Z.ai открыла веса GLM-5.3 для развертывания у себя

2026-08-28 Z.ai опубликовала веса GLM-5.3 в официальном каталоге Hugging Face. Полная сборка содержит 753B параметров и занимает около 756 GB; файлы представлены в Safetensors. Модель уже можно развернуть у себя через vLLM, SGLang, Transformers и другие совместимые средства. Это завершает переход GLM-5.3 от доступной через сервисы модели к полноценному релизу с открытыми весами.

GLM-5.3 использует ту же базовую модель, что и GLM-5.2: заявленные улучшения получены на этапе дополнительного обучения. По данным Z.ai, результат Terminal Bench 3.0 вырос с 4,6 до 28,3, а DeepSWE v1.1 — с 46,2 до 66,9; независимая проверка полного набора заявленных результатов пока ограничена. Условия использования задает отдельная GLM-5.3 License, поэтому перед коммерческим запуском компаниям следует проверить ограничения лицензии. Отдельная цена API для GLM-5.3 в официальной таблице тарифов пока не указана.

Релиз выгоден компаниям, которым нужен контроль над данными при автоматизации разработки, анализе больших кодовых баз и проверке безопасности. Главный риск — стоимость инфраструктуры: исходные файлы занимают около 756 GB, а требования к рабочей памяти и ускорителям Z.ai в карточке не фиксирует, поэтому бюджет развертывания в рублях пока корректно оценить нельзя. Облачный GLM Coding Plan начинается с 18 USD в месяц — примерно 1540 рублей по официальному курсу 85,6007 рубля за USD на 2026-08-29, без учета комиссии и налогов. Для пилота разумно сначала сравнить облачный доступ и аренду ускорителей на собственных задачах, а затем выбирать формат эксплуатации.

Далее стоит отслеживать независимые замеры скорости, памяти и качества GLM-5.3 на производственных задачах. Также важны оптимизированные сборки: они могут снизить требования к оборудованию, но способны повлиять на точность работы модели.

Что за модель: GLM-5.3

Z.ai выпустила GLM-5.3 2026-08-14 как развитие GLM-5.2 для программирования, длительных инженерных задач и анализа безопасности. Модель использует ту же базовую модель, а заявленные улучшения получены за счёт дополнительного обучения на практических задачах. Поддерживаются контекст до 1M токенов и три уровня глубины обработки: low, high и max. По данным вендора, результат Terminal Bench 3.0 вырос с 4,6 у GLM-5.2 до 28,3 у GLM-5.3, а DeepSWE v1.1 — с 46,2 до 66,9; независимых замеров пока нет. Показатель второго места в тесте художественных текстов не включён, поскольку официальный первоисточник его не подтверждает.

Хроника GLM-5.3

Что ещё писали про GLM-5.3