GLM-5.3

1. コーディング性能が大きく向上

智譜AIの社内コーディング評価では、GLM-5.3は5.2比で約50％向上しています。

Terminal-Bench 3.0では、スコアが4.6から28.3まで上昇。Kimi K3の17.4を上回りました。

長時間のソフトウェアエンジニアリング能力を見るDeepSWEでも、46.2から66.9へ伸び、Claude Fable 5の69.7にかなり近づいています。

短いコードを一度生成して終わるタイプのテストではありません。ターミナル操作、プロジェクトの把握、複数ファイルの編集、複数ステップにわたる作業まで含まれます。今回伸びているのは、こうした実務寄りの部分です。

2. Token消費を抑えやすい

コーディングエージェントでは、正答率だけでなくToken消費も無視できません。

High推論設定では、GLM-5.3が1タスクあたり平均約5万tokensで31.4％の正答率を記録。Claude Opus 4.8は約12万tokensで29.5％でした。

長いタスクでは、ファイルの読み直しや修正、ツール実行が何度も入ります。Token消費に差が出ると、そのまま運用コストにも響きます。

3. セキュリティ分野でも高いスコア

CyberGymの脆弱性推論ベンチマークでは84.5％を記録し、Anthropic Mythos 5の83.8％を上回っています。

セキュリティチームとの検証では269件のプロジェクトを対象にし、2,436件の実在する脆弱性を発見。その中には、40年以上見つかっていなかったDNSプロトコル関連の重大な脆弱性も含まれていました。

この能力は公開時のリスクにも直結します。智譜AIは安全対策を追加するため、モデルウェイトのオープンソース化を2週間延期しています。

4. GLM-5.2から何が変わったのか

大きく変わったのはモデルサイズではなく、学習方法です。

ターミナル操作、複雑なコードベース、長期タスクといった環境に対する強化学習を増やし、実際の開発に近い条件で訓練する比重を上げています。

その効果は、単発のコード生成よりも、長時間の実行、複数ファイルをまたぐ理解、複雑な工程を最後まで進める能力に強く出ています。

GLM-5.3は「新しいベースモデル」というより、同じベースでもポストトレーニング次第でまだ性能を伸ばせることを示したモデル、と見るほうが分かりやすいです。