GLM-5.3: Offene Gewichte treffen auf 755 Gigabyte Realität

755,7 Gigabyte für ein Modell mit offenen Gewichten: Z.ai hat die vollständigen Checkpoints von GLM-5.3 am 28. August 2026 veröffentlicht, wie die Modellkarte und ein aktualisierter Praxischeck dokumentieren. Das Modell zielt vor allem auf komplexe Coding-Aufgaben und Cyberabwehr.

Die Gewichte sind damit zugänglich. Leicht zugänglich ist das Modell noch lange nicht: Der FP8-Download verteilt sich auf 141 Dateien, die BF16-Fassung umfasst rund 1,5 Terabyte in 282 Dateien. Für die meisten Entwicklerteams bleibt GLM-5.3 deshalb zunächst ein Angebot aus dem Rechenzentrum oder per API.

Der Fortschritt steckt im Post-Training

GLM-5.3 besitzt laut Z.ai-Modellkarte 753 Milliarden Parameter und verwendet dasselbe Basismodell wie GLM-5.2. Sämtliche Verbesserungen sollen aus dem Post-Training stammen, also aus der Trainingsphase, in der ein bereits vortrainiertes Modell gezielt auf gewünschte Fähigkeiten und Verhaltensweisen ausgerichtet wird.

Das ist der bemerkenswertere Teil der Veröffentlichung. Im eigenen Code-Benchmark meldet Z.ai laut Modellkarte eine Verbesserung um 50 Prozent gegenüber GLM-5.2, ohne dafür das Basismodell auszutauschen. Auf CyberGym nennt der Anbieter 84,5 Punkte für GLM-5.3 und 77,2 Punkte für den Vorgänger; bei Exploitation-Aufgaben sollen sich die Ergebnisse mehr als verdoppelt haben.

Unabhängig bestätigt sind diese Werte nicht. Sie zeigen, worauf Z.ai optimiert hat, ersetzen aber keine Prüfung in realen Entwicklungs- und Sicherheitsabläufen, zumal ein leistungsfähigeres Modell bei Cyberaufgaben sowohl den Nutzen für Verteidiger als auch das Missbrauchspotenzial vergrößert.

Offen heißt hier: betreibbar mit großem Besteck

Der offizielle FP8-Checkpoint umfasst laut unabhängigem Praxischeck exakt 755,7 Gigabyte in 141 Shards, also einzeln übertragenen Gewichtsdateien; für BF16 sind es etwa 1,5 Terabyte und 282 Shards. Das dort erprobte vLLM-Setup beginnt mit einem Server mit acht Beschleunigern.

Das ist Rechenzentrumsformat.

Für das Deployment nennt Z.ai in der Modellkarte unter anderem SGLang und vLLM. Die Wahl der Software ändert jedoch nichts an der Größenordnung: Ein offener Download ermöglicht Inspektion, Anpassung und Betrieb unter eigener Kontrolle, macht aus dem laut Z.ai 753 Milliarden Parameter großen Modell aber kein lokales Werkzeug für einen gewöhnlichen Arbeitsplatzrechner.

Das ist keine Nebensache. Wer sensible Codebasen oder Sicherheitsdaten nicht an einen externen Dienst übertragen will, erhält mit den Checkpoints grundsätzlich eine Option zur eigenen Kontrolle, muss dafür aber Speicher, Beschleuniger und Betriebskompetenz bereitstellen. Offene Gewichte senken hier nicht die Einstiegskosten.

Erst API, dann Infrastrukturentscheidung

Für die meisten Teams ist deshalb zunächst die API sinnvoll; Self-Hosting kommt laut Praxischeck vor allem dann infrage, wenn Datenstandort, Anpassbarkeit, Kontrolle oder dauerhaft hohe Auslastung den zusätzlichen Aufwand rechtfertigen. Die Reihenfolge ist entscheidend: GLM-5.3 sollte sich erst in den eigenen Coding- oder Security-Aufgaben bewähren, bevor ein Server mit acht Beschleunigern zum Infrastrukturprojekt wird.

Z.ai zeigt mit GLM-5.3 zugleich, wie viel sich durch Post-Training aus einem bestehenden Basismodell herausholen lassen soll. Ob diese Gewinne außerhalb der Herstellerbenchmarks tragen, bleibt der entscheidende Test. Für Entwicklungs- und Sicherheitsteams gilt daher eine klare Mindestregel: Modellqualität zuerst am eigenen Arbeitsablauf messen, Hardware erst danach beschaffen.