GLM-5.3: वही base model, कहीं बेहतर coder — और एक cyber नतीजा जिसकी किसी ने योजना नहीं बनाई थी

छोटा जवाब: GLM-5.3 दरअसल GLM-5.2 का ही base model है, जिस पर एक महीने की अतिरिक्त post-training चढ़ी है — और agentic coding में यह एक बड़ी छलांग है। यह अभी GLM Coding Plan और API पर live है। Weights दो हफ्ते में देने का वादा है। अगर आपका code thinking.type: "disabled" भेजता है, तो GLM-5.3 पर आपकी requests fail हो जाएँगी — इस launch में सिर्फ़ यही एक चीज़ है जो तुरंत करनी है।

14 August 2026 को Z.ai की launch post, "GLM-5.3: Frontier Coding with Emergent Cyber Capabilities", उसकी benchmark table और methodology footnotes के आधार पर verify किया गया। नीचे दिए सारे numbers Z.ai के अपने self-reported आँकड़े हैं, जब तक अलग से न कहा गया हो। GLM-5.3 का अभी कोई independent evaluation नहीं है, इसलिए यह हमारे LiveBench snapshot पर नहीं है — किसी lab का अपना benchmark एक दावा होता है, third-party score नहीं।

असल में क्या ship हुआ

वही base model. यही वह headline है जो ज़्यादातर coverage से छूट जाएगी। Z.ai साफ़ कहता है कि GLM-5.3 "GLM-5.2 वाला ही base model इस्तेमाल करता है — हर सुधार post-training से आया है।" न बड़ा model, न नया pre-training run। सुधार long-horizon task environments पर reinforcement learning को scale करने से आए हैं।

यह वाकई दिलचस्प नतीजा है, और यही वजह भी है कि सुधार एकतरफ़ा हैं: जहाँ long-horizon agentic काम मापा जाता है वहाँ ज़बरदस्त, और बाकी जगह मामूली।

एक live API, model id glm-5.3, सभी GLM Coding Plan subscribers तक पहुँचा दिया गया।

दो हफ्ते में open weights, जैसे ही "safety evaluation और hardening पूरी हो जाए।" यह तारीख़-बंधा वादा है, कोई अनिश्चित शर्त नहीं।

जो benchmark छलांगें मायने रखती हैं

Z.ai के self-reported आँकड़े, GLM-5.3 बनाम GLM-5.2:

Terminal-Bench 3.0 का 4.6 से 28.3 पहुँचना सबसे साफ़ संकेत है: सबसे मुश्किल long-horizon agentic tasks पर GLM-5.2 लगभग fail ही हो रहा था, और GLM-5.3 नहीं हो रहा।

इसका आकार गौर करने लायक है। Terminal-Bench 2.1 81.0 → 88.2 गया, यानी सामान्य बढ़त। Terminal-Bench 3.0 4.6 → 28.3 गया, यानी 6× छलांग। Task जितना कठिन और लंबा, फ़ायदा उतना बड़ा — और अगर सुधार long-horizon RL से आ रहा हो, raw capability से नहीं, तो ठीक यही उम्मीद होती है।

कहाँ अब भी पिछड़ता है। Terminal-Bench 3.0 पर Z.ai की अपनी table GPT-5.6 Sol को 34.6 और Fable 5 को 33.7 पर रखती है, दोनों GLM-5.3 के 28.3 से आगे। अपने in-house Z.ai Code Bench पर GLM-5.3 Max effort पर 34.5% तक पहुँचता है, जबकि Claude Fable 5 का 39.5% है। Z.ai यह सीधे कहता है, जिसका कुछ श्रेय बनता है।

Token-efficiency वाला नतीजा ही असली business story है

Benchmark table के नीचे दबा हुआ वह number है जो असल में bill पर असर डालता है।

Z.ai Code Bench पर Max effort पर GLM-5.3 प्रति task लगभग 75K output tokens में 34.5% तक पहुँचता है — जबकि GLM-5.2 का 96K पर 23.4% था। बेहतर नतीजे, कम tokens।

एक closed model के मुकाबले: High effort पर GLM-5.3 करीब 50K output tokens में 31.4% पर पहुँचता है, बनाम Claude Opus 4.8 का 120K पर 29.5%। थोड़ा बेहतर score, करीब 2.4× कम output tokens।

जो भी coding agents को volume पर चलाता है, उसके लिए output tokens ही bill हैं। जो model tokens के एक अंश में उतना ही score करे, वह leaderboard की नहीं, लागत की कहानी है।

Cyber नतीजा, और वह दोधारी क्यों है

Z.ai ने training mix में vulnerability-discovery data मामूली फ़ायदे की उम्मीद से जोड़ा था, और अपने चौंकने की बात दर्ज करता है: GLM-5.3 सिर्फ़ अलग-थलग खामियाँ पकड़ने के बजाय पूरी exploitation chains पर reasoning करने लगा। ExploitGym पर यह दो घंटे में 105 और छह घंटे में 130 tasks पूरे करता है, बनाम GLM-5.2 के 29 और 39।

चीनी security teams के साथ असली codebases पर चलाने पर model ने 269 open-source projects में 2,436 vulnerabilities सामने लाईं — 107 critical और 990 high। औसत खामी 26.6 साल तक बिना पकड़ में आए टिकी रही थी; सबसे पुरानी 1981 की थी। Z.ai ने इन्हें track करने के लिए एक Security Disclosure Ledger प्रकाशित किया है, जिसमें 53 disclose हो चुकी हैं और 2,383 अब भी embargo में हैं।

दो ईमानदार चेतावनियाँ। पहली, Z.ai की अपनी तुलनाएँ दिखाती हैं कि यहाँ वह closed frontier से काफ़ी पीछे है — page competitors को 181 और 247 ExploitGym tasks पर बताता है, बनाम GLM-5.3 के 105 और 130। अपने ही अंतर पर Z.ai का सारांश साफ़गोई भरा है: capability सबसे तेज़ी से ठीक वहीं बढ़ रही है जहाँ वह सबसे ज़्यादा पीछे है।

दूसरी, एक सक्षम open-weights vulnerability-discovery model बनावट से ही dual-use होता है। "Safety evaluation और hardening" के लिए weights में दो हफ्ते की देरी शायद ठीक इसी वजह से है।

(एक labelling विसंगति दर्ज करने लायक है: Z.ai का text cyber तुलनाओं में "Mythos 5" कहता है जबकि उसकी अपनी table का column "Fable 5" शीर्षक वाला है। हमने अंदाज़ा लगाने के बजाय GLM-5.3 के अपने आँकड़े ही quote किए हैं।)

वह migration जो आपकी calls तोड़ देगा

GLM-5.3 तीन thinking effort levels support करता है — low, high, max. Thinking को disable करना अब support नहीं है।

अगर आपका application फ़िलहाल thinking.type: "disabled" भेजता है, तो model id को glm-5.3 करने से पहले उसे enabled कीजिए और reasoning_effort को low सेट कीजिए। वरना request fail होगी। Coding tasks के लिए Z.ai max की सलाह देता है।

Launch में यही एक चीज़ है जिस पर deadline लगी है।

कीमत क्या है

Z.ai ने per-token pricing प्रकाशित नहीं की। GLM Coding Plan अब एक points-based quota system पर चला गया है, जिसमें input, cached input और output tokens के लिए points अलग-अलग गिने जाते हैं।

Pricing की सबसे मायने रखने वाली बात: peak hours के बाहर की calls standard points का 50% खर्च करती हैं। Peak है 14:00–18:00 UTC+8, सोमवार से शुक्रवार। बाकी सब कुछ — पूरा weekend मिलाकर — आधी कीमत पर है।

अगर आप batch काम चलाते हैं, तो यह scheduling का ऐसा फ़ैसला है जो सोच-समझकर लेना चाहिए। Europe या Americas की रात UTC+8 में off-peak है।

ZCode के ज़रिए Z.ai दोहराए गए context पर 98%+ cache hit rate और 31 August तक 1.5× limited-time quota boost का भी दावा करता है।

इस हफ्ते क्या करें

अगर आप GLM Coding Plan पर हैं। GLM-5.3 आपके पास पहुँच चुका है। पहले अपने code में thinking.type: "disabled" जाँचिए, फिर इसे आज़माइए — मापने लायक चीज़ token-efficiency का फ़ायदा है, benchmark number नहीं।

अगर आप GLM-5.2 self-host करते हैं। Weights के लिए दो हफ्ते रुकिए। अभी pull करने को कुछ नहीं है।

अगर आप coding harness इस्तेमाल करते हैं। GLM-5.3 ZCode, Claude Code, OpenCode और दूसरों में चलता है — आप Z.ai के अपने client से बँधे नहीं हैं।

अगर आप GLM की तुलना Claude या GPT से कर रहे थे। GLM-5.3 agentic coding में फ़ासला काफ़ी घटाता है और tokens-per-result पर साफ़ जीतता है। Z.ai की अपनी table पर यह पहला स्थान नहीं लेता। फ़ैसला cost-per-outcome पर कीजिए, ranking पर नहीं।

ईमानदार चेतावनियाँ

ये lab के अपने numbers हैं। यहाँ हर आँकड़ा self-reported है। Z.ai अपनी methodology असामान्य रूप से विस्तार से दर्ज करता है — harness versions, temperatures, context lengths, timeouts, anti-cheat उपाय — जो ज़्यादातर labs से ज़्यादा है, फिर भी यह independent evaluation नहीं है। GLM-5.3 हमारे model tracker पर मौजूद है, जहाँ उसके आँकड़े Z.ai के अपने बताकर लेबल किए गए हैं, और जब तक कोई third party इसे score नहीं करता तब तक वह हमारे benchmark page पर नहीं आएगा।

कई benchmarks in-house हैं। Z.ai Code Bench बनावट से ही private और unauditable है। इसका contamination वाला तर्क वाजिब है; फिर भी यह Z.ai का Z.ai को नंबर देना है।

"Open weights" अभी हुआ नहीं है। दो हफ्ते एक घोषित इरादा है। GLM-5.2 ने पहले ही दिन weights दिए थे; इसने नहीं दिए।

Data और jurisdiction. पहले जैसा ही: किसी hosted endpoint से customer data भेजने से पहले जान लीजिए कि आपके tokens कहाँ जा रहे हैं।

इस हफ्ते का कदम

Migration check कर लीजिए। Scores नहीं, output tokens मापिए। अगर batch चलाते हैं, तो काम off-peak खिसकाइए और 50% बचाइए।

अगर आप चाहते हैं कि "कौन सा काम किस model से" वाला बँटवारा आपके असली workflow और bill के हिसाब से तय हो, तो एक Business AI Plan ($99 one-time, current रखने के लिए optional $29/month) यही करता है। मुफ़्त 2-minute AI plan finder तेज़ पहला कदम है।

Sources: Z.ai — GLM-5.3: Frontier Coding with Emergent Cyber Capabilities, Z.ai developer docs, ZCode. 14 August 2026 को retrieve किया गया।