Viele Coding-Demos enden vor dem schwierigen Teil. Das Modell zeichnet eine saubere Oberfläche oder schreibt eine plausible Funktion, die Kamera stoppt, und niemand fragt nach dem dritten fehlschlagenden Abhängigkeitstest. GLM-5.3 zielt auf das Danach: Fehler lesen, Plan ändern, erneut experimentieren und lange genug orientiert bleiben, um ein geprüftes Ergebnis zu liefern.
Z.ai hat dafür kein größeres Basismodell gebaut. Die 5.2-Basis blieb, während Post-Training skaliert wurde: mehr ausführbare Umgebungen, mehr professionelle Aufgabenarten und mehr Rechenleistung für lange Trajektorien. Man kann sich die Basis als talentierten Absolventen und Post-Training als Ausbildung vorstellen. Der Absolvent kennt die Sprache der Technik; die Ausbildung lehrt, wann geprüft, getestet oder ein schlechter Plan verworfen werden muss.
Die Startwerte ergeben ein zusammenhängendes, aber anbietergetriebenes Bild. Terminal-Bench 3.0 steigt von 4,6 auf 28,3, DeepSWE von 46,2 auf 66,9, SWE-Marathon von 19,4 auf 42,5 und AutomationBench von 26,2 auf 48,2. ALE-CLI erreicht 28,5. Die Breite ist wichtiger als die Behauptung, eine Zahl sei die ganze Wahrheit.
Der private Code Bench ergänzt eine Kostenperspektive. Bei Max erledigt 5.3 34,5 % mit rund 75.000 Output-Token je Aufgabe, gegenüber 23,4 % mit 96.000 für 5.2. Bei High sind es 31,4 % um 50.000 Token, oberhalb des genannten Opus-4.8-Punktes. Fable 5 bleibt mit 39,5 % stärker. Außenstehende können die privaten Aufgaben nicht reproduzieren, doch die richtige Frage wird sichtbar: Wie viel verifizierte Arbeit schafft der Agent für Zeit und Token?
Cyber-Fähigkeit ist die überraschende zweite Geschichte. Discovery-Umgebungen entwickelten sich laut Z.ai zu mehrstufiger Planung. 84,5 % CyberGym führen die Tabelle an, 54,4 % ExploitBench verdoppeln 5.2, bleiben aber hinter den besten geschlossenen Modellen. Für normale Teams ist defensive Nutzung sinnvoll: autorisierten Code isoliert prüfen, Fehler reproduzieren, Patch und Regressionstests erstellen. Das ist keine Erlaubnis für fremde Systeme.
Zugang ist zugleich einfach und unfertig. Alle Coding-Plan-Stufen und ZCode bieten GLM-5.3, ab 18 Dollar Listenpreis monatlich. Das Punktesystem berechnet Input, Cache und Output unterschiedlich und rabattiert Nebenzeiten. Eine allgemeine API kommt erst noch; daher fehlt ein sauberer nutzungsabhängiger Vergleich.
Schließlich ist Denken Pflicht. Low, High und Max steuern den Aufwand, aber alte Requests mit deaktiviertem Denken scheitern. Zusammen mit fehlender nativer Vision und fehlenden unabhängigen Läufen ergibt sich Platz 6: ein ernster Kandidat für lange Terminal-Sitzungen und defensive Entwicklung, der an identischen Aufgaben und Tests gegen den bisherigen Agenten antreten sollte.
