8 月 14 日，智谱上线 GLM-5.3。官方博客用一句话概括了这一代的做法：扩大后训练（Scaling post-training）是唯一动作——底座沿用不变、参数没有增加，能力增量全部产生于后训练阶段。
在新模型必须一年一发的舆论环境里，这个表态多少有些反常。不过它也道出了近两年大模型竞赛的走向：预训练越来越难换来同等收益，能把后训练环节做扎实的团队，就有机会让同一套底座继续释放额外能力。
一、GLM 出自哪家团队，产品线如何迭代
GLM 系列属于智谱（Z.ai），团队源自 2019 年的清华大学实验室。到 2026 年 1 月，智谱登陆港交所，成为国内首家上市的大模型公司，此次募资规模约 5.58 亿美元。
在商业化之前，智谱更先在学术界被人熟知：早期推出的 GLM 预训练框架以及开源双语模型，被不少研究人员当作入门工具。公司正式化运营的时间并不算领先，但技术主线延续得相当完整，这也被认为是它能在上市同年连续加码后训练的原因之一。
产品节奏相当密集：2 月 GLM-5 问世并开源，6 月 GLM-5.2 把上下文长度推到 100 万，8 月轮到 GLM-5.3。半年内推出三代，其间还穿插 3 月的 GLM-5-Turbo 以及随后的 GLM-5V-Turbo，前者面向智能体场景，后者侧重多模态编程。
GLM-5 这一代奠定了基础：总参数 744B，激活参数 44B，含 256 个专家，按 MIT 协议开源，SWE-bench Verified 得分为 77.8，在当时的所有开源模型中位列第一。5.3 则是在这一基础上继续叠加能力。
二、底座未动，分数因何上涨
GLM-5.3 采用的基础模型和 GLM-5.2 完全相同：744B 参数、约 40B 激活，256 个专家中每次仅调用一部分，上下文为 100 万 token，最长输出 128K，只处理文本。结构层面继续使用 DeepSeek 稀疏注意力（DSA），长文本的推理开销因此保持在较低水平。
所有改动都集中在后训练环节：任务环境更丰富、长程任务类型更多样，训练时长也更长。简而言之，同一个“大脑”又接受了一轮集训，重点在于“如何把任务做完”，而非“记住了多少知识”。
可以用通俗的方式理解：预训练相当于读书，后训练相当于做题。读书决定知识边界，做题决定这些知识能否被调用。过去一年里，行业里越来越多能力增长源于后者，比如搭建更贴近真实的任务环境、设计更精细的奖励信号，让模型在同一任务上不断试错直至成功。
效果可以观察到。在智谱自有的 Z.ai Code Bench 上，5.3 的代码能力相比 5.2 提高大约 50%。这组数字出自内部基准，参考意义有限，但指向比较明确：能力增量来自反复训练，而非替换底座。
三、编程表现：Terminal Bench 由 4.6 提升到 28.3
公开基准中差距最显著的是 Terminal Bench 3.0：GLM-5.2 仅得 4.6 分，GLM-5.3 升至 28.3，不但为开源模型最优，还超过了 Kimi K3 的 17.4。该基准衡量的并非写单个函数，而是在真实终端环境下完整走完整个任务。
其余两项也有明显提升：DeepSWE v1.1 从 46.2 升至 66.9，已接近 Claude Fable 5 的 69.7；Agents' Last Exam 的 CLI 子项由 23.8 提高到 28.5，高于 Kimi K3 的 27.6 与 Opus 4.8 的 25.7。三项均居开源第一。
落到实际写代码的体验上，这些分数意味着模型可以在同一个仓库内连续修改多个文件、执行测试、读取报错并再次修改，而不是改完一处就需要人工接手。
举个例子描述一个具体任务：把一个开源项目交给它，要求“将这个接口改成异步、补齐测试、不要破坏现有调用”。它需要先理清调用链，再动代码、运行测试、分析失败用例并回滚重试。这种工作以往需要有人盯着，如今可以让它先自主跑一轮，人只承担最终的 review。
四、网络安全能力成为意外增益
这一代让团队最未预料到的方向是网络安全。CyberGym 成绩由 77.2 提高到 84.5，上升速度快于预期，官方因此将开源权重的发布时间延后近两周，先行完成安全评估。
按智谱的说法，模型已经能够规划完整的利用链条，而不只是发现某一个孤立的漏洞。两者性质差异明显，前者更接近真实的攻击者行为。
开源社区为此有过讨论：能力越强，越需要外部约束。智谱的做法并非不开源，而是把“何时开放、按什么条款开放”纳入既定流程——先评估，再公开权重，同时依靠许可证将最头部的一小部分使用者纳入审查范畴。
监管之外，它的授权处理值得单独说明：权重仍会公开，但先评估、后放行；代号旗舰的模型另配一份许可协议 GLM-5.3 License，形式上接近 MIT，仅增加一条——连续 12 个月模型服务收入超过 100 亿美元的厂商，商业使用前须经过智谱方面的安全审查。足以触及这一门槛的公司数量有限，因此实际自由度几乎不受影响，但姿态表达得很清晰。同代的 GLM-5.3-Flash 则维持无附加条件的 MIT。
目前这一代形成“一旗舰、一轻量、一多模态”的产品组合：GLM-5.3 承担能力上限，纯文本、长上下文，主攻编程与智能体；GLM-5.3-Flash 为 320B 规模、18B 激活的轻量版本，可接收图像、视频与文件输入质量输入，价格是旗舰的十分之一；GLM-5V-Turbo 专注视觉编程，更擅长阅读界面、编写前端与完成 Computer Use 操作。
五、产品形态与工具兼容性
面向用户的产品铺开得比较完整：Z.ai 提供 Chat 与 Agent 两种模式，Agent 模式内置 PDF、Word、Excel 技能，可直接生成 .docx、.pdf、.xlsx 文件；ZCode 是官方的多智能体开发环境；AutoGLM 承担自动规划与执行；OpenClaw 则把模型封装为可跨应用操作的个人助理。
一个可感知的例子是制作季度经营分析：它能够自行查询数据、生成图表、整理为 xlsx，另附一份 docx 说明；若要 PPT，也可以直接输出。这种面向“交付物”的能力，比聊天窗口里的漂亮回答更贴近真实工作流程。
对开发者而言还有一项实用之处：GLM-5.3 兼容 Claude Code、OpenCode、Cline、Roo Code 等主流工具，只需更换模型名称即可接入，无需调整既有工作流。
六、开源、许可证与定价
开源方面，智谱一向给得比较宽松。GLM-5 采用 MIT，GLM-5.3-Flash 同为 MIT，旗舰 GLM-5.3 使用自有许可，但门槛设置极高、实际限制很小。各版本权重均发布于 Hugging Face 与 ModelScope，vLLM、SGLang 等推理框架均可运行。
国产化适配是另一项优势：华为昇腾、摩尔线程、寒武纪等七大国产芯片平台均完成深度推理适配，据称长序列处理成本降低大约一半。对需要私有化部署的团队，这一项往往直接决定能否真正落地。
价格按国内口径为：GLM-5.3 输入 8 元、输出 28 元每百万 token；海外为 1.4 美元与 4.4 美元。Flash 低得多，国内为 0.8 元与 2.8 元，活动期间还可用五折。在开源模型中，旗舰档位并不算便宜，但相比同级闭源产品便宜约一个数量级。
依此折算，一份十万 token 的技术文档，输入成本约八毛钱；一次需要连续跑几十轮的智能体任务，token 量会放大数十倍，花费就上升到数块钱。做预算时按“任务”估算，比按“千字”估算更为准确。
七、选型使用中需注意的五点
第三，与顶尖闭源仍存在差距。DeepSWE 66.9 对照 Fable 5 的 69.7，看数字只差 2.8 分，但放到复杂项目中，差别体现在稳定性与返工率上。
第四，基准数据由厂商自行标称。Terminal Bench 从 4.6 跃至 28.3 确实惊人，然而这类基准与真实仓库之间仍有距离，选用之前最好先在自己的任务上离线运行一轮。
第一，5.3 只能够听音识别。输入方面也要统一识别：平台可接受图片输入。
第五，开源不意味着零成本。权重大可下载，但 744B 模型对显存与加速卡的要求颇高，若要进行私有化部署，软硬算账单仍需提前估算清楚。
八、小结
小结：GLM-5.3 真正值得关注的并非某个单项分数，而是它验证的路径：在不替换底座的情况下继续加深后训练，模型能力依旧能被推高二十年一大截，这对算力储备不占优势的团队更具现实参考价值.
至于它能否被称作“最强开源”。榜单与季度之争终会常规升级，不会转变既有论断。