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 des Anbieters dokumentiert. 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 Entwicklungsteams bleibt GLM-5.3 deshalb zunächst ein Angebot aus dem Rechenzentrum oder per API.

Der Fortschritt steckt im Post-Training

Z.ai beziffert die Größe von GLM-5.3 in der Modellkarte auf 753 Milliarden Parameter. Als Grundlage dient demnach dasselbe Basismodell wie bei GLM-5.2; die Verbesserungen sollen vollständig aus dem Post-Training stammen, in dem ein vortrainiertes Modell gezielt auf Fähigkeiten und gewünschtes Verhalten ausgerichtet wird.

Das ist der bemerkenswertere Teil der Veröffentlichung. Im eigenen Code-Benchmark meldet Z.ai 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. Ein leistungsfähigeres Modell für Cyberaufgaben vergrößert zudem den Nutzen für Verteidiger und das Missbrauchspotenzial.

Offen heißt hier: betreibbar mit großem Besteck

Der offizielle FP8-Checkpoint umfasst nach Angaben von Z.ai exakt 755,7 Gigabyte in 141 Shards, also einzeln übertragenen Gewichtsdateien. Für BF16 nennt die Modellkarte etwa 1,5 Terabyte und 282 Shards. Das beschriebene vLLM-Setup beginnt mit einem Server mit acht Beschleunigern.

Das ist Rechenzentrumsformat.

Für das Deployment nennt Z.ai unter anderem SGLang und vLLM. Die Wahl der Software ändert nichts an der Größenordnung: Ein offener Download ermöglicht Inspektion, Anpassung und Betrieb unter eigener Kontrolle, macht aus dem 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 vor allem dann infrage, wenn Datenstandort, Anpassbarkeit, Kontrolle oder dauerhaft hohe Auslastung den zusätzlichen Aufwand rechtfertigen. 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, 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.