЗВ о GLM
Часто задаваемые вопросы о моделях GLM: флагманские версии, окно контекста, уровни размышления, результаты бенчмарков, открытая лицензия и использование.
Частые вопросы о модели GLM
GLM — семейство открытых больших языковых моделей; текущий флагман — GLM-5.3, к которому присоединилась первая нативно мультимодальная GLM-5.3-Flash. Линейка включает GLM-4.5-Air и GLM-4.7, GLM-5, GLM-5-Turbo, GLM-5.1, GLM-5.2 и теперь GLM-5.3, а также речевые и визуальные варианты. Все ключевые модели GLM публикуются под лицензией MIT с полностью открытыми весами.
Как и GLM-5.2, GLM-5.3 поднимает планку с 200K до стабильного миллиона токенов при выводе до 128K. «Стабильного» — ключевое слово: модель обучена на длинных траекториях кодинг-агентов, качество держится по всему окну.
Опубликованные результаты GLM-5.3: Terminal-Bench 2.1 — 88,2 (GLM-5.2: 81,0), Terminal-Bench 3.0 — 28,3 (4,6), FrontierSWE — 78,1 (67,5), DeepSWE v1.1 — 66,9 (46,2), SWE-Marathon v1.1 — 42,5 (19,4), PostTrainBench — 39,8 (31,7), Agents’ Last Exam — 28,5 (23,8), HLE с инструментами — 62,5 (54,7), CyberGym — 84,5 % (лидер на данный момент) и ExploitBench — 54,4 % (24,4 %). Полная таблица выше.
Зависит от задачи. GLM-5.3 лидирует на CyberGym (84,5 %), обгоняя всех конкурентов; на Z.ai Code Bench High обходит Claude Opus 4.8 (31,4 против 29,5) при примерно вдвое меньшем расходе токенов; на exploit-бенчмарках более чем вдвое превосходит GLM-5.2. Mythos 5 всё ещё впереди на ExploitBench / ExploitGym.
Они управляют затратами вычислительных ресурсов на задачу. GLM-5.3 предлагает три уровня (low / high / max) и всегда размышляет, по умолчанию max. Кривые эффективности по уровням — отчётные значения GLM-5.2, для ориентира: ~63 % (~35K токенов, низкая), 72 % (~43K, высокая) и 74 % (~83K, максимальная).
Да. Веса основной модели GLM используются под лицензией MIT, без географических ограничений, и уже опубликованы на HuggingFace и ModelScope. Поддерживается локальная дедукция через transformers, vLLM, SGLang, xLLM и ktransformers, и вы можете запускать модель GLM на своем собственном оборудовании.
IndexShare позволяет каждому из четырех спarsity attention layer Общий легкий индексатор, его top-k индекс рассчитывается один раз и затем повторно используется. Это устраняет работу индексатора в трети слоев, в миллион контекста снижает количество FLOPs на каждый token в 2,9 раза — это ключевые изменения, позволяющие миллион token окну быть возможным на уровне обслуживания.
Бесплатная open-source LLM через OpenRouter — не GLM-5.3 и не на весах GLM. Она нужна, чтобы тестировать живую модель при чтении опубликованных данных GLM. Все данные бенчмарков на сайте заявлены авторами, а не измерены здесь.