Apa Itu GLM-5.3? Model Koding Open-Weight Zhipu Dijelaskan

GLM-5.3 adalah model bahasa besar yang dirilis pada 14 Agustus 2026 oleh Zhipu AI, laboratorium Tiongkok yang beroperasi secara internasional sebagai Z.ai. Ini adalah peningkatan pasca-pelatihan dari model dasar GLM-5 yang secara khusus ditujukan untuk pekerjaan pengkodean dan agen. Zhipu berencana menerbitkan bobot terbukanya di Hugging Face sekitar dua minggu setelah peluncuran. Dalam evaluasi internal Zhipu, kemampuan pengkodean meningkat 50% dibandingkan GLM-5.2.

Coba Apidog hari ini

Kombinasi ini membuat rilisnya penting: laboratorium yang Seeking Alpha gambarkan sebagai “penantang OpenAI dari Tiongkok” mengirimkan model pengkodean yang diklaim “mendekati Claude Fable 5”, lalu berencana menyediakan bobotnya secara gratis. Rilis ini tiba satu hari setelah rilis terbaru DeepSeek, yang kami bahas dalam panduan API DeepSeek V4 Pro.

Artikel ini membahas kemampuan GLM-5.3, sumber angka tolok ukurnya, rencana bobot terbuka, serta cara mengirim permintaan API pertama. Anda dapat menguji permintaan API di Apidog tanpa menulis kode.

TL;DR

• GLM-5.3 dirilis pada 14 Agustus 2026 oleh Zhipu AI (Z.ai). Model dasarnya tetap GLM-5; peningkatan berasal dari pasca-pelatihan berskala.
• Skor Terminal-Bench 3.0 naik dari 4.6 menjadi 28.3, atau 6.2x, dan dilaporkan menempati peringkat pertama di antara model sumber terbuka.
• Model ini juga dilaporkan berada di peringkat pertama model terbuka pada Agents’ Last Exam.
• CyberGym: 84.5%, sedikit di atas Claude Mythos 5 dan GPT-5.6 Sol. ExploitBench: 54.4%, masih di bawah model frontier.
• Bobot terbuka direncanakan hadir di Hugging Face sekitar 28 Agustus 2026, setelah tinjauan risiko.
• Arsitektur keluarga GLM-5: Mixture of Experts, 744B parameter total, sekitar 40B parameter aktif per forward pass, dan konteks 200K token.
• API kompatibel dengan OpenAI tersedia di https://api.z.ai/api/paas/v4/chat/completions. Harga spesifik GLM-5.3 belum diterbitkan saat peluncuran.

Apa itu GLM-5.3

GLM-5.3 adalah rilis poin ketiga dalam keluarga GLM-5 dan paling berfokus pada pengkodean serta agen. Zhipu tidak melatih ulang model dasarnya. Dokumen resmi menjelaskan GLM-5 sebagai model Mixture of Experts dengan total 744B parameter, sekitar 40B parameter aktif per forward pass, dan jendela konteks 200K token. Spesifikasi dasar ini tidak berubah.

Perubahannya berada pada tahap pasca-pelatihan. Zhipu mengklaim peningkatan kemampuan pengkodean sebesar 50% dibandingkan GLM-5.2, dengan fokus pada:

• tugas agen berbasis terminal;
• rekayasa perangkat lunak jangka panjang;
• analisis keamanan.

Secara praktis, GLM-5.3 layak dievaluasi jika Anda membutuhkan perilaku pengkodean otonom dan ingin mempertimbangkan opsi menjalankan model sendiri setelah bobot terbukanya tersedia.

Tolok ukur GLM-5.3: angka dan sumbernya

Liputan peluncuran dari BigGo Finance dan Pandaily melaporkan hasil berikut. Perhatikan sumber setiap angka: beberapa berasal dari papan peringkat atau laporan peluncuran, sementara lainnya merupakan evaluasi internal Zhipu.

Tolok ukur	Hasil GLM-5.3	Konteks	Sumber
Terminal-Bench 3.0	28.3, naik dari 4.6	Lompatan 6.2x; pertama di antara model sumber terbuka	Laporan peluncuran
Agents’ Last Exam	Pertama di antara model sumber terbuka	Skor tidak diungkapkan saat peluncuran	Laporan peluncuran
CyberGym	84.5%	Sedikit di atas Claude Mythos 5 dan GPT-5.6 Sol	Laporan peluncuran
ExploitBench	54.4%	Masih di bawah model-model frontier	Laporan peluncuran
SWE-Marathon	Kira-kira 2x GLM-5.2	Rekayasa perangkat lunak jangka panjang	Internal Zhipu
Kemampuan pengkodean agregat	+50% vs GLM-5.2	Klaim utama Zhipu	Internal Zhipu

Ada dua cara membaca hasil ini:

1. Interpretasi optimistis: kenaikan Terminal-Bench 3.0 dari 4.6 ke 28.3 menunjukkan peningkatan besar pada tugas terminal multi-langkah. Tolok ukur ini menguji kemampuan model menjalankan perintah shell, membaca output, dan memulihkan diri dari kesalahan.
2. Interpretasi skeptis: klaim peningkatan pengkodean 50% dan skor SWE-Marathon sekitar dua kali lipat masih berasal dari evaluasi internal Zhipu. Klaim tersebut belum dapat direproduksi secara independen sebelum bobot dirilis.

Untuk keputusan produksi, gunakan angka ini sebagai alasan membuat evaluasi internal—bukan sebagai alasan langsung memigrasikan seluruh trafik.

Apa arti “mendekati Claude Fable 5” dalam praktiknya

Zhipu menyatakan kemampuan pengkodean dan agen GLM-5.3 “mendekati Claude Fable 5”. Klaim ini paling relevan pada tugas agen dan terminal.

Di sisi agen, GLM-5.3 dilaporkan berada di peringkat pertama di antara model terbuka pada Terminal-Bench 3.0 dan Agents’ Last Exam. Hasil CyberGym sebesar 84.5% juga sedikit melampaui Claude Mythos 5 dan GPT-5.6 Sol, meskipun selisih kecil dapat dipengaruhi variasi antar-eksekusi.

Namun, ExploitBench menunjukkan batasnya. Dengan skor 54.4%, GLM-5.3 masih tertinggal dari model frontier. Artinya, model frontier kemungkinan masih lebih kuat untuk pekerjaan keamanan ofensif dan penalaran multi-langkah yang sangat kompleks.

Gunakan GLM-5.3 sebagai kandidat evaluasi untuk:

• agen terminal;
• otomatisasi CI;
• tugas pengkodean tingkat repositori;
• alur kerja yang membutuhkan model terbuka.

Untuk membandingkan karakteristik model frontier pada kategori yang sama, lihat perbandingan Grok 4.6 vs GPT-5.6 vs Claude Fable 5.

Rencana bobot terbuka: sekitar 28 Agustus di Hugging Face

Zhipu berkomitmen menerbitkan bobot terbuka GLM-5.3 sekitar dua minggu setelah peluncuran, atau sekitar 28 Agustus 2026. Lokasi yang disebutkan adalah organisasi Hugging Face zai-org, tempat rilis terbuka perusahaan sebelumnya tersedia.

Jeda dua minggu ini disebut terkait dengan tinjauan risiko. Hal ini relevan karena skor CyberGym 84.5% menunjukkan kemampuan keamanan ofensif yang signifikan. Merilis bobot publik memiliki risiko berbeda dibandingkan menyediakan model melalui API yang dipantau.

Sebelum merencanakan self-hosting, pertimbangkan kebutuhan perangkat keras:

• Model keluarga GLM-5 memiliki total 744B parameter.
• Sekitar 40B parameter aktif per token tidak berarti kebutuhan memori total turun menjadi 40B.
• Inferensi presisi penuh tetap berada di wilayah server dan multi-GPU.
• Banyak tim kemungkinan akan menunggu varian komunitas yang terkuantisasi.

Jika Anda ingin menyiapkan deployment lokal, gunakan panduan self-hosting GLM-5.3 untuk membandingkan kebutuhan ukuran model, stack penyajian, dan baseline API sebelum bobot tersedia.

Posisi GLM-5.3 dalam lanskap model terbuka

Perbandingan paling jelas adalah DeepSeek. Kedua laboratorium berasal dari Tiongkok, merilis bobot terbuka, menawarkan harga agresif, dan mengirimkan rilis dalam rentang 24 jam.

Perbedaan utamanya adalah fokus:

• DeepSeek V4 Pro diposisikan sebagai unggulan generalis.
• GLM-5.3 berfokus pada agen pengkodean.

Jika trafik Anda didominasi tugas agen pengkodean, evaluasi GLM-5.3 lebih dulu. Jika workload Anda lebih beragam, bandingkan keduanya menggunakan prompt dan metrik yang sama.

Harga juga perlu diperhatikan. Panduan optimasi biaya API DeepSeek menunjukkan bahwa harga API model terbuka dapat berubah cepat. Hal ini mendorong sebagian tim mempertimbangkan self-hosting sebagai lindung nilai.

Zhipu belum menerbitkan harga spesifik GLM-5.3 saat peluncuran. Sebagai acuan, halaman harga resmi mencantumkan GLM-5.2 seharga $1.4 per 1 juta token input dan $4.4 per 1 juta token output pada saat penulisan. Periksa halaman harga langsung sebelum menetapkan anggaran.

Setelah varian terkuantisasi tersedia, GLM-5.3 akan bergabung dengan ekosistem model yang dapat dijalankan tanpa ketergantungan API. Lihat ringkasan LLM lokal terbaik di tahun 2026 untuk konteks model terbuka saat ini.

Kuota GLM Coding Plan telah diatur ulang

Zhipu mengatur ulang kuota GLM Coding Plan untuk semua pengguna pada 14 Agustus. Jika Anda berlangganan Coding Plan melalui Z.ai, jatah penggunaan dimulai ulang pada hari rilis.

Coding Plan adalah penawaran tarif tetap untuk alat pengkodean. Ini berbeda dari akses API bayar-per-token, dan pengaturan ulang tersebut hanya berlaku untuk paket Coding Plan—bukan penagihan API.

Pengguna di Tiongkok Daratan dapat menggunakan ekosistem yang sama melalui open.bigmodel.cn, dengan paket dan penagihan tersendiri.

Coba API dalam lima menit

API Z.ai kompatibel dengan OpenAI. Endpoint internasionalnya adalah:

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

Untuk Tiongkok Daratan, gunakan:

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

Autentikasi menggunakan Bearer token.

Saat peluncuran, dokumen resmi masih mencantumkan glm-5 sebagai ID model yang didokumentasikan. Contoh glm-5.3 di bawah mengikuti konvensi keluarga GLM-5. Konfirmasikan ID yang tepat di halaman dokumen model sebelum mengirim permintaan produksi.

1. Simpan API key

export GLM_API_KEY="kunci-anda-dari-z.ai"

2. Kirim permintaan chat completion

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": "Tulis skrip bash yang menemukan lima file terbesar dalam repositori git, tidak termasuk direktori .git."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'

Respons mengikuti skema OpenAI, termasuk array choices untuk konten respons dan blok usage untuk jumlah token.

Untuk pengujian yang lebih cepat daripada mengedit string cURL:

1. Impor request ke Apidog.
2. Simpan GLM_API_KEY sebagai variabel lingkungan.
3. Buat lingkungan terpisah untuk endpoint Z.ai dan bigmodel.cn.
4. Simpan respons sebagai baseline regresi.
5. Ubah ID model atau wilayah melalui environment, bukan dengan mengedit request satu per satu.

Untuk contoh Python, Node.js, streaming, dan penanganan error, lihat panduan memulai cepat API GLM-5.3.

FAQ

Apakah GLM-5.3 sumber terbuka?

Belum, tetapi direncanakan menjadi bobot terbuka. Zhipu berkomitmen merilis bobot di Hugging Face sekitar 28 Agustus 2026, kira-kira dua minggu setelah peluncuran API, setelah tinjauan risiko yang disebut sebagai paling ekstensif hingga saat ini. Sampai saat itu, akses tersedia melalui API yang di-hosting.

Bagaimana GLM-5.3 berbeda dari GLM-5.2?

Model dasarnya identik. Semua peningkatan berasal dari pasca-pelatihan berskala. Zhipu melaporkan:

• peningkatan kemampuan pengkodean 50% dalam evaluasi internal;
• kenaikan Terminal-Bench 3.0 dari 4.6 menjadi 28.3;
• skor SWE-Marathon sekitar dua kali lipat.

Jendela konteks, jumlah parameter, dan arsitektur tidak berubah dari baseline keluarga GLM-5.

Berapa biaya GLM-5.3?

Zhipu belum menerbitkan harga API spesifik GLM-5.3 saat peluncuran. Halaman harga resmi mencantumkan GLM-5.2 seharga $1.4 per 1 juta token input dan $4.4 per 1 juta token output, sehingga angka tersebut menjadi acuan terbaik yang tersedia.

Periksa harga langsung sebelum menetapkan anggaran. Jika biaya menjadi batasan utama, panduan optimasi biaya API setelah kenaikan harga DeepSeek mencakup taktik yang berlaku untuk API berbasis token.

Bisakah saya menjalankan GLM-5.3 di perangkat keras saya sendiri?

Setelah bobot dirilis, ya, dengan beberapa catatan. Keluarga GLM-5 adalah model Mixture of Experts berparameter 744B dengan sekitar 40B parameter aktif per forward pass. Penyajian presisi penuh membutuhkan perangkat keras server multi-GPU.

Build komunitas yang terkuantisasi dapat menurunkan kebutuhan tersebut. Lihat panduan persiapan self-hosting untuk estimasi ukuran yang realistis.

Apakah GLM-5.3 lebih baik dari Claude atau GPT untuk pengkodean?

Pada tolok ukur agen dan terminal yang dilaporkan, GLM-5.3 kompetitif. Model ini dilaporkan berada di peringkat pertama di antara model terbuka pada Terminal-Bench 3.0 dan sedikit melampaui Claude Mythos 5 serta GPT-5.6 Sol pada CyberGym.

Namun, pada ExploitBench, skor 54.4% masih berada di bawah model frontier. Jawabannya bergantung pada workload Anda. Jalankan set evaluasi internal sebelum mengalihkan trafik produksi, seperti saat Anda akan menguji API apa pun sebelum digunakan.

Di mana GLM-5.3 cocok dalam tumpukan teknologi Anda

GLM-5.3 adalah rilis spesialis dengan penawaran yang jelas:

• kinerja agen pengkodean yang mendekati tingkat frontier;
• bobot terbuka yang direncanakan dalam dua minggu;
• API kompatibel dengan OpenAI;
• opsi self-hosting setelah bobot tersedia.

Sinyal tolok ukurnya kuat pada tugas terminal dan agen, tetapi sebagian klaim masih belum diverifikasi secara independen. Ini cukup untuk membenarkan evaluasi, tetapi belum cukup untuk membenarkan migrasi penuh.

Mulai dengan langkah kecil:

1. Jalankan request cURL di atas.
2. Simpan respons sebagai baseline.
3. Buat kumpulan prompt dari workload nyata Anda.
4. Bandingkan GLM-5.3 dengan model yang sedang digunakan.
5. Ulangi evaluasi setelah bobot terbuka dan varian terkuantisasi tersedia.

Unduh Apidog untuk mengelola kumpulan request tersebut. Pertahankan endpoint Z.ai dan bigmodel.cn sebagai environment yang dapat diganti, lalu gunakan hasil pengujian hari ini sebagai baseline regresi saat Anda membandingkan deployment sendiri dengan API yang di-hosting.