GLM-5.3은 오픈 가중치이며 로컬에서 실행할 수 있나요?

Z.ai | 1,048,576 토큰 컨텍스트 | 입력 $0.08/M, 출력 $4.80/M. GLM-5.3은 Z.ai의 대규모 추론 모델로, 복잡한 소프트웨어 엔지니어링 및 장기 에이전트 작업을 위해 구축되었습니다. 1M 토큰 컨텍스트 창에서 텍스트 입력 및 출력을 지원하며, 코딩과 성능 및 토큰 효율성 간 균형에서 GLM-5.2보다 향상되었습니다. 추론은 항상 활성화되어 있으며 비활성화할 수 없습니다. 추론 노력 수준 low, high, max를 지원하며, max가 기본값입니다.

이 모델의 가이드

용도별 최고의 로컬 LLM (2026년 10월): 모든 작업에 맞는 최적의 오픈 모델

Ollama vs LM Studio (2026): 어떤 로컬 AI 앱을 사용할까, 그리고 각각 어떤 최고 모델을 실행할까

로컬 AI에 실제로 필요한 VRAM은 얼마나 될까?

GGUF 파일이란? 양자화 모델 설명 (Q4, Q8, fp8, NF4)

모든 가이드

캡틴의 노트

Captain 작성, 하우스 에디터

2026-10-13의 노트

GLM-5.3은 Z.ai의 오픈 가중치 추론 모델로, 복잡한 소프트웨어 엔지니어링과 장기 에이전트 작업에 최적화되어 있으며 백만 토큰 컨텍스트 창을 갖추고 있습니다. GLM-5.2와 같은 베이스에서 후처리 학습으로 모든 개선이 이루어졌으며, 다단계 코딩과 특히 공격적 보안 분야에서 큰 성과를 냈습니다. 로컬에서 실행 가능한 강력한 코딩 및 에이전트 모델을 원하는 개발자와 연구자에게 적합합니다.

알려진 점

오픈 모델 중 Terminal Bench 3.0과 Agents' Last Exam에서 SOTA
Z.ai 내부 벤치마크에서 GLM-5.2 대비 약 50% 코딩 성능 향상
오픈 가중치 모델 중 CyberGym 취약점 발견 및 공격 작업 선두
장기 코드베이스나 문서 중심 에이전트 파이프라인에 적합한 백만 토큰 컨텍스트 창
항상 활성화된 추론; 세 가지 노력 수준(낮음, 높음, 최대) 중 기본은 최대

주의할 점

추론 비활성화 불가로 불필요한 작업에서 토큰 비용 증가
출력 비용이 백만 토큰당 $4.80으로 장기 에이전트 작업 시 예산 계획 필요
제작사 자체가 예상보다 빠른 사이버 능력 출현을 경고, 무감독 환경 배포 시 주의 필요

최적 용도

시도해볼 프롬프트

다중 파일 리팩터링 디버그

Python 서비스가 main.py, db.py, models.py 세 파일로 나뉘어 있습니다. ORM 레이어를 async SQLAlchemy로 리팩터링한 후 런타임에 MissingGreenlet 오류가 발생합니다. 각 파일에서 가능한 원인을 살펴보고, 비동기 세션 라이프사이클 문제를 설명하며, FastAPI에서 의존성 주입을 위한 수정된 패턴을 보여주세요.

장기 에이전트 계획

다음 작업을 수행하는 자율 에이전트의 단계별 실행 계획을 설계하세요: GitHub 저장소 복제, 모든 API 엔드포인트 식별, 각 엔드포인트에 대한 통합 테스트 작성, 샌드박스 환경에서 테스트 실행, 테스트 커버리지 보고서와 함께 풀 리퀘스트 생성. 에이전트가 필요한 도구, 각 단계의 실패 모드, 복구 방법을 나열하세요.

보안 취약점 추적

다음은 파일 이름 파라미터를 받아 디스크에서 파일을 읽는 Python Flask 라우트입니다. 취약점 종류를 식별하고, 공격자가 어떻게 악용할지 설명하며, 기존 API 계약을 깨지 않고 최소한의 변경으로 취약점을 수정한 함수를 다시 작성하세요. @app.route('/download') def download(): name = request.args.get('file') return open(f'/var/data/{name}').read()

비교하기

GLM 5.3 FlashX
API 전용 모델
1,048,576 토큰 컨텍스트 · $0.37/M 입력, $1.25/M 출력
GLM 5V Turbo
API 전용 모델
202,752 토큰 컨텍스트 · $1.20/M 입력, $4.00/M 출력
GLM 5 Turbo
API 전용 모델
202,752 토큰 컨텍스트 · $1.20/M 입력, $4.00/M 출력
GLM 5.3 Prime
API 전용 모델
1,000,000 토큰 컨텍스트 · $2.80/M 입력, $8.80/M 출력

z-ai의 더 많은 텍스트 모델

사람들이 묻는 질문

GLM-5.3은 오픈 가중치이며 로컬에서 실행할 수 있나요?: 네, 가중치는 Hugging Face의 zai-org/GLM-5.3에 공개되어 있어 직접 다운로드해 실행할 수 있습니다.
GLM-5.3 비용과 컨텍스트 창은 어떻게 되나요?: Z.ai API 기준 입력은 백만 토큰당 $0.08, 출력은 백만 토큰당 $4.80이며, 1,048,576 토큰 컨텍스트 창을 제공합니다.
GLM-5.3은 GLM-5.2와 어떻게 다른가요?: 두 모델은 같은 베이스를 공유하며, GLM-5.3의 향상은 전적으로 후처리 학습에서 비롯되었고, 복잡한 코딩 작업과 공격적 보안 벤치마크에서 GLM-5.2 대비 두 배 이상의 성능 향상을 보였습니다.

캡틴의 평가
어려운 코딩 및 에이전트 작업에 적합한 오픈 가중치 모델이며, 사이버 능력 때문에 신중한 배포가 필요합니다.

Hugging Face의 모델 카드

캡틴은 모델의 설명과 모델 카드에서 이 노트를 작성합니다. 가격과 컨텍스트 크기는 작성 시점의 제공자 기준이며 변경될 수 있습니다.

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

GLM 5.3 인기 추세

18 Aug 2026 이후 히트 점수

인기 점수

9,226°

이번 주

▲

61.9%

9,162° 당시, 9,226° 현재

이번 달

▲

1,290%

8,880° 당시, 9,226° 현재

지난 1년

n/a

아직 출시/추적되지 않음

7,000°

기준점

점수는 0°부터 9,999°까지 있어. 7,000° 아래는 아직 어떤 출처에서도 보고되지 않은 모델들을 위해 남겨둔 영역이고, 그 모델들은 목록이 완성되도록 임시 점수를 받지. 7,000°가 실제 측정 데이터가 시작되는 지점이야: 실제 데이터는 있지만 다운로드가 거의 없는 모델은 기준점에 위치하고, 그 위로 측정된 점수가 쌓여. 기준점 자체는 모델에 대해 아무것도 말해주지 않고, 위에 쌓인 점수만이 모델 간 차이를 만들어.

+1,852°

OpenRouter 토큰

이 모델이 지난 30일간 OpenRouter를 통해 처리한 토큰 수 14,906,750,510,237, 프롬프트와 답변을 합친 수치입니다. 10,000,000 토큰마다 다운로드 1회로 계산하며, 총 1,490,675회입니다; 마지막 날 토큰은 채택률에 포함됩니다. 출처: OpenRouter (openrouter.ai/rankings).

+374°

채택률

출처를 두 번 측정한 사이에 하루 약 98,104번 다운로드돼. 평생 평균에서 추측한 게 아니야. 속도는 다운로드 항목의 4분의 1 가치를 가지니, 최근 급증이 나타나도 하루짜리 급등이 수년간 사용량을 앞서지 못해.

상세 내역 보기

이 사이트의 모든 숫자는 확인할 수 있어. 이 모델의 히트 점수는 9,226°이고, 여기서는 각 요소가 하나씩 더해지면서 누적 합계가 표시돼: 기준점, 각 출처가 더하는 점수, 모델 종류에 따른 보너스, 그리고 가중치의 연령이 빼는 점수. 색깔은 위 차트의 구간을 나타내. 마지막에 용어집에서 모든 용어를 정의해.

1
기준점부터 시작해.
왜 7,000°이고 0이 아닌지: 점수는 0°부터 9,999°까지 있고, 7,000° 아래는 아직 출처가 보고하지 않은 모델을 위해 남겨둔 영역이야. 그 모델들은 목록 완성을 위해 임시 점수를 받고, 데이터가 있는 모델보다 순위가 높지 않아. 7,000°가 실제 측정 데이터가 시작되는 지점이야. 실제 데이터가 있지만 다운로드가 거의 없는 모델은 여기 있고, 그 뒤로는 모두 측정된 점수야. 기준점 위에는 다운로드가 10배씩 늘어날 때마다 300°씩 10단계가 있어. 기준점은 모든 모델에 같아서 아무것도 결정하지 않고, 위 점수가 모델을 구분해.
7,000°
누적 합계
2
다운로드 수를 더해.
총 1,490,675개의 다운로드 동등치, OpenRouter 토큰에서 나왔어. 다운로드가 10배 늘어나면 같은 300°가 더해지니까, 크기가 중요하지만 점수를 독차지하지는 않아.
+1,852°
8,852°
누적 합계
3
채택률을 추가하세요.
지금 하루 약 98,104개의 다운로드가 있어, 두 번 측정한 차이로 계산하고 무게는 4분의 1이야.
+374°
9,226°
누적 합계
=
히트 점수.
이 모델이 이 사이트 모든 목록에서 어디에 있는지 보여줘. 다른 건 조정하지 않아.
9,226°

용어집: 여기서 쓰는 말들

히트 점수: 모델이 지금 얼마나 쓰이고 원하는지 한 숫자로 나타낸 거야, 0°부터 9,999°까지. 이 사이트에서 가장 인기 있는 목록은 모두 이 점수로 정렬돼.
기본 점수: 실제 데이터가 있는 모든 모델이 시작하는 7,000°야. 점수는 0°부터 9,999°까지인데, 기본 점수 아래는 데이터 없는 모델(대체 모델)용으로 남겨둬서 데이터 있는 모델이 항상 위에 오도록 해. 기본 점수는 모두 같고 아무것도 결정하지 않아; 그 위 점수가 실제 측정치야.
다운로드 동등치: 점수가 다운로드로 취급하는 모든 걸 합친 거야: 실제 다운로드, 토렌트 시더 1,000개씩, AI Horde 이미지와 생성 사이트 실행 1개씩.
로그 스케일: 1씩이 아니라 10씩 세는 거야: 1,000에서 10,000 다운로드가 늘면 10,000에서 100,000 늘어난 것과 같은 점수가 더해져. 큰 모델이 다 차지하는 걸 막아줘.
좋아요: 모든 출처의 좋아요와 엄지척, 로그 스케일에서 다운로드 절반 가치야.
채택률: 두 번 측정한 차이로 계산한 지금 하루 다운로드 수야. 다운로드 항목 무게의 4분의 1이야.
측정 및 추정: 측정은 두 번의 소스 읽기가 존재하고 그 차이가 실제라는 뜻이야. 추정은 오늘의 총합만 알고 과거는 모델의 전체 기간에 나눠서 보여주는 거야; 사이트에서 어떤 걸 보여주는지 알려줘.
시더: 토렌트를 통해 다른 사람이 다운로드할 수 있도록 가중치 파일을 온라인에 보관하는 사람이나 호스팅 미러를 말해. 각각 1,000번 다운로드로 계산돼.
AI 호드: 기부받은 컴퓨터에서 무료로 이미지를 생성하는 자원봉사 네트워크야. 모델로 만든 이미지 수가 공개되고, 각각이 한 번의 다운로드로 계산돼.
생성 사이트: PixAI, SeaArt, Yodayo 같은 모델 복사본을 직접 호스팅하고 사람들이 생성할 수 있게 하는 사이트들이야. 이들의 다운로드는 Civitai와 같고, 생성 한 번이 한 번의 다운로드로 계산돼.
OpenRouter 토큰: Claude나 GPT 같은 API를 통해 제공되는 텍스트 모델은 다운로드할 가중치가 없으므로, 지난 30일간 OpenRouter를 통해 읽고 쓴 텍스트 조각인 토큰 수로 사용량을 측정합니다. 10,000,000 토큰마다 다운로드 1회로 계산합니다. 출처: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
전체 모델 (체크포인트): 가중치 자체, 혼자서 생성하는 파일이야. 애드온이 이걸 기반으로 하기 때문에 보너스 점수를 받아.
LoRA와 임베딩: 다른 사람의 가중치를 특정 스타일, 캐릭터, 개념 쪽으로 조정하는 작은 추가 파일이야. 혼자 실행할 수 없어.
패밀리와 가중치: 모델이 기반으로 하는 것, 예를 들어 SD 1.5, SDXL, Flux, Wan 같은 거야. 모든 모델은 패밀리 가중치의 출시일을 물려받아.
연령: 패밀리 가중치가 나온 지 얼마나 됐는지에 따라 점수를 깎아: 1년에 150°, 최대 750°까지. 오래된 다운로드는 리스트 상단 고정을 풀어 쌓이도록 해.
패밀리 부스트: 이 사이트가 지금 밀고 있는 패밀리의 LoRA에 주는 작고 제한된 점수 조정으로, 항상 세부 내역에 표시돼.
대체 점수: 아직 소스 보고가 없는 모델에 안정적으로 주는 최저 점수로, 리스트가 완전하게 유지되도록 해. 데이터가 있는 모델보다 절대 높게 평가되지 않아.
신규! (유예 기간): 7일 미만의 신규 모델은 점수 대신 '신규!' 표시가 나오며 순위에 포함되지 않습니다. 점수는 첫날부터 계산되지만, 하루 된 모델은 매우 빠르게 성장하므로 유예 기간 없이는 항상 어제 나온 모델이 이번 주 #1이 되어버립니다.
추세: 한 기간 동안 모델의 성장 속도가 같은 기간의 일반 모델 성장 속도와 비교해서 어떤지 보여줘. 일반보다 빠르면 상승, 느리면 하락으로 봐.
일반 모델: 카탈로그의 중간값: 수치가 있는 모델 중 절반은 기간 동안 더 빨리 성장했고, 절반은 더 느리게 성장했어.

이 모델의 인기가 카탈로그 다른 모델들과 비교해 어떻게 움직였는지 보여줘: 각 기간마다 다운로드, 좋아요, 사용량이 얼마나 늘었는지, 같은 기간 보통 모델의 성장과 비교해서, 그때의 히트 점수와 함께. 보통 성장보다 위면 상승, 아래면 하락으로 봐. 과거는 오늘까지의 총합, 모델 첫 날, 두 번 측정된 다운로드 속도로 재구성돼; 기간 시작에 없던 모델은 n/a로 표시돼.