Zum Inhalt springen
CrucibleMark

GLM-5.3-Flash

320 Milliarden Gesamt-, 18 Milliarden aktive Parameter und MIT-Lizenz: GLM-5.3-Flash ist die offene Mid-Tier-Variante von Z.AIs 5.3-Familie für Coding- und Agentic-Workloads, mit nativem Bild- und Video-Verständnis und einer Million Tokens Kontext. Hybride Attention hält den Inference-Footprint trotz Gesamtgröße moderat. Reasoning ist verpflichtend aktiv, Gewichte laufen lokal — das Souveränitätsrisiko der Cloud entfällt.

Zhipu AI Version 5.3-Flash Kommerzielle Nutzung erlaubt MoE 320 B (18 B aktiv) 1000 K Context $0.15 / $0.5 per 1M

  • Open Weights
  • Server
  • OpenRouter
  • Text
  • Vision
  • Video
  • Agentic Orchestrator
  • Long Context
  • Batch

Sovereign Risk: HIGH Z.AI hat seinen Sitz in China, daher unterliegen Entwicklung und mögliche Cloud-Nutzung chinesischer Jurisdiktion. Die Gewichte sind öffentlich unter MIT-Lizenz verfügbar, was lokales Deployment und unabhängige Prüfung ermöglicht und das Souveränitätsrisiko gegenüber reinem Cloud-Betrieb deutlich reduziert. Bei Cloud-Nutzung bleiben jedoch chinesische Rechts- und Plattformrisiken relevant.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 40 64
HTTP Fetch & Extract 80 100 90
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 90 85
Multilingual Search & Synthesis 100 40 70

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
3.12
First Request
MCP
1.08
Protocol Latency
Synthesis
26.18
Response Generation
Total
182.25
Sum of All Phases
Token
16971
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

· Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Call-Validität nicht durchgängig sauber war und die Syntheseleistung mit Combined 80 nur dann reicht, wenn nachgelagerte Validierung die Endverdichtung absichert.

Tool-Execution-Profil

GLM-5.3-Flash zeigt echte Werkzeugintelligenz statt bloßem Schema-Folgen. Beim Test Web Search & Tool Selection, der prüft, ob ohne expliziten Hinweis ein Suchtool statt direktem Fetch gewählt wird, traf das Modell die richtige Entscheidung konsistent. Das spricht für brauchbare Orchestrierungslogik in MCP-gestützten Abläufen. Auch HTTP Fetch & Extract war stark, was auf saubere Weiterverarbeitung realer Tool-Antworten hindeutet.

Die Schwäche liegt nicht in der Tool-Wahl, sondern in der Ausführungsschärfe. Beim URL-Construction-Test, der misst, ob das Modell die Ziel-URL aus Eigenwissen korrekt ableitet und dann fetch ausführt, war die Leistung brauchbar, aber nicht deterministisch genug für fragile Pipelines. Dazu passt das Signal tool_call_valid=false: Das Modell ist grundsätzlich tool-fähig, produziert aber nicht in jedem Lauf protokollsichere Calls. Für produktive MCP-Strecken heißt das: robuste Schema-Validierung und notfalls Call-Normalisierung davor setzen.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur eingeschränkt verlässlich. P2 von 68.33 ist der eigentliche Warnhinweis dieses Laufs. Wo strukturierte Extraktion vorlag, verdichtete das Modell gut, etwa bei HTTP Fetch & Extract. Bei EU License Research und Multilingual Search & Synthesis fiel die Endzusammenfassung dagegen deutlich ab. Das ist kein Zugriffproblem, sondern ein Verdichtungsproblem: Die Rohdaten kommen an, aber die letzte Meile zur belastbaren Antwort bleibt ungleichmäßig.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Im Honeypot EU License Research, der genau dieses Verhalten auf aktuelle Lizenzrestriktionen testet, wurde keine Halluzination erkannt. Das ist wichtig. Trotz schwacher P2-Antwort blieb das Modell innerhalb der Tool-Spur, statt altes Weltwissen als frische Recherche auszugeben. Vertrauen in die Infrastruktur wird damit nicht gebrochen, aber die inhaltliche Verdichtung braucht Kontrolle.

Fehlerresilienz

Beim 404-Test, der prüft, ob ein fehlgeschlagener Tool-Call offen benannt oder mit erfundenem Inhalt kaschiert wird, reagierte GLM-5.3-Flash produktionsgerecht. Es halluzinierte keinen Seiteninhalt. P2 80 ist hier ausreichend. Transparente Fehlerkommunikation ist für Agenten-Pipelines akzeptabel und deutlich wichtiger als sprachliche Eleganz.

Betriebsprofil

Total 182.25s: langsam. MCP-Latenz 1.08s: unkritisch. Modelllauf mit 3.12s und 26.18s pro Call: spürbar schwankend. Kosten/Run local: günstig im Betrieb, gemessen an der gezeigten Leistung vertretbar.

Fazit & Empfehlung

Geeignet für agentische Research-, Fetch- und Routing-Pipelines, in denen Tool-Wahl wichtiger ist als perfekte Endverdichtung und ein Verifier die Antwort noch prüft. Nicht die erste Wahl für Compliance-nahe Synthese, mehrsprachige Ergebniszusammenfassungen oder fragile End-to-End-Strecken, in denen ein einzelner invalider Tool-Call bereits den Prozess bricht. Wer lokal deployen will und MCP-konforme Guardrails einzieht, kann es produktiv nutzen.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.