GLM-5.3 sfida i big dell’AI: ecco cosa offre il nuovo modello Z.ai

Z.ai ha pubblicato GLM-5.3 come modello open-weight, mantenendo la promessa fatta al debutto del 14 agosto 2026.

La disponibilità arriva dopo circa due settimane dedicate, secondo l’azienda, a valutazioni di sicurezza e attività di hardening. Il nuovo modello conserva la base di GLM-5.2, ma concentra il post-training sui compiti lunghi e sull’uso agentico, con attenzione al coding. I risultati dichiarati da Z.ai mostrano miglioramenti nei benchmark dedicati al coding e alla sicurezza, ma vanno letti considerando che parte delle metriche proviene da test proprietari. L’interesse principale di GLM-5.3 è nella combinazione tra pesi accessibili, architettura Mixture of Experts e capacità orientate a workflow tecnici complessi.

GLM-5.3 punta su coding agentico e sicurezza

GLM-5.3 adotta un’architettura Mixture of Experts con circa 744 miliardi di parametri complessivi e circa 40 miliardi attivi durante l’elaborazione, secondo i dati citati da Z.ai.

La distinzione conta perché il numero totale dei parametri non coincide con il calcolo impiegato per ogni token. Nonostante l’attivazione sparsa, il modello resta impegnativo da eseguire: i pesi ufficiali sono disponibili in FP8 e il deployment è supportato da strumenti come Transformers, vLLM e SGLang. Esistono inoltre versioni quantizzate, ma richiedono comunque hardware significativo.

Il salto più evidente riguarda il coding agentico. Z.ai descrive ambienti di addestramento costruiti per simulare attività vicine al lavoro di un ingegnere, nelle quali il modello deve analizzare repository e documentazione, modificare il codice, eseguire test e verificare i risultati.

Nei benchmark pubblicati dall’azienda, Terminal Bench 3.0 passa da 4,6 a 28,3 punti rispetto a GLM-5.2, mentre DeepSWE v1.1 sale da 46,2 a 66,9. Sul benchmark proprietario Z.ai Code Bench, alla modalità Max effort, il tasso di completamento dichiarato raggiunge il 34,5%, contro il 23,4% del predecessore, utilizzando anche meno token di output. Questi dati indicano un miglioramento dell’efficienza, ma non dimostrano da soli prestazioni superiori in ogni scenario reale.

Open-weight, requisiti tecnici e limiti da considerare

La disponibilità dei pesi amplia le possibilità di utilizzo rispetto a un modello accessibile soltanto via API. La licenza, tuttavia, prevede condizioni specifiche e non va assimilata automaticamente a una licenza open source completamente permissiva. Per esempio, la documentazione prevede una revisione di sicurezza di Z.AI per determinati operatori Model as a Service che superino la soglia indicata di ricavi aggregati. Prima di un impiego commerciale è quindi necessario verificare direttamente i termini applicabili.

Anche sul piano della cybersecurity emergono risultati rilevanti, ma da interpretare con cautela. Z.ai riporta l’84,5% su CyberGym e il 54,4% su ExploitBench, oltre a una crescita nelle attività di ExploitGym. L’azienda segnala inoltre 2.436 vulnerabilità individuate in 269 progetti durante una campagna su codice reale, con 1.097 problemi classificati come medio-alta gravità. Si tratta di risultati attribuiti a Z.ai e al suo processo di valutazione, non di una certificazione indipendente delle capacità del modello.

Nel complesso, GLM-5.3 rappresenta un rilascio significativo per il segmento open-weight: combina una scala, attivazione sparsa, strumenti di serving e un post-training orientato agli agenti. La valutazione richiederà test riproducibili, confronti indipendenti e verifiche sui costi.