Ist GLM-5.3 Open-Weights und kann ich es lokal ausführen?

Ja, die Gewichte sind auf Hugging Face unter zai-org/GLM-5.3 veröffentlicht, Sie können das Modell also herunterladen und auf eigener Hardware betreiben.

Was kostet GLM-5.3 und wie groß ist das Kontextfenster?

Über Z.ais API kostet es 0,08 $ pro Million Eingabe-Tokens und 4,80 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens.

Worin unterscheidet sich GLM-5.3 von GLM-5.2?

Beide basieren auf demselben Basismodell; die Verbesserungen von GLM-5.3 stammen vollständig aus Post-Training, mit den größten Fortschritten bei komplexem Coding und Offensive-Security-Benchmarks, wo es GLM-5.2 mehr als verdoppelt.

▲

61.9%

diese Woche

GLM 5.3

9226°

#llm #z-ai #logik #programmieren #agenten #langer kontext

Dieser Monat

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Z.ai | 1.048.576 Token Kontext | $0,08/M Eingabe, $4,80/M Ausgabe. GLM-5.3 ist ein groß angelegtes Reasoning-Modell von Z.ai, entwickelt für komplexes Software-Engineering und Langzeit-Agentenaufgaben. Es unterstützt Text-Ein- und Ausgabe mit einem 1M-Token-Kontextfenster und verbessert GLM-5.2 im Coding sowie im Gleichgewicht zwischen Leistung und Token-Effizienz. Reasoning ist immer aktiv und kann nicht deaktiviert werden. Reasoning-Stufen low, high und max werden unterstützt; max ist Standard.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

GLM-5.3 ist Z.ais Open-Weights-Reasoning-Modell, das auf komplexes Software-Engineering und langfristige Agentenaufgaben mit einem Kontextfenster von einer Million Tokens ausgelegt ist. Alle Verbesserungen gegenüber GLM-5.2 stammen aus Post-Training auf derselben Basis, mit den größten Fortschritten bei mehrstufigem Coding und besonders im Bereich Offensive Security. Es eignet sich für Entwickler und Forscher, die ein fähiges Coding- und Agentenmodell lokal betreiben wollen.

Bekannt für

Open-Weights-SOTA bei Terminal Bench 3.0 und Agents' Last Exam unter offenen Modellen.
Rund 50 % Coding-Verbesserung gegenüber GLM-5.2 im internen Benchmark von Z.ai.
Führt offene Modelle bei CyberGym-Schwachstellenerkennung und Exploitation-Aufgaben an.
Kontextfenster von einer Million Tokens für lange Codebasen oder dokumentlastige Agenten-Pipelines.
Reasoning immer aktiv; drei Aufwandstufen (niedrig, hoch, max) mit max als Standard.

Achte auf

Reasoning kann nicht deaktiviert werden, was bei Aufgaben ohne Bedarf höhere Token-Kosten verursacht.
Ausgabe kostet 4,80 $/M Tokens – planen Sie das Budget für lange agentische Läufe entsprechend.
Die emergente Cyber-Fähigkeit wird vom Hersteller selbst als schneller als erwartet eingestuft; bedenken Sie das vor unkontrolliertem Einsatz.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Mehrdatei-Refactoring debuggen

Ich habe einen Python-Service, aufgeteilt auf drei Dateien: main.py, db.py und models.py. Nach der Umstellung der ORM-Schicht auf async SQLAlchemy erhalte ich zur Laufzeit einen MissingGreenlet-Fehler. Gehen Sie die wahrscheinlichen Ursachen in jeder Datei durch, erklären Sie das Problem mit dem Async-Session-Lifecycle und zeigen Sie das korrigierte Muster für Dependency Injection in FastAPI.

Langfristigen Agenten planen

Entwerfen Sie einen schrittweisen Ausführungsplan für einen autonomen Agenten, der: ein GitHub-Repository klont, alle API-Endpunkte identifiziert, Integrationstests für jeden schreibt, diese in einer Sandbox-Umgebung ausführt und einen Pull Request mit Testabdeckungsbericht öffnet. Listen Sie die benötigten Tools, mögliche Fehlerquellen bei jedem Schritt und Wiederherstellungsstrategien auf.

Sicherheitslücke nachverfolgen

Gegeben ist diese Python-Flask-Route, die einen Dateinamen-Parameter akzeptiert und eine Datei vom Datenträger liest. Identifizieren Sie die Schwachstellenklasse, erklären Sie, wie ein Angreifer sie ausnutzen würde, und schreiben Sie die Funktion mit minimalen Änderungen um, um die Lücke zu schließen, ohne den bestehenden API-Vertrag zu brechen. @app.route('/download') def download(): name = request.args.get('file') return open(f'/var/data/{name}').read()

Vergleichen mit

GLM 5.3 FlashX
Nur API-Modell
1,048,576 Token Kontext · $0.37/M Eingabe, $1.25/M Ausgabe
GLM 5V Turbo
Nur API-Modell
202,752 Token Kontext · $1.20/M Eingabe, $4.00/M Ausgabe
GLM 5 Turbo
Nur API-Modell
202,752 Token Kontext · $1.20/M Eingabe, $4.00/M Ausgabe
GLM 5.3 Prime
Nur API-Modell
1,000,000 Token Kontext · $2.80/M Eingabe, $8.80/M Ausgabe

Mehr Textmodelle von z-ai

Häufig gestellte Fragen

Ist GLM-5.3 Open-Weights und kann ich es lokal ausführen?: Ja, die Gewichte sind auf Hugging Face unter zai-org/GLM-5.3 veröffentlicht, Sie können das Modell also herunterladen und auf eigener Hardware betreiben.
Was kostet GLM-5.3 und wie groß ist das Kontextfenster?: Über Z.ais API kostet es 0,08 $ pro Million Eingabe-Tokens und 4,80 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens.
Worin unterscheidet sich GLM-5.3 von GLM-5.2?: Beide basieren auf demselben Basismodell; die Verbesserungen von GLM-5.3 stammen vollständig aus Post-Training, mit den größten Fortschritten bei komplexem Coding und Offensive-Security-Benchmarks, wo es GLM-5.2 mehr als verdoppelt.

Captain's Urteil
Das Open-Weights-Modell der Wahl für anspruchsvolle Coding- und Agentenaufgaben, mit einer Cyber-Fähigkeit, die vorsichtigen Einsatz erfordert.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: Gold · Hottest this month · #25 Hottest AI model · #10 Hottest Text / LLM model · #10 Hottest Text / LLM text model

Not this creator?

Get your own badge

Beliebtheitstrend von GLM 5.3

Heat-Score seit 18 Aug 2026

Heat-Score

9,226°

Diese Woche

▲

61.9%

9,162° damals, 9,226° jetzt

Diesen Monat

▲

1,291%

8,880° damals, 9,226° jetzt

Vergangenes Jahr

n/a

Noch nicht veröffentlicht/erfasst

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,852°

OpenRouter Tokens

14,906,750,510,237 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 1,490,675; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

+374°

Verbreitungsrate

Etwa 98,104 Downloads pro Tag, gemessen zwischen zwei Abfragen der Quellen, nie geschätzt aus einem Durchschnitt über die gesamte Lebenszeit. Die Geschwindigkeit zählt ein Viertel des Download-Werts, sodass ein frischer Anstieg sichtbar wird, ohne dass ein eintägiger Spitzenwert jahrelange Nutzung übertrumpft.

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 9,226°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
1,490,675 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,852°
8,852°
laufende Summe
3
Füge die Verbreitungsrate hinzu.
Momentan etwa 98,104 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
+374°
9,226°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
9,226°

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

GLM 5.3 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm z-ai logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern