智譜（Z.ai）在 Hugging Face 上釋出了新一代開源模型 GLM-5.3，引數規模 753B，採用 transformers 庫、許可證標註為 other（license_name 為 glm-5.3），任務型別為文本生成。該模型頁面上線後短時間內即獲得較高關注度。
最值得注意的一點是，GLM-5.3 與 GLM-5.2 使用同一個基座模型，官方明確表示所有效能增益都來自後訓練（post-training）階段。這意味著智譜此次並未更換底座，而是通過後訓練把同一基座的潛力進一步壓榨出來，走的是「同基座、重後訓練」的迭代路線。
在能力提升上，官方給出的重點是複雜編碼與長週期任務。GLM-5.3 在自研的 Z.ai Code Bench 上相較 GLM-5.2 提升 50%，被描述為當前編碼能力最強的開源權重模型；在公開基準上，它在 Terminal Bench 3.0 與 Agents' Last Exam 上取得開源 SOTA。
從官方公佈的基準表看，GLM-5.3 在多項編碼與智慧體任務上較 GLM-5.2 有明顯躍升。例如 Terminal Bench 3.0 從 4.6 升至 28.3，DeepSWE（v1.1）從 46.2 升至 66.9，SWE-Marathon（v1.1）從 19.4 升至 42.5，AutomationBench（v1.0.6）從 26.2 升至 48.2，PostTrainBench 從 31.7 升至 39.8。在部分專案上，它與表中列出的 Kimi K3、DeepSeek-V4 Pro-0813、Qwen3.8-Max、Opus 4.8、Fable 5、GPT-5.6 Sol 等模型互有勝負：Terminal Bench 2.1 為 88.2，DeepSWE 為 66.9，NL2Repo 為 58.0，FrontierSWE 為 78.1，Toolathlon Verified 為 73.0，HLE w/ Tools 為 62.5，GDPval-AA v2 為 1769。
另一個被官方單獨點出的現象是「湧現的網路能力」。智譜稱，隨著後訓練規模擴大，網路攻防相關能力的發展快於預期。GLM-5.3 在 CyberGym 漏洞發現任務上達到 SOTA，得分 84.5；在更靠近利用鏈條上端的基準上提升更大，ExploitGym 在 2 小時 / 6 小時預算下分別為 105 / 130，較 GLM-5.2 的 29 / 39 翻倍以上，ExploitBench 也從 24.4 升至 54.4。官方同時說明，相關評測在 Claude Code 2.1.207 環境下進行，關閉網路工具、設定域名白名單，並移除 Git 資訊以防作弊。
部署層面，GLM-5.3 支援 SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unsloth 等框架本地部署；在昇騰 NPU 平台上，則支援 vLLM-Ascend、xLLM、SGLang 等推理框架。模型還支援通過 reasoning_effort 引數控制思考預算，可選 low、high、max 三檔，預設（或傳入其他值時）為 max；官方建議復現基準與榜單時保持預設 max。聊天模板中 clear_thinking 預設 false，聊天場景建議顯式傳入 true。
從產業視角看，這條釋出傳遞出兩個訊號。其一，開源模型與閉源前沿的差距正在被後訓練快速壓縮——不換基座也能在編碼、長任務與智慧體場景上取得大幅進步，這對依賴「堆引數、換底座」敘事的廠商構成壓力，也降低了中小團隊追趕的門檻。其二，網路攻防能力的「湧現」提示模型能力提升並非線性可控，安全評測與治理需要與能力迭代同步推進。對關注 AI 產業鏈的讀者而言，GLM-5.3 的基準表現與開源部署支援，是觀察開源模型在編碼、智慧體等高頻商業場景中能否承接實際負載的一個參考座標。