Zum Inhalt springen
CrucibleMark

GLM-5.3

GLM-5.3 ist Z.AIs Frontier-Coding-Flaggschiff vom 14. August 2026 mit 744 Milliarden Gesamt- und 40 Milliarden aktiven Parametern. Alle Fortschritte gegenüber GLM-5.2 stammen aus Post-Training: Terminal-Bench 3.0 stieg von 4,6 auf 28,3 Prozent, ExploitBench mehr als verdoppelt. Reasoning ist verpflichtend aktiv, Kontext eine Million Tokens. Gewichte und Lizenz noch nicht veröffentlicht, chinesische Cloud-Infrastruktur.

Zhipu AI Version 5.3 Kommerzielle Nutzung eingeschränkt MoE 744 B (40 B aktiv) 1000 K Context 04/2026 $1.4 / $4.4 per 1M

  • Open Weights
  • Frontier
  • OpenRouter
  • Text
  • Agentic Orchestrator
  • Long Context
  • Batch

Sovereign Risk: HIGH Das Entwicklerunternehmen Z.AI hat seinen Sitz in China. Die Entwicklung des Modells unterliegt somit der chinesischen Gesetzgebung, was im internationalen Kontext ein erhöhtes Risiko in Bezug auf Datensicherheit und staatlichen Einfluss darstellt. Zum aktuellen Stand (23. August 2026) sind die Gewichte noch nicht veröffentlicht; das Modell ist ausschließlich über den GLM Coding Plan und die Z.AI-Cloud-Infrastruktur nutzbar, wodurch sämtliche Anfragen über chinesische Server laufen. Eine Risikominderung durch lokalen Betrieb ist derzeit nicht möglich.

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 60 76
HTTP Fetch & Extract 80 80 80
Tool Failure Handling (404) 80 80 80
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 80 80
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
5.19
First Request
MCP
1.07
Protocol Latency
Synthesis
38.69
Response Generation
Total
269.75
Sum of All Phases
Token
19750
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

Erstellt am · Agentic Orchestrator · Long Context

Deployment-Urteil

Bedingt deploy, weil GLM-5.3 stark in der Tool-Ausführung ist, aber die Tool-Calls in diesem Lauf nicht durchgehend valide waren und die Synthesequalität für belastbare Produktionspipelines nur mittlere Sicherheit bietet.

Tool-Execution-Profil

GLM-5.3 zeigt klare Orchestrierungsstärke. Beim Test Web Search & Tool Selection, der prüft ob ohne Hinweis das passende Recherche-Tool gewählt wird, erkennt es den Bedarf für Suche statt direktem Fetch sicher. Das spricht gegen starres Musterverhalten und für echte Werkzeugwahl im Kontext. Auch bei EU License Research greift es sauber zu aktuellen Web-Quellen.

Schwächer ist die letzte Meile der Ausführung. Beim URL-Construction-Test, der die eigenständige Herleitung einer Ziel-URL und den anschließenden Fetch misst, arbeitet es brauchbar, aber nicht deterministisch genug für Pipelines mit harter Protokolltreue. Der globale Befund “Tool-Call valide: False” ist hier entscheidend: Das Modell plant sinnvoll, produziert aber nicht konsistent MCP-saubere Aufrufe. Positiv ist, dass kein Retry nötig war. Das wirkt eher wie Präzisionsverlust in einzelnen Calls als wie ein grundlegendes Verständnis- oder Formatproblem.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Solide, aber nicht scharf genug für hochwertige Entscheidungsstrecken. P2 von 73.33 zeigt, dass GLM-5.3 gefundene Inhalte meist korrekt zusammenführt, jedoch an Präzision verliert, sobald mehrsprachige oder compliance-nahe Details sauber zusammengezogen werden müssen. Das sieht man besonders bei Multilingual Search & Synthesis: Die Recherche gelingt, die deutsche Verdichtung bleibt deutlich hinter der Tool-Leistung zurück.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Überwiegend ja, mit leichter Vertrauensreserve. Im Honeypot EU License Research, der prüft ob aktuelle Lizenzrestriktionen wirklich aus Web-Quellen statt aus dem Training stammen, halluziniert es nicht. Das ist das wichtige Signal. P2 60 zeigt aber, dass korrektes Abrufen nicht automatisch in eine präzise, belastbare Verdichtung übersetzt wird.

Fehlerresilienz

Akzeptabel für Produktion. Im 404-Test, der transparenten Umgang mit einem fehlgeschlagenen Tool-Call gegen erfundenen Ersatzinhalt misst, kommuniziert GLM-5.3 den Fehler sauber und halluziniert keinen Seiteninhalt. Genau das braucht eine Tool-Pipeline: sichtbarer Fehler statt stiller Erfindung.

Betriebsprofil

Call 1: 5.19s. Call 2: 38.69s. MCP-Latenz: 1.07s. Total: 269.75s.
Für die gezeigte Leistung langsam.
Kosten/Run: local. Keine belastbare Preisbewertung aus diesem Lauf.

Fazit & Empfehlung

Geeignet für agentische Recherche- und Orchestrierungspipelines, in denen gute Tool-Wahl wichtiger ist als perfekte Endverdichtung. Auch brauchbar für Systeme, die Tool-Fehler explizit weiterreichen dürfen. Nicht die erste Wahl für Compliance-, Policy- oder multilingual verdichtende Pipelines, in denen jede Synthese auf Satzebene belastbar sein muss. Wegen Cloud-only-Betrieb, offener Lizenzlage und hohem Provenienzrisiko passt es zudem nicht in Umgebungen mit strengen Souveränitäts- oder Governance-Vorgaben.

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.