GLM 5.3: Wie das beste Open-Source-LLM ohne neue Architektur zur Spitze kam

Das wichtigste KI-Modell des Augusts hat kein neues Gehirn bekommen. GLM 5.3 ist das beste Open-Source-LLM, das Sie aktuell mieten können, und es ist nicht einmal ein neues Modell.

Key Takeaways

Ich baue für meinen Lebensunterhalt KI-gestützte Marketingsysteme, und der Coding-Agent in meinem Terminal läuft auf GLM 5.3. Er baut Landingpages, refaktoriert Tracking-Code und steuert über eine Agent-Bridge 3D-Objekte in Blender, während ich meinen Kaffee trinke. Vor einem Jahr war das eine Demo. Heute ist es ein Dienstag.

Und hier der Teil, den niemand in die Schlagzeile packt. GLM 5.3 ist kein neues Modell. Es ist dasselbe Modell wie GLM 5.2, nur länger trainiert. Gleiche Architektur. Gleiche Attention-Layer. Gleiche 744 Milliarden Parameter. Z.ai hat nichts Neues erfunden, um hierher zu kommen. Z.ai hat sich geweigert, mit dem Training aufzuhören.

Dieses Detail ist die ganze Geschichte dieses Moments im KI-Rennen. Ich führe Sie durch das, was passiert ist, gegen die primären Quellen geprüft, und was es für die Open-Source-KI-Landschaft bedeutet, wenn Sie wie ich auf diesen Modellen bauen.

Was GLM 5.3 wirklich ist

Am 14. August 2026 hat Z.ai (das Unternehmen hinter Zhipu AI) GLM 5.3 veröffentlicht, sein neues Frontier-Coding-Modell. Die Behauptungen, grösstenteils gestützt durch unabhängige Analysen:

• Das fähigste Open-Weights-Modell für Coding, mit einer Verbesserung von 50 Prozent gegenüber GLM 5.2 auf Z.ais eigenem Code Bench.
• Es schlägt Kimi K3 in vielen Benchmarks und überholt laut Analyse von Interconnects Claude Fable 5 oder GPT-5.6-Sol bei einigen, insgesamt an oder nahe der Frontier des agentischen Codings.
• Es ist schnell: Artificial Analysis misst GLM 5.3 bei etwa 93 Tokens pro Sekunde gegen 39 von Kimi K3.
• Es ist günstig: 1.40 Dollar pro Million Input-Tokens und 4.40 Dollar pro Million Output-Tokens auf Z.ais API. Claude Fable 5 liegt bei 10 und 50 Dollar für dieselben Volumen.

Lesen Sie diese Preise nochmals, denn das ist der stillste Knall. Output-Qualität nahe der Frontier zu rund 7x günstigerem Input und 11x günstigerem Output als Anthropics Flaggschiff.

Wenn Sie agentische Workflows fahren, in denen ein einzelner Job eine Million Tokens verbrennt, ist das kein Rabatt. Das ist ein anderes Geschäftsmodell.

Eine Ehrlichkeitsnotiz, weil ich diese Dinge prüfe. Die eigenen Gewichte von GLM 5.3 lagen beim Schreiben noch nicht auf Hugging Face, die neuesten Repositories der zai-org endeten bei früheren GLM-Versionen. Z.ai positioniert es als Open-Weights-Linie, und der Drop wurde für etwa zwei Wochen nach dem Launch angekündigt. Behandeln Sie «open» als Richtung, und prüfen Sie die Gewichte, bevor Sie einen Self-Hosting-Plan darauf bauen.

GLM 5.3 gegen Fable 5: die ehrlichen Zahlen

Sie müssen Z.ais Marketing nicht glauben. Together AI hat beide Modelle gegen DeepSWE laufen lassen, ein realer Software-Engineering-Benchmark: 904 Agent-Rollouts, 452 pro Modell. Das ist das Nächste zu einem Foto davon, wo die Frontier wirklich steht.

Pass@1, der offizielle Score beim ersten Versuch: GLM 5.3 löst 69.0 Prozent der Tasks, Fable 5 löst 69.7 Prozent. Der Abstand liegt innerhalb des statistischen Rauschens. Bei echter Arbeit ist es ein Unentschieden.

Gibt man jedem Modell mehr Versuche, übernimmt GLM die Führung: Pass@2 liegt bei 81.1 gegen 77.1 Prozent, Pass@4 bei 87.6 gegen 84.1 Prozent.

Dann die Geldzeile. Kosten pro Rollout: 3.99 gegen 21.63 Dollar. Pro 100 ausgegebene Dollar liefert GLM 5.3 17 gelöste Tasks. Fable 5 liefert 3.

Wo gewinnt Fable 5 noch? Frontier-Harness-Benchmarks: 39.5 gegen 34.5 Prozent auf Z.ais eigenem Code Bench mit maximalem Aufwand, und ein klarer Vorsprung bei den langhorizontigen Sicherheits-Tasks von ExploitGym. Rust, wo Fable mit 85 zu 70 Prozent führt. Wenn Ihre Workload aus Rust und Serialisierung besteht, zahlen Sie für die Frontier.

Der Routing-Einblick ist die praktische Perle in all diesen Daten. Leiten Sie zuerst an GLM, eskalieren Sie nur bei Fehlschlag zu Fable, und Sie erhalten 81.1 Prozent Genauigkeit zu 10.74 Dollar pro Task. Das schlägt Fable allein, das bei 69.7 Prozent Genauigkeit für 21.63 Dollar landet. Besser auf beiden Achsen, für die halben Kosten. Die meisten Teams, die Frontier-Modelle fahren, haben diese Rechnung nie gemacht.

Gleiches Gehirn, längeres Training: das Geständnis, das zählt

Der interessanteste Satz dieses Releases steht in keinem Benchmark-Chart. Er steht in Z.ais eigener Beschreibung des Modells:

«Scaling post-training is all we did for GLM-5.3.»

Lassen Sie das wirken. Das mentale Modell der Branche für Fortschritt geht so: neue Architektur, grösseres Modell, schlaueres Modell. Jeder Fähigkeitssprung soll mit einer neuen Nummer auf der Schachtel und einem frischen Research-Paper kommen.

GLM 5.3 sagt nein. Das Basismodell ist identisch mit dem von GLM 5.2. Die Parameterzahl hat sich nicht bewegt: etwa 744B Gesamtparameter, ein Mixture-of-Experts-Setup mit rund 40B aktiven Parametern pro Token, geerbt von der GLM-5-Basis. Was sich geändert hat, ist das Post-Training: mehr Umgebungen, diversere Tasks und massiv Compute, der gegen echte Aufgaben trainiert wurde. Die Art, die man nicht fälschen kann, indem man die Antworten eines grösseren Modells kopiert.

In klaren Worten: Sie haben dasselbe Gehirn genommen und ihm Jahre gezielten Trainings gegeben statt eines grösseren Schädels.

Und man kann das Training messen, denn die Launch-Vergleiche veröffentlichen beide Versionen auf denselben Benchmarks:

• Terminal-Bench 3.0: von 4.6 auf 28.3.
• SWE-Marathon v1.1: von 19.4 auf 42.5.
• DeepSWE v1.1: von 46.2 auf 66.9.

Keine neue Architektur hat diese Zahlen produziert. Gezieltes Training hat es getan.

Das Ergebnis ist das, was Interconnects einen geradezu erstaunlichen Anstieg der Scores nannte. Und der Rhythmus zählt so viel wie die Scores. Während westliche Labs die Zeit zwischen Releases privat testen, liefern chinesische Labs in Tagen statt Monaten und nutzen jeden dieser Tage zum Aufholen.

Das Grössen-Paradox: 744B schlagen 2.8T

Hier setze ich meinen Analystenhut auf, denn die Zahlen erzählen eine unbequeme Geschichte.

Ein 744B-Modell, das ein Modell mit 2.8 Billionen Parametern übertrifft, ist kein Rundungsfehler. Es ist eine Diagnose.

Zuerst der Vorbehalt: Kimi K3 investiert Kapazität in native multimodale Arbeit, die Coding-Benchmarks nicht bewerten. Selbst unter Berücksichtigung dessen ist das Signal schwer zu übersehen. Wenn ein fast viermal kleineres Modell bei den Benchmarks gewinnt, auf denen beide antreten, war das grössere Modell untertrainiert. Meine Lesart: Kimi K3 ist nicht dumm. Es ist unfertig.

Seine Architektur hat mehr rohe Kapazität als die von GLM 5.3. Die Benchmark-Lücke misst, wie viel Post-Training noch auf dem Tisch liegt, unausgegeben. Meine Wette: Wenn Moonshot einen ernsthaften Post-Training-Lauf auf derselben Basis abschliesst, drehen sich die Charts wieder.

Das rahmt das ganze Gespräch «wer führt?» neu. Die Frage war nie «wessen Architektur gewinnt?». Sie ist «wer hat mehr Fähigkeit pro Parameter extrahiert?». Aktuell ist die Antwort bei offenen Modellen Z.ai, und es ist nicht knapp.

Es geschah zweimal: DeepSeek spielte denselben Zug

Wenn GLM 5.3 der einzige Datenpunkt wäre, würde ich es einen Einzelfall nennen. Ist es nicht. Lesen Sie DeepSeeks offizielles API-Changelog für V4-Flash-0731, zwei Wochen früher veröffentlicht:

«DeepSeek-V4-Flash-0731 keeps the same model architecture and size as DeepSeek-V4-Flash-Preview, and was only re-post-trained.»

Derselbe Satz. Dieselbe Wette. Zwei verschiedene Labore, zwei Wochen auseinander, kamen zum selben Schluss: die Architektur steht, das Training nicht.

DeepSeek behielt das identische 284B-Modell mit 13B aktiven Parametern und post-trainierte es neu. Die Gewinne waren deutlich. The New Stack hat es behandelt als das kleinere Modell, das das eigene Flaggschiff übertrifft.

Das ist das Playbook der chinesischen Labore, wie ich es lese. Wählen Sie die parameter-effizienteste Architektur einmal, und skalieren Sie Performance dann an zwei Reglern: mehr Post-Training auf dem Modell, das Sie haben, oder ein grösseres Modell, das sofort dasselbe Post-Training bekommt.

Der eine Regler ist günstig und schnell. Der andere ist langsam und teuer. Sie drehen beide.

Was das Rennen um das beste Open-Source-LLM bedeutet, wenn Sie KI wirklich nutzen

So landet GLM 5.3 auf meinem Schreibtisch, als jemand, der Marketing-Systeme auf diesen Modellen plant.

Ihre Kosten pro Task sind eingebrochen

Agentische Workflows fressen Tokens. Eine Content-Pipeline mit Recherche, Entwurf, QA und Publishing kann Millionen von Tokens pro Woche verbrennen. Zu Fable-5-Preisen ist das echtes Geld.

Zu 1.40 und 4.40 Dollar kostet dieselbe Pipeline einen Bruchteil, bei einer Qualität, die für viele Tasks inzwischen austauschbar ist. Rechnen Sie nach. Der Workflow, der letztes Quartal «zu teuer zu automatisieren» war, könnte in diesem Quartal Ihre Marge sein. (Wenn Sie das vollständige Framework wollen: Ich habe geschrieben, warum KI-Marketing-Implementierungen scheitern, und die Lücke liegt selten am Modell.)

Hören Sie auf, Anbieter zu heiraten, und benchmarken Sie Ihre eigenen Tasks

Wenn Fähigkeitssprünge alle paar Wochen per Post-Training kommen, ist der Gewinner von heute die Baseline des nächsten Monats. Der einzige Benchmark, der Ihre Rechnungen zahlt, ist der, den Sie auf Ihrer eigenen Workload fahren.

Bauen Sie ein kleines Eval-Set: zwanzig echte Tasks aus Ihrer Pipeline, von einem Menschen bewertet. Fahren Sie jedes neue Modell dagegen. Das dauert einen Nachmittag, und es verwandelt Hype in eine Tabelle.

Open Weights sind ein Beschaffungsargument, keine Religion

Sie werden ein 744B-MoE nicht auf einem Spare-Server selbst hosten. Aber open-nahe Modelle verändern die Verhandlung. Die Option zu gehen, zu fine-tunen oder hinter die eigene Firewall zu laufen, ist es, die die Preise der geschlossenen Modelle nach unten zieht.

Die Open-Source-KI-Welle, Qwen3.8-Max-Gewichte inklusive, ist der Grund, warum Frontier-APIs immer günstiger werden. Sie profitieren von der Option, selbst wenn Sie sie nie ausüben.

Der Fähigkeits-Rhythmus ist jetzt wöchentlich, also bauen Sie in Schichten

Ich habe kürzlich über OpenAI auf der Bremse geschrieben, aus Sicherheitsgründen. Legen Sie die beiden Geschichten nebeneinander, und das Muster ist klar: Westliche Frontier-Labs verlangsamen sich zum Testen, chinesische Labs liefern.

Bauen Sie Ihre Strategie also nicht um ein einzelnes nächstes Release. Strukturieren Sie sie in drei Schichten: eine stabile Schicht (ein Modell, dem Sie heute vertrauen), eine günstige Schicht (Open-Weights-Klasse für Massearbeit) und eine experimentelle Schicht (was auch immer diese Woche geliefert wurde). Lassen Sie die Schichten sich unabhängig bewegen.

Häufige Fragen

Ist GLM 5.3 wirklich Open Source?

Z.ai positioniert GLM 5.3 als seine Open-Weights-Linie, und die Gewichte der GLM-Familie sind historisch auf Hugging Face gelandet. Beim Schreiben standen die eigenen Gewichte von GLM 5.3 noch aus, angekündigt für etwa zwei Wochen nach dem Launch vom 14. August. «Open» ist die vom Unternehmen erklärte Richtung für dieses Modell. Prüfen Sie Hugging Face, bevor Sie Self-Hosting darauf planen.

Wie schneidet GLM 5.3 im Vergleich zu Claude ab?

Bei agentischen Coding-Benchmarks überholt GLM 5.3 Claude Fable 5 bei einigen Tests und liegt bei anderen dahinter. Beim Preis ist es dramatisch günstiger: 1.40 und 4.40 Dollar pro Million Tokens gegen 10 und 50 Dollar von Fable 5. Meine Arbeitsregel: geschlossene Frontier-Modelle für die härtesten 10 Prozent der Tasks, Modelle der GLM-Klasse für die Massearbeit, bei der der Qualitätsunterschied unsichtbar ist und der Kostenunterschied nicht.

Was ist Post-Training bei LLMs?

Alles, was passiert, nachdem das Basismodell das Pre-Training abgeschlossen hat: überwachtes Fine-Tuning, Reinforcement Learning aus menschlichem Feedback und RL auf überprüfbaren Tasks wie Code und Mathematik. GLM 5.3 behielt sein Basismodell identisch zu dem von GLM 5.2 und hat diese Phase aggressiv skaliert. Es ist günstiger als eine neue Architektur von Grund auf zu trainieren, und es ist dort, wo gerade die meisten messbaren Fähigkeitsgewinne herkommen.

Mein Fazit: Übung schlägt Architektur

Das beste Open-Source-LLM des Augenblicks wurde gebaut, indem nichts geändert wurde. Keine neue Architektur. Kein grösseres Modell. Nur die Disziplin, das eigene Modell weiterzutrainieren, während alle anderen bei null neu starteten.

Das finde ich wirklich ermutigend, und nicht nur für die KI-Forschung. Es sagt, dass die Frontier nicht exklusiv dem vorbehalten ist, der den grössten Training-Cluster hat. Gezieltes Übung funktioniert auch bei Maschinen. Es sagt auch, dass die Riesen, von denen wir annahmen, sie seien fertig, Kimi K3 inklusive, auf ungenutzter Kapazität sitzen, und die Labore, die weiter post-trainieren, werden sie weiter einsammeln.

Für alle, die Geschäfte auf diesen Modellen bauen, sind die To-dos langweilig und profitabel. Rechnen Sie Ihre Token-Ökonomie nach. Bauen Sie Ihr eigenes Eval-Set. Architekturieren Sie für eine Welt, in der jede Woche ein Modell nahe der Frontier zu einem Bruchteil des Preises auftaucht.

Die Teams, die diesen Rhythmus verinnerlichen, werden jedes Release wie GLM 5.3 so behandeln wie ich: als Dienstag.

Wenn Sie wollen, dass jemand das auf Ihren eigenen Marketing-Stack überträgt: melden Sie sich. Kein Hype. Nur das, was die Zahlen sagen.