O que é GLM-5.3? Entenda o Modelo Open-Weight de Programação da Zhipu

GLM-5.3 é um grande modelo de linguagem lançado em 14 de agosto de 2026 pela Zhipu AI, laboratório chinês que opera internacionalmente como Z.ai. É uma atualização pós-treinamento do GLM-5 voltada para codificação e fluxos agênticos. A Zhipu planeja publicar os pesos abertos no Hugging Face cerca de duas semanas após o lançamento. Segundo avaliações internas da empresa, a capacidade de codificação melhorou 50% em relação ao GLM-5.2.

Experimente o Apidog hoje

O lançamento chama atenção porque a Zhipu — descrita pelo Seeking Alpha como uma “desafiante chinesa da OpenAI” — afirma que o modelo está “se aproximando do Claude Fable 5” em codificação e agentes, com pesos abertos previstos em seguida. Ele chegou um dia após o lançamento mais recente da DeepSeek, abordado no nosso guia da API DeepSeek V4 Pro.

Neste artigo, você verá o que muda no GLM-5.3, como interpretar os benchmarks, o plano de pesos abertos e como fazer sua primeira chamada à API. Você também pode testar a requisição no Apidog sem escrever código.

Resumo

• GLM-5.3 foi lançado em 14 de agosto de 2026 pela Zhipu AI (Z.ai). Ele usa o mesmo modelo base GLM-5; os ganhos vêm do pós-treinamento escalonado.
• No Terminal-Bench 3.0, a pontuação subiu de 4,6 para 28,3: um salto de 6,2x e primeiro lugar entre modelos de código aberto.
• O modelo também ocupa o primeiro lugar entre modelos abertos no Agents’ Last Exam.
• No CyberGym, alcançou 84,5%, ligeiramente acima de Claude Mythos 5 e GPT-5.6 Sol. No ExploitBench, marcou 54,4% e ainda ficou atrás dos modelos de ponta.
• Os pesos abertos devem chegar ao Hugging Face por volta de 28 de agosto de 2026, após a revisão de risco da Zhipu.
• A família GLM-5 usa arquitetura Mixture of Experts (MoE), com 744B de parâmetros totais, aproximadamente 40B ativos por passagem e janela de contexto de 200K tokens.
• A API é compatível com OpenAI em https://api.z.ai/api/paas/v4/chat/completions. Nenhum preço específico da versão 5.3 foi publicado no lançamento.

O que é o GLM-5.3

GLM-5.3 é a terceira atualização pontual da família GLM-5 e a mais direcionada para desenvolvimento. A Zhipu não retreinou o modelo base. Segundo a documentação oficial, o GLM-5 mantém:

• Arquitetura Mixture of Experts;
• 744B de parâmetros totais;
• Cerca de 40B de parâmetros ativos por passagem;
• Janela de contexto de 200K tokens.

As melhorias vêm do pós-treinamento escalonado aplicado aos mesmos pesos base. Na prática, isso indica que o principal avanço está no pipeline de alinhamento e treinamento posterior, não em uma nova arquitetura.

As cargas de trabalho alvo são específicas:

• agentes orientados por terminal;
• engenharia de software de longa duração;
• tarefas de segurança;
• automação de fluxos de desenvolvimento.

Se você precisa avaliar modelos para agentes de código, GLM-5.3 é uma opção a comparar com APIs fechadas e modelos abertos auto-hospedados assim que os pesos forem liberados.

Benchmarks do GLM-5.3: números e fontes

A cobertura de lançamento da BigGo Finance e da Pandaily relatou os resultados abaixo.

Atenção à fonte de cada métrica: alguns dados vêm de relatórios de lançamento e outros de avaliações internas da Zhipu. Resultados internos ainda precisam de reprodução independente.

Benchmark	Resultado GLM-5.3	Contexto	Fonte
Terminal-Bench 3.0	28,3, acima de 4,6	Salto de 6,2x; primeiro entre modelos de código aberto	Relatório de lançamento
Agents’ Last Exam	Primeiro entre modelos de código aberto	Pontuação não divulgada	Relatório de lançamento
CyberGym	84,5%	Ligeiramente acima de Claude Mythos 5 e GPT-5.6 Sol	Relatório de lançamento
ExploitBench	54,4%	Ainda atrás de modelos de ponta	Relatório de lançamento
SWE-Marathon	Aproximadamente 2x GLM-5.2	Engenharia de software de longo prazo	Interno da Zhipu
Capacidade de codificação agregada	+50% vs. GLM-5.2	Reivindicação principal da Zhipu	Interno da Zhipu

Como interpretar esses números

O salto no Terminal-Bench 3.0 é relevante. Esse tipo de benchmark avalia se o modelo consegue:

1. Executar comandos shell em sequência;
2. Ler e interpretar saídas;
3. Corrigir erros;
4. Continuar tarefas de várias etapas.

Sair de 4,6 para 28,3 muda o potencial do modelo para pipelines de agentes, CI e automação baseada em terminal.

Por outro lado, as alegações de ganho de 50% em codificação e de aproximadamente 2x no SWE-Marathon são avaliações internas. Elas não devem ser tratadas como resultados reproduzíveis até que os pesos sejam publicados e a comunidade execute as mesmas suítes.

O que “aproximando-se do Claude Fable 5” significa na prática

A Zhipu afirma que o GLM-5.3 está “se aproximando do Claude Fable 5” em codificação e comportamento agêntico. Essa formulação não significa equivalência geral.

O que os números sugerem:

• Em tarefas de terminal e agentes, o GLM-5.3 parece competitivo.
• O primeiro lugar entre modelos abertos no Terminal-Bench 3.0 e no Agents’ Last Exam é relevante para agentes de codificação.
• No CyberGym, os 84,5% superam ligeiramente Claude Mythos 5 e GPT-5.6 Sol, embora pequenas diferenças possam variar entre execuções.
• No ExploitBench, os 54,4% indicam que o modelo ainda fica atrás da fronteira em raciocínio mais profundo e desenvolvimento de exploits.

Para sua pilha, isso sugere um plano simples:

1. Teste o GLM-5.3 em agentes de terminal, automação de CI e tarefas de repositório.
2. Mantenha modelos fechados de ponta na comparação para tarefas de raciocínio difícil.
3. Use uma suíte própria antes de mover tráfego de produção.

Para comparar os modelos de ponta nesses eixos, consulte a comparação entre Grok 4.6, GPT-5.6 e Claude Fable 5.

Plano de pesos abertos: Hugging Face por volta de 28 de agosto

A Zhipu se comprometeu a publicar os pesos abertos do GLM-5.3 cerca de duas semanas após o lançamento. A previsão é por volta de 28 de agosto de 2026, na organização zai-org no Hugging Face.

O intervalo de duas semanas faz parte da revisão de risco anunciada pela empresa. Isso é especialmente relevante porque o resultado de 84,5% no CyberGym indica capacidade significativa em segurança ofensiva. Publicar pesos abertos é diferente de disponibilizar o modelo por uma API monitorada.

Planeje a execução local com realismo

A família GLM-5 tem 744B de parâmetros totais, mesmo que apenas cerca de 40B estejam ativos por token. Portanto:

• Inferência em precisão total exige hardware de servidor e múltiplas GPUs.
• A maioria das equipes provavelmente dependerá de variantes quantizadas da comunidade.
• Vale construir uma linha de base contra a API hospedada antes de testar a implantação local.

Para se preparar, veja o guia de auto-hospedagem do GLM-5.3.

Como o GLM-5.3 se encaixa no cenário de modelos abertos

A comparação mais direta é com DeepSeek. Os dois laboratórios:

• São chineses;
• Publicam pesos abertos;
• Oferecem APIs com preços competitivos;
• Tiveram lançamentos separados por aproximadamente 24 horas.

A diferença está no foco. A linha V4 Pro da DeepSeek é apresentada como generalista, enquanto o GLM-5.3 é uma aposta especializada em agentes de codificação.

Se seu tráfego envolve principalmente desenvolvimento agêntico, comece a avaliação pelo GLM-5.3. Se você precisa de um modelo generalista, compare os dois com prompts e métricas representativos da sua aplicação.

A economia também importa. O aumento de preço da DeepSeek, discutido no guia de otimização de custos da API DeepSeek, mostra que preços de APIs podem mudar rapidamente. Pesos abertos oferecem uma alternativa de auto-hospedagem para equipes que precisam reduzir dependência de provedores.

No lançamento, a Zhipu não havia publicado preço específico para o GLM-5.3. Como referência, a página oficial de preços listava o GLM-5.2 a US$ 1,4 por 1M de tokens de entrada e US$ 4,4 por 1M de tokens de saída.

Quando variantes quantizadas estiverem disponíveis, o GLM-5.3 poderá entrar no conjunto de modelos executáveis sem dependência de API. Veja também a lista dos melhores LLMs locais em 2026.

Cotas do Plano de Codificação GLM foram redefinidas

Em 14 de agosto, a Zhipu redefiniu as cotas do Plano de Codificação GLM para todos os usuários. Se você assina o plano pelo Z.ai, seu limite foi renovado no dia do lançamento.

O Plano de Codificação é diferente do acesso à API por token:

• O plano é uma oferta de tarifa fixa para ferramentas de codificação;
• A redefinição se aplica ao plano, não à cobrança da API;
• Usuários da China Continental acessam o ecossistema pelo open.bigmodel.cn, com planos e faturamento próprios.

Experimente a API em cinco minutos

A API do Z.ai é compatível com OpenAI. Se você já usa uma API de LLM, o formato será familiar.

Endpoint internacional:

https://api.z.ai/api/paas/v4/chat/completions

Endpoint para China Continental:

https://open.bigmodel.cn/api/paas/v4/chat/completions

A autenticação usa Bearer Token. No lançamento, a documentação ainda listava glm-5 como ID documentado. O exemplo abaixo usa glm-5.3 seguindo a convenção da família, mas confirme o ID na documentação do modelo antes de implantar.

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": "Escreva um script bash que encontre os cinco maiores arquivos em um repositório git, excluindo o diretório .git."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'

A resposta segue o esquema da OpenAI:

• choices: array com a resposta do modelo;
• choices[0].message.content: conteúdo gerado;
• usage: contagem de tokens de entrada e saída.

Organize testes no Apidog

Em vez de editar comandos cURL manualmente, importe a requisição para o Apidog e configure:

1. Uma variável de ambiente chamada GLM_API_KEY;
2. Um ambiente para api.z.ai;
3. Um ambiente para open.bigmodel.cn;
4. Variáveis para IDs de modelo;
5. Respostas salvas como linha de base para testes de regressão.

Assim, você pode trocar região, endpoint ou modelo por um menu, sem alterar a requisição manualmente.

Para exemplos em Python e Node.js, streaming e tratamento de erros, consulte o guia de início rápido completo da API GLM-5.3.

FAQ

O GLM-5.3 é de código aberto?

Ainda não, mas terá pesos abertos. A Zhipu planeja liberar os pesos no Hugging Face por volta de 28 de agosto de 2026, após uma revisão de risco que a empresa descreve como a mais extensa até o momento. Até lá, o acesso é feito pela API hospedada.

Como o GLM-5.3 é diferente do GLM-5.2?

O modelo base é o mesmo. As melhorias vêm do pós-treinamento escalonado. A Zhipu relata:

• +50% em capacidade de codificação em avaliações internas;
• Terminal-Bench 3.0 de 4,6 para 28,3;
• Aproximadamente o dobro da pontuação no SWE-Marathon.

Arquitetura, janela de contexto e contagem de parâmetros permanecem inalteradas.

Qual é o custo do GLM-5.3?

A Zhipu não publicou um preço específico para a versão 5.3 no lançamento. A melhor referência disponível era o GLM-5.2, listado a US$ 1,4 por 1M de tokens de entrada e US$ 4,4 por 1M de tokens de saída.

Antes de definir orçamento, confira a página de preços atualizada. Para reduzir custo por token, veja o guia de otimização de custos após o aumento de preço da API DeepSeek.

Posso executar o GLM-5.3 no meu próprio hardware?

Depois da liberação dos pesos, sim, com ressalvas. A família GLM-5 usa 744B de parâmetros totais e cerca de 40B ativos por passagem. A execução em precisão total exige hardware de servidor multi-GPU.

Variantes quantizadas da comunidade devem reduzir os requisitos. Veja o guia de preparação para auto-hospedagem para dimensionamento mais realista.

O GLM-5.3 é melhor que Claude ou GPT para codificação?

Nos benchmarks de agentes e terminal relatados, ele é competitivo. Ficou em primeiro entre modelos abertos no Terminal-Bench 3.0 e superou Claude Mythos 5 e GPT-5.6 Sol no CyberGym.

No ExploitBench, porém, marcou 54,4% e ficou atrás dos modelos de ponta. A decisão depende da sua carga de trabalho. Execute uma suíte própria antes de mover tráfego de produção, como faria ao testar qualquer API antes da adoção.

Onde o GLM-5.3 se encaixa na sua pilha

GLM-5.3 é um lançamento especializado para agentes de codificação: desempenho forte em tarefas de terminal, pesos abertos previstos em duas semanas e uma API compatível com OpenAI que você pode testar imediatamente.

A leitura prática é:

1. Use a API para criar uma linha de base hoje;
2. Monte uma pequena suíte de prompts baseada nas suas tarefas reais;
3. Compare resultados com seus modelos atuais;
4. Reavalie quando os pesos abertos e variantes quantizadas estiverem disponíveis;
5. Só então considere mover tráfego de produção.

Comece enviando a requisição cURL deste artigo e salve o resultado. Você pode baixar o Apidog para organizar a suíte, manter os endpoints do Z.ai e do bigmodel.cn em ambientes alternáveis e transformar testes exploratórios em uma base de regressão para comparar a API hospedada com sua futura implantação local.