智谱（Z.ai）在 Hugging Face 上发布了新一代开源模型 GLM-5.3，参数规模 753B，采用 transformers 库、许可证标注为 other（license_name 为 glm-5.3），任务类型为文本生成。该模型页面上线后短时间内即获得较高关注度。
最值得注意的一点是，GLM-5.3 与 GLM-5.2 使用同一个基座模型，官方明确表示所有性能增益都来自后训练（post-training）阶段。这意味着智谱此次并未更换底座，而是通过后训练把同一基座的潜力进一步压榨出来，走的是「同基座、重后训练」的迭代路线。
在能力提升上，官方给出的重点是复杂编码与长周期任务。GLM-5.3 在自研的 Z.ai Code Bench 上相较 GLM-5.2 提升 50%，被描述为当前编码能力最强的开源权重模型；在公开基准上，它在 Terminal Bench 3.0 与 Agents' Last Exam 上取得开源 SOTA。
从官方公布的基准表看，GLM-5.3 在多项编码与智能体任务上较 GLM-5.2 有明显跃升。例如 Terminal Bench 3.0 从 4.6 升至 28.3，DeepSWE（v1.1）从 46.2 升至 66.9，SWE-Marathon（v1.1）从 19.4 升至 42.5，AutomationBench（v1.0.6）从 26.2 升至 48.2，PostTrainBench 从 31.7 升至 39.8。在部分项目上，它与表中列出的 Kimi K3、DeepSeek-V4 Pro-0813、Qwen3.8-Max、Opus 4.8、Fable 5、GPT-5.6 Sol 等模型互有胜负：Terminal Bench 2.1 为 88.2，DeepSWE 为 66.9，NL2Repo 为 58.0，FrontierSWE 为 78.1，Toolathlon Verified 为 73.0，HLE w/ Tools 为 62.5，GDPval-AA v2 为 1769。
另一个被官方单独点出的现象是「涌现的网络能力」。智谱称，随着后训练规模扩大，网络攻防相关能力的发展快于预期。GLM-5.3 在 CyberGym 漏洞发现任务上达到 SOTA，得分 84.5；在更靠近利用链条上端的基准上提升更大，ExploitGym 在 2 小时 / 6 小时预算下分别为 105 / 130，较 GLM-5.2 的 29 / 39 翻倍以上，ExploitBench 也从 24.4 升至 54.4。官方同时说明，相关评测在 Claude Code 2.1.207 环境下进行，关闭网络工具、设置域名白名单，并移除 Git 信息以防作弊。
部署层面，GLM-5.3 支持 SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unsloth 等框架本地部署；在昇腾 NPU 平台上，则支持 vLLM-Ascend、xLLM、SGLang 等推理框架。模型还支持通过 reasoning_effort 参数控制思考预算，可选 low、high、max 三档，默认（或传入其他值时）为 max；官方建议复现基准与榜单时保持默认 max。聊天模板中 clear_thinking 默认 false，聊天场景建议显式传入 true。
从产业视角看，这条发布传递出两个信号。其一，开源模型与闭源前沿的差距正在被后训练快速压缩——不换基座也能在编码、长任务与智能体场景上取得大幅进步，这对依赖「堆参数、换底座」叙事的厂商构成压力，也降低了中小团队追赶的门槛。其二，网络攻防能力的「涌现」提示模型能力提升并非线性可控，安全评测与治理需要与能力迭代同步推进。对关注 AI 产业链的读者而言，GLM-5.3 的基准表现与开源部署支持，是观察开源模型在编码、智能体等高频商业场景中能否承接实际负载的一个参考坐标。