DEV Community

Cover image for GLM-5.3とは？Zhipuのオープンウェイト・コード生成モデルを解説
Akira
Akira

Posted on Originally published at apidog.com

GLM-5.3とは？Zhipuのオープンウェイト・コード生成モデルを解説

GLM-5.3は、国際的にZ.aiとして運営される中国の研究所Zhipu AIが2026年8月14日にリリースした大規模言語モデルです。GLM-5ベースモデルに対する後処理トレーニングのアップグレードであり、コーディングとエージェントタスクに特化しています。Zhipuは、リリースから約2週間後にHugging Faceでオープンウェイトを公開する予定です。内部評価では、GLM-5.2と比較してコーディング能力が50%向上したとしています。

今すぐApidogを試す

Seeking Alphaが「中国版OpenAIの挑戦者」と評するZhipuが、Claude Fable 5に迫るとするコーディングモデルをリリースし、続けてウェイト公開を予定している点が今回の重要なポイントです。DeepSeek V4 Pro APIガイドで取り上げたDeepSeekの最新リリースの翌日でもあり、中国のオープンモデル競争は短いサイクルで進んでいます。

この記事では、GLM-5.3の仕様、報告されているベンチマーク、オープンウェイト公開計画、OpenAI互換APIを使った最初のリクエスト方法を解説します。リクエストはコードを書かずにApidogでも検証できます。

TL;DR（要点）

  • GLM-5.3は、Zhipu AI（Z.ai）が2026年8月14日に公開したGLM-5の後処理トレーニング版です。ベースモデルのアーキテクチャは変わっていません。
  • Terminal-Bench 3.0は4.6から28.3へ上昇し、報告上はオープンソースモデルで1位です。
  • CyberGymは84.5%、ExploitBenchは54.4%です。後者では最先端モデルとの差が残っています。
  • オープンウェイトは、リスクレビュー後の2026年8月28日頃にHugging Faceで公開予定です。
  • GLM-5ファミリーは、総パラメータ数744B、推論時アクティブパラメータ約40B、コンテキストウィンドウ200KのMoEモデルです。
  • APIはOpenAI互換で、国際エンドポイントは https://api.z.ai/api/paas/v4/chat/completions です。

GLM-5.3とは

GLM-5.3はGLM-5ファミリーの3番目のポイントリリースです。Zhipuはベースモデルを再トレーニングしておらず、性能向上は大規模な後処理トレーニングによるものと説明しています。

公式ドキュメントによるGLM-5の主要仕様は次のとおりです。

項目 仕様
アーキテクチャ Mixture of Experts（MoE）
総パラメータ数 744B
推論時のアクティブパラメータ 約40B
コンテキストウィンドウ 200Kトークン

GLM-5.3の概要

重要なのは、同じベースウェイトに対する後処理だけで、Zhipuがコーディング能力をGLM-5.2比で50%改善したと主張している点です。主な対象ワークロードは以下です。

  • ターミナル操作を伴うエージェントタスク
  • 長期的なソフトウェアエンジニアリング
  • セキュリティ分析
  • リポジトリ規模のコード変更

オープンモデルのコスト構造を維持しつつ、自律コーディングエージェントを評価したい場合に、GLM-5.3は候補になります。

GLM-5.3ベンチマーク：数値と情報源を分けて確認する

BigGo FinanceおよびPandailyの報道では、以下の結果が報告されています。

ベンチマーク GLM-5.3結果 文脈 情報源
Terminal-Bench 3.0 28.3（4.6から上昇） 6.2倍の改善、オープンソースモデル中で1位 リリースレポート
Agents’ Last Exam オープンソースモデル中で1位 スコアは未公開 リリースレポート
CyberGym 84.5% Claude Mythos 5、GPT-5.6 Solをわずかに上回る リリースレポート
ExploitBench 54.4% 最先端モデルには及ばない リリースレポート
SWE-Marathon GLM-5.2の約2倍 長期的なソフトウェアエンジニアリング Zhipu内部評価
総合コーディング能力 GLM-5.2比+50% Zhipuの主要な主張 Zhipu内部評価

評価時は、公開リーダーボードの数値とベンダー内部評価を区別してください。

Terminal-Bench 3.0の4.6から28.3への変化は、ターミナル操作、コマンド連鎖、出力の読み取り、失敗からの回復といったエージェント能力の改善を示すシグナルです。一方で、コーディング能力の50%向上やSWE-Marathonの約2倍という主張は内部評価であり、公開ハーネスによる再現結果が出るまでは未検証です。

「Claude Fable 5に迫る」は何を意味するか

ZhipuはGLM-5.3のコーディング・エージェント性能を「Claude Fable 5に迫る」と表現しています。この表現は、ワークロードごとに分けて解釈する必要があります。

競争力がある領域

  • Terminal-Bench 3.0での報告上の首位
  • Agents’ Last Examでの報告上の首位
  • CyberGymで84.5%

これらは、ターミナルエージェント、CI自動化、リポジトリ操作を含むコーディングタスクで、GLM-5.3を実際に比較すべき理由になります。

差が残る領域

  • ExploitBenchは54.4%
  • 深い多段階推論や高度なエクスプロイト開発では最先端モデルとの差が示されています

実務では、移行前に自分のタスクセットで比較してください。たとえば、以下を同一条件で実行します。

  1. バグ修正チケット
  2. テスト追加
  3. CI失敗の原因調査
  4. 複数ファイルにまたがるリファクタリング
  5. シェル操作を含むリポジトリ調査

同じベンチマークカテゴリの比較例は、Grok 4.6 vs GPT-5.6 vs Claude Fable 5比較でも確認できます。

オープンウェイト計画：Hugging Faceで8月28日頃

Zhipuは、GLM-5.3のオープンウェイトをリリースから約2週間後、2026年8月28日頃に公開する計画です。公開先は、過去のオープンリリースも提供されているzai-orgのHugging Face組織です。

この期間はリスクレビューのために設けられています。CyberGymで84.5%を記録するモデルは、セキュリティ関連の能力も持つため、監視可能なAPIとして提供する場合と、ウェイトを公開する場合では判断が異なります。

セルフホストを検討する場合は、744B MoEという規模に注意してください。推論時にアクティブなのは約40Bパラメータでも、フル精度での運用はサーバークラスのハードウェアを前提とします。多くのチームでは、量子化されたコミュニティビルドが現実的な選択肢になるでしょう。

事前準備には、GLM-5.3セルフホスティングガイドを参照してください。ウェイト公開前に、必要なGPU容量、サービングスタック、ホスト型APIとの比較ベースラインを整理できます。

オープンモデル市場での位置づけ

比較対象として最も近いのはDeepSeekです。両者とも中国の研究所であり、オープンウェイトを公開し、短い間隔で新モデルを投入しています。

違いは重点領域です。

  • DeepSeek V4 Pro：汎用的な主力モデル
  • GLM-5.3：コーディングエージェント、ターミナル操作、長期的なソフトウェアエンジニアリングに重点

トラフィックの中心がエージェントによるコーディングであれば、GLM-5.3を先に評価する合理性があります。

コスト面も検証対象です。DeepSeek APIコスト最適化ガイドで扱っているように、オープンモデルAPIの料金は変動し得ます。Zhipuはリリース時点でGLM-5.3固有の料金を公開していません。

参考として、公式料金ページでは、本稿執筆時点でGLM-5.2の料金は以下のとおりです。

  • 入力：1Mトークンあたり1.4ドル
  • 出力：1Mトークンあたり4.4ドル

GLM-5.3を本番採用する前に、必ずライブの料金ページを確認してください。

ローカル実行モデルの比較については、2026年ベストローカルLLMまとめも参考になります。

GLMコーディングプランのクォータリセット

Zhipuは2026年8月14日に、すべてのユーザーのGLMコーディングプランのクォータをリセットしました。

Z.ai経由でコーディングプランを利用している場合、リリース日に利用枠が新しくなり、GLM-5.3を試すために利用できます。

このリセットは定額制のコーディングプランに適用されるもので、トークン課金のAPI請求には適用されません。中国本土のユーザーは、独自のプランと請求体系を持つopen.bigmodel.cnを利用できます。

5分でAPIを試す

Z.ai APIはOpenAI互換です。国際エンドポイントと中国本土向けエンドポイントは以下のとおりです。

地域 エンドポイント
国際 https://api.z.ai/api/paas/v4/chat/completions
中国本土 https://open.bigmodel.cn/api/paas/v4/chat/completions

認証にはBearerトークンを使います。

リリース時点の公式ドキュメントでは、モデルIDとして glm-5 が記載されています。以下の glm-5.3 はGLM-5ファミリーの命名規則に沿った例です。本番デプロイ前に、必ずモデルドキュメントで正確なモデルIDを確認してください。

export GLM_API_KEY="your-key-from-z.ai"

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "user",
        "content": "Write a bash script that finds the five largest files in a git repo, excluding the .git directory."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'
Enter fullscreen mode Exit fullscreen mode

レスポンスはOpenAI互換のスキーマで返ります。主に確認するフィールドは以下です。

  • choices: 生成結果
  • choices[0].message.content: モデルの応答本文
  • usage: 入出力トークン数

Apidogでリクエストを検証する

cURLを毎回編集する代わりに、Apidogにリクエストを保存しておくと比較を効率化できます。

  1. 上記のcURLをApidogにインポートする
  2. GLM_API_KEY を環境変数として登録する
  3. 国際用の api.z.ai 環境を作成する
  4. 中国本土用の open.bigmodel.cn 環境を作成する
  5. 同じプロンプトを複数モデル・複数環境で実行する
  6. レスポンス、レイテンシ、トークン使用量を保存する

これにより、モデルIDや地域エンドポイントの切り替えが編集作業ではなく環境選択になります。また、オープンウェイト公開後にセルフホスト版とAPI版を比較するための回帰ベースラインとしても使えます。

Python、Node.js、ストリーミング、エラー処理まで含めた実装例は、GLM-5.3 APIクイックスタートを参照してください。

FAQ

GLM-5.3はオープンソースですか？

現時点ではオープンソースではありませんが、オープンウェイトとして公開される予定です。Zhipuは、リスクレビュー後の2026年8月28日頃にHugging Faceでウェイトを公開するとしています。それまではホスト型API経由でアクセスします。

GLM-5.3はGLM-5.2とどう違いますか？

ベースモデルは同一です。主な違いは後処理トレーニングであり、Zhipuは以下を報告しています。

  • コーディング能力：GLM-5.2比で50%向上
  • Terminal-Bench 3.0：4.6から28.3
  • SWE-Marathon：約2倍

コンテキストウィンドウ、パラメータ数、MoEアーキテクチャはGLM-5のベースラインから変更されていません。

GLM-5.3の費用はいくらですか？

リリース時点で、ZhipuはGLM-5.3固有のAPI料金を公開していません。GLM-5.2の公開料金は、入力1Mトークンあたり1.4ドル、出力1Mトークンあたり4.4ドルです。実際の予算計画では、必ず公式料金ページを確認してください。

コスト最適化の考え方は、DeepSeek価格上昇後のAPIコスト最適化ガイドも参考になります。

GLM-5.3を自分のハードウェアで実行できますか？

ウェイト公開後は可能です。ただし、GLM-5ファミリーは総パラメータ数744BのMoEモデルです。推論時のアクティブパラメータは約40Bですが、フル精度での提供にはマルチGPUサーバーが必要です。

量子化版では必要リソースを下げられる可能性があります。具体的な準備は、セルフホスティング準備ガイドで確認してください。

GLM-5.3はClaudeやGPTよりコーディングに優れていますか？

ワークロードによります。報告上、GLM-5.3はTerminal-Bench 3.0でオープンモデル中1位、CyberGymで84.5%を記録しています。一方、ExploitBenchでは54.4%で、最先端モデルとの差が残っています。

本番トラフィックを切り替える前に、自社の評価セットで比較してください。これは、APIを採用する前にテストする場合と同じです。

まとめ：まずは小さな評価セットから始める

GLM-5.3は、コーディングエージェント性能、OpenAI互換API、オープンウェイト公開計画を組み合わせたモデルです。Terminalやエージェント系タスクでは強いシグナルがありますが、内部評価の主張を含むため、移行判断は独自評価に基づいて行うべきです。

まずは次の手順で始めてください。

  1. 上記のcURLリクエストを送信する
  2. 実ワークロードに近いプロンプトを5〜20件用意する
  3. 正確性、実行手順、レイテンシ、トークン数を記録する
  4. クローズドモデルや既存モデルと同じ条件で比較する
  5. オープンウェイト公開後、セルフホスト版とAPI版を同じ評価セットで比較する

Apidogをダウンロードして、Z.aiとbigmodel.cnのエンドポイントを環境として切り替え可能にしておけば、今回の探索的なテスト結果を、そのまま将来の回帰テスト基盤として活用できます。

Top comments (0)