GLM 5.3: análisis del modelo de Z.ai que mejora sin reentrenar
Z.ai (la división de Zhipu AI) presentó el 14 de agosto de 2026 GLM 5.3, su nuevo modelo insignia para programación y tareas agénticas de largo recorrido. La noticia no está en el tamaño, sino en el truco: por dentro no hay un modelo nuevo.
GLM 5.3 corre sobre exactamente el mismo cerebro de 743.000 millones de parámetros (arquitectura MoE, unos 40.000 millones activos por token) que ya usaba GLM-5.2. Sin reentrenar la base. Sin más datos. Sin arquitectura nueva.
Toda la mejora, y Z.ai habla de un 50% más de rendimiento en su benchmark interno de agentes de código, sale de un mes extra de post-entrenamiento en entornos ejecutables. Esa frase es, en realidad, la noticia del lanzamiento.
Pantalla con código fuente en un monitor, representando la capacidad de programación de GLM 5.3
Qué es GLM 5.3 y qué cambia frente a GLM-5.2
GLM 5.3 es un modelo de texto puro orientado a ingeniería de software. Comparte base con su predecesor y cambia todo lo que hay encima de esa base: el post-entrenamiento, los entornos y la estrategia de aprendizaje por refuerzo.
Estas son las especificaciones confirmadas:
- Modelo base: el mismo de GLM-5.2 (~743B MoE, ~40B activos).
- Contexto: 1 millón de tokens (hay que pedirlo con el sufijo
glm-5.3[1m]). - Salida máxima: 128.000 tokens.
- Entrada: solo texto. No tiene visión.
- Niveles de esfuerzo:
highymax. - Herramientas: function calling, MCP, salida estructurada y caché de contexto.
Tres detalles importan antes de seguir. Sigue sin ver imágenes, igual que la 5.2. El millón de tokens no es automático y hay que activarlo con el sufijo. Y los niveles de razonamiento se reducen a dos, donde dejar max por defecto dispara el consumo y la latencia.
Ese mismo 14 de agosto también salió Qwen 3.8-27B, que sí incluye visión y publicó pesos el primer día. El contraste entre ambos lanzamientos es de manual sobre dónde pone cada laboratorio el foco.
El verdadero cambio: entrenar entornos, no solo parámetros
¿Por qué un modelo sin reentrenar puede mejorar tanto programando? Porque el cuello de botella ya no está solo en el modelo. Está en qué le pones a hacer mientras aprende.
Z.ai explica que escaló tres piezas del sistema de post-entrenamiento que ya montó para GLM-5.2: más entornos ejecutables, tareas de largo recorrido más variadas y más cómputo dedicado al aprendizaje por refuerzo dentro de esos entornos. Nada de eso toca el pre-entrenamiento.
El modelo recorre el ciclo completo: identificar el problema, analizarlo, implementar, verificar y entregar. Algunas tareas equivalen a varios días de trabajo de un ingeniero senior, con repositorios reales, clústeres y documentación interna.
Nathan Lambert, en su análisis para Interconnects, lo lee en la misma clave: GLM-5.3 es más estrecho que Fable 5 o GPT-5.6 Sol, pero muy optimizado para código y solo texto.
Los benchmarks de GLM 5.3: lo que dicen los números
Los resultados oficiales de Z.ai son contundentes en tareas largas. Esta es la comparativa frente a GLM-5.2:
| Prueba | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Terminal-Bench 3.0 | 4,6 | 28,3 |
| DeepSWE v1.1 | 46,2 | 66,9 |
| SWE-Marathon v1.1 | 19,4 | 42,5 |
| Agent's Last Exam | 23,8 | 28,5 |
| AutomationBench | — | 48,2 |
El salto de 4,6 a 28,3 en Terminal-Bench 3.0 se ha llevado los titulares, y Z.ai lo presenta como la mejor marca de cualquier modelo de pesos abiertos en esa prueba. Antes de emocionarse, dos matices obligatorios.
El primero: no compares versiones distintas de un benchmark. Terminal-Bench 3.0 es mucho más dura que la 2.1, así que poner el 28,3 de GLM-5.3 al lado del 88-92% que Fable 5 saca en la 2.1 no mide nada.
Lo que sí parece señal fuerte es la eficiencia. La media de salida a esfuerzo máximo baja de unos 96.000 a unos 75.000 tokens por tarea: cerca de un 22% menos, subiendo el resultado. Ver menos tokens y acertar más es exactamente lo que esperarías de un post-entrenamiento centrado en terminar trabajos.
Sala de servidores de un centro de datos, la infraestructura detrás del entrenamiento de modelos como GLM 5.3
La sorpresa de la ciberseguridad
Mientras escalaba el post-entrenamiento en entornos largos, GLM 5.3 desarrolló capacidades de ciberseguridad que Z.ai dice no haber buscado. Y fueron lo bastante fuertes para retrasar la apertura del modelo.
En encontrar vulnerabilidades, los datos publicados dicen que iguala o supera a los cerrados por poco. En explotarlas, no. Esa distinción es la que se pierde en los titulares.
- CyberGym (descubrimiento): 84,5%, por delante de Mythos 5 (83,8%) y GPT-5.6 Sol (83,6%).
- ExploitBench (explotación): 54,4%, lejos del 78% de Mythos 5 y el 76,5% de GPT-5.6 Sol.
- ExploitGym a 2h: 105 tareas frente a 181 de Mythos 5.
Duplicar el resultado de la 5.2 en ExploitBench (24,4 a 54,4) es un salto enorme, pero sigue a 24 puntos de Mythos 5 cuando toca construir el ataque real.
Más allá de los benchmarks, Z.ai abrió un registro público de divulgación responsable en cvd.z.ai. Desde GLM-5.2, la compañía afirma haber encontrado 2.436 vulnerabilidades en 269 proyectos de código abierto, de las cuales 1.097 son críticas o altas. Solo 53 se han publicado como CVE; 2.383 siguen bajo embargo. Incluyen fallos de hace décadas, como una vulnerabilidad seria en el editor Cursor.
Candado sobre fondo digital, representando las capacidades de ciberseguridad de GLM 5.3
Por eso Z.ai rompió su propio patrón. GLM-5.2 publicó pesos con licencia MIT a los pocos días; GLM-5.3 los retrasa unas dos semanas (hacia finales de agosto de 2026) hasta completar la evaluación y el endurecimiento de seguridad. Las funciones cyber más sensibles quedan detrás de un programa de "trusted access" para usuarios verificados. Mientras no haya pesos, no hay verificación independiente posible.
GLM 5.3 frente a sus rivales
El mapa para decidir, con la fila de GLM-5.3 aún incompleta:
| Modelo | Pesos | Visión | Brilla en |
|---|---|---|---|
| GLM-5.3 | Prometidos (~fin ago.) | No | Agentes de largo recorrido, auditoría de código |
| Kimi K3 | Sí | Sí | Generalista fuerte, frontend |
| Claude Fable 5 | No | Sí | Autonomía de días, trabajo ambicioso |
| GPT-5.6 Sol | No | Sí | Mejor generalista de código |
| Gemini 3.7 Flash | No | Sí | Coste y automatización |
En el Z.ai Code Bench interno, GLM-5.3 en esfuerzo high saca 31,4% gastando unos 50.000 tokens de salida, frente al 29,5% de Claude Opus 4.8 con 120.000. Suena espectacular, pero Fable 5 sigue por delante con 39,5% a esfuerzo máximo, y ese benchmark es privado. La lectura honesta: GLM-5.3 compite en coste, control y despliegue, no en capacidad absoluta.
Si quieres contexto sobre la carrera de los modelos esta semana, hemos analizado Grok 4.6 y Gemini 3.7 Flash.
Disponibilidad y precio de GLM 5.3
A 22 de agosto de 2026, el acceso es más estrecho de lo que sugiere el anuncio:
- GLM Coding Plan: disponible en Lite (desde 18 dólares al mes), Pro y Max.
- ZCode, Claude Code, Codex CLI y OpenCode Go: soportados con endpoint de Z.ai.
- API por token: sin tarifa publicada todavía.
- OpenRouter: aún no aparece.
- Pesos en Hugging Face: pendientes, hacia finales de agosto.
Ojo al consumo: los multiplicadores de cuota publicados son 6,9× en entrada, 1,7× en entrada cacheada y 24× en salida. La salida cuesta unas 3,5 veces lo que la entrada fresca. En OpenCode Go consume unas cuatro veces más presupuesto que la 5.2 por el mismo plan.
Cuándo tiene sentido usarlo (y cuándo no)
Tiene sentido probarlo si ya pagas el GLM Coding Plan, si tus tareas son largas y multiarchivo, o si quieres una segunda opinión barata para revisar código y buscar fallos. También encaja con flujos de spec driven development donde necesitas un ejecutor que no se despiste.
No compensa todavía si necesitas visión, si necesitas pesos hoy para desplegar on-premise, si tu presupuesto depende de una tarifa por token predecible, o si tu criterio de compra son benchmarks independientes verificables. Esos tres agujeros son reales.
La lección que se queda
GLM 5.3 llega con una tesis fuerte: han sacado un salto de generación cambiando cómo entrenan, no qué entrenan. Si eso se confirma con evaluación independiente, el mensaje para toda la industria es claro. El margen de mejora en agentes de programación está en los entornos, los bucle de trabajo y la verificación, no solo en el tamaño del modelo.
Un modelo de 743B que encuentra bugs de hace cuarenta años en software que todo el mundo usa es buena noticia para quien defiende. Y un recordatorio incómodo para el resto. Mientras esperamos a los pesos, solo tenemos los números de Z.ai y el Coding Plan.
