Apakah GLM-5.3 bobot terbuka dan bisakah saya menjalankannya secara lokal?

Ya, bobot dipublikasikan di Hugging Face di bawah zai-org/GLM-5.3, jadi Anda bisa mengunduh dan menjalankan model di perangkat keras Anda sendiri.

Berapa biaya GLM-5.3 dan berapa jendela konteksnya?

Melalui API Z.ai harganya $0,08 per juta token input dan $4,80 per juta token output, dengan jendela konteks 1.048.576 token.

Apa perbedaan GLM-5.3 dengan GLM-5.2?

Keduanya berbagi model dasar yang sama; keuntungan GLM-5.3 sepenuhnya dari pelatihan pasca dasar, dengan peningkatan terbesar pada tugas pengkodean kompleks dan tolok ukur keamanan ofensif di mana skor GLM-5.3 lebih dari dua kali lipat GLM-5.2.

▲

61.9%

minggu ini

GLM 5.3

9226°

#llm #z-ai #penalaran #pemrograman #agen #konteks panjang

Bulan ini

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Z.ai | konteks 1.048.576 token | $0.08/M input, $4.80/M output. GLM-5.3 adalah model penalaran skala besar dari Z.ai, dibangun untuk rekayasa perangkat lunak kompleks dan tugas agen jangka panjang. Mendukung input dan output teks dengan jendela konteks 1M token, dan meningkatkan GLM-5.2 dalam coding serta keseimbangan antara performa dan efisiensi token. Penalaran selalu aktif dan tidak dapat dinonaktifkan. Usaha penalaran low, high, dan max didukung; max adalah default.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

GLM-5.3 adalah model penalaran bobot terbuka dari Z.ai yang dibangun untuk rekayasa perangkat lunak kompleks dan tugas agen jangka panjang, dengan jendela konteks satu juta token. Setiap peningkatan dari GLM-5.2 berasal dari pelatihan pasca dasar yang sama, dengan keuntungan terbesar pada pengkodean multi-langkah dan, secara khusus, keamanan ofensif. Cocok untuk pengembang dan peneliti yang menginginkan model pengkodean dan agen yang mampu dan dapat dijalankan secara lokal.

Dikenal untuk

SOTA bobot terbuka pada Terminal Bench 3.0 dan Agents' Last Exam di antara model terbuka.
Peningkatan pengkodean sekitar 50% dibanding GLM-5.2 pada tolok ukur internal Z.ai.
Memimpin model bobot terbuka pada tugas penemuan dan eksploitasi kerentanan CyberGym.
Jendela konteks satu juta token untuk basis kode panjang atau pipeline agen berbasis dokumen.
Penalaran selalu aktif; tiga tingkat usaha (rendah, tinggi, maksimum) dengan maksimum sebagai default.

Waspadai

Penalaran tidak bisa dimatikan, yang berarti biaya token lebih tinggi pada tugas yang tidak membutuhkannya.
Output dihargai $4,80/M token — anggarkan dengan bijak untuk jalankan agen panjang.
Kemampuan siber yang muncul ditandai oleh pembuatnya sendiri sebagai lebih cepat dari perkiraan; pertimbangkan ini sebelum digunakan dalam konteks tanpa pengawasan.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara lokal

Prompt untuk dicoba

Debug refaktor multi-file

Saya memiliki layanan Python yang terbagi dalam tiga file: main.py, db.py, dan models.py. Setelah merombak lapisan ORM untuk menggunakan async SQLAlchemy, saya mendapatkan error MissingGreenlet saat runtime. Jelaskan kemungkinan penyebab di setiap file, jelaskan masalah siklus hidup sesi async, dan tunjukkan pola koreksi untuk dependency injection di FastAPI.

Rencanakan agen jangka panjang

Rancang rencana eksekusi langkah demi langkah untuk agen otonom yang harus: mengkloning repositori GitHub, mengidentifikasi semua endpoint API, menulis tes integrasi untuk masing-masing, menjalankannya di lingkungan sandbox, dan membuka pull request dengan laporan cakupan tes. Daftar alat yang dibutuhkan agen, mode kegagalan di setiap langkah, dan cara pemulihannya.

Lacak kerentanan keamanan

Diberikan rute Python Flask ini yang menerima parameter nama file dan membaca file dari disk, identifikasi kelas kerentanannya, jelaskan bagaimana penyerang akan mengeksploitasinya, dan tulis ulang fungsi dengan perubahan minimal untuk menutup celah tanpa merusak kontrak API yang ada. @app.route('/download') def download(): name = request.args.get('file') return open(f'/var/data/{name}').read()

Bandingkan dengan

GLM 5.3 FlashX
Model hanya API
konteks 1,048,576 token · $0.37/M input, $1.25/M output
GLM 5V Turbo
Model hanya API
konteks 202,752 token · $1.20/M input, $4.00/M output
GLM 5 Turbo
Model hanya API
konteks 202,752 token · $1.20/M input, $4.00/M output
GLM 5.3 Prime
Model hanya API
konteks 1,000,000 token · $2.80/M input, $8.80/M output

Model teks lain dari z-ai

Pertanyaan yang sering diajukan

Apakah GLM-5.3 bobot terbuka dan bisakah saya menjalankannya secara lokal?: Ya, bobot dipublikasikan di Hugging Face di bawah zai-org/GLM-5.3, jadi Anda bisa mengunduh dan menjalankan model di perangkat keras Anda sendiri.
Berapa biaya GLM-5.3 dan berapa jendela konteksnya?: Melalui API Z.ai harganya $0,08 per juta token input dan $4,80 per juta token output, dengan jendela konteks 1.048.576 token.
Apa perbedaan GLM-5.3 dengan GLM-5.2?: Keduanya berbagi model dasar yang sama; keuntungan GLM-5.3 sepenuhnya dari pelatihan pasca dasar, dengan peningkatan terbesar pada tugas pengkodean kompleks dan tolok ukur keamanan ofensif di mana skor GLM-5.3 lebih dari dua kali lipat GLM-5.2.

Putusan Kapten
Model bobot terbuka yang harus dipilih untuk tugas pengkodean dan agen yang sulit, dengan kemampuan siber yang memerlukan penerapan hati-hati.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Tren popularitas GLM 5.3

Skor panas sejak 18 Aug 2026

Skor panas

9,226°

Minggu ini

▲

61.9%

9,162° dulu, 9,226° sekarang

Bulan ini

▲

1,291%

8,880° dulu, 9,226° sekarang

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,852°

Token OpenRouter

14,906,750,510,237 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 1,490,675; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+374°

Tingkat adopsi

Sekitar 98,104 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 9,226°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
1,490,675 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,852°
8,852°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 98,104 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+374°
9,226°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
9,226°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

GPT 4.1 Nano

TEXT / LLM

DeepSeek V4 Flash Latest

Model AI untuk Pembuatan Gambar, Video & Teks

GLM 5.3 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm z-ai penalaran pemrograman agen konteks panjang lokal

Jelajahi berdasarkan Keluarga Model