GLM-5.3 est un grand modèle de langage signé Z.ai, l'ex-Zhipu AI, conçu pour la programmation complexe, les agents autonomes de longue haleine et l'analyse de sécurité. Sans toucher à la base héritée de GLM-5.2, il progresse uniquement par post-entraînement, avec un score multiplié par six sur Terminal-Bench 3.0. L'accès passe par une API facturée au token ou par l'abonnement GLM Coding Plan. La documentation reste anglophone, mais vos requêtes peuvent très bien s'écrire en français.
GLM-5.3 reprend la base de GLM-5.2, un mélange d'experts d'environ 743 milliards de paramètres au contexte de 1 million de tokens, et tire tous ses progrès du post-entraînement. Sur le banc interne de Z.ai, le gain en programmation atteint 50 %.
L'entraînement délaisse les exercices courts au profit de postes de travail simulés, dépôts de code, documentation, outils de test et tâches en plusieurs étapes, le tout piloté par apprentissage par renforcement. Repérer un goulot d'étranglement dans une chaîne d'entraînement, corriger, puis prouver l'accélération, voilà le quotidien du modèle pendant sa formation. Les chiffres publics suivent.
Le tout en dépensant moins, 34,5 % de tâches réussies pour 75 000 tokens produits, contre 23,4 % pour 96 000 avec GLM-5.2. Artificial Analysis le mesure d'ailleurs à égalité avec Kimi K3 en tête des modèles ouverts.
| Benchmark | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Terminal-Bench 3.0 | 4,6 | 28,3 |
| DeepSWE v1.1 | 46,2 | 66,9 |
| CyberGym | 77,2 % | 84,5 % |
| ExploitBench | 24,4 % | 54,4 % |
Z.ai revendique plus de 2 400 vulnérabilités repérées par son modèle dans 269 projets logiciels, dont une faille tapie dans du code écrit il y a une quarantaine d'années et une autre, jugée sérieuse, dans l'éditeur Cursor.
Le plus étonnant, cette compétence n'était pas au programme. Z.ai avait injecté des données de découverte de failles pour affiner le raisonnement sur des bugs isolés; à mesure que l'entraînement grossissait, le modèle a bâti des chaînes d'exploitation complètes. Il devance désormais Claude Mythos 5 et GPT-5.6 Sol sur CyberGym, mais reste loin derrière sur ExploitBench (chiffres maison, précisons-le, en attente de tests indépendants).
L'API facture 1,40 $ le million de tokens en entrée et 4,40 $ en sortie, tandis que le Coding Plan aligne trois formules, Lite à 18 $ par mois, Pro à 80 $, Max à 168 $, avec 30 % de remise à l'année. Ces montants bougent vite, la page officielle de Z.ai reste le seul repère fiable avant de payer.
La mise en route tient en deux gestes, vous pointez votre agent vers le point d'accès compatible OpenAI ou Anthropic, vous changez l'identifiant du modèle, et Claude Code, Cline ou OpenCode tournent avec GLM-5.3 comme avec d'autres assistants de code. Détail de migration, le raisonnement ne se désactive plus, trois niveaux d'effort restent au choix.
Non, GLM-5.3 n'existe pas en version gratuite. Le modèle se paie à l'usage via l'API de Z.ai ou par l'abonnement GLM Coding Plan, l'un des tickets d'entrée les moins chers du créneau des agents de code. Une fois les poids publiés, l'auto-hébergement supprimera le coût au token pour qui possède ses propres GPU.
Pas encore au sens strict. Au lancement, GLM-5.3 n'était accessible que par API, Z.ai ayant annoncé les poids sur Hugging Face environ deux semaines plus tard, après revue de sécurité. Aucune licence n'était alors confirmée, alors que GLM-5.2 était sorti directement sous licence MIT, un point à vérifier avant tout déploiement local.
En partie. Selon Reuters, Z.ai a instauré un accès de confiance pour les fonctions les plus sensibles, gardant ouvertes les capacités défensives et restreignant les usages à risque. Greg Brockman, d'OpenAI, a estimé que le modèle pourrait accélérer nettement les menaces, d'où une revue de sécurité inédite avant la publication des poids.
Tout dépend du budget et des tâches. Les modèles d'Anthropic gardent l'avantage sur des évaluations difficiles comme ExploitBench, mais GLM-5.3 les devance sur CyberGym, mène les modèles ouverts sur Terminal-Bench 3.0 et coûte une fraction du prix au token, un argument de poids pour les longues sessions d'agent.
Verdict : Pour faire tourner un agent de code pendant des heures sur un dépôt entier sans surveiller le compteur, GLM-5.3 compte parmi les choix les plus rentables du moment; les équipes qui auditent la sécurité de leur propre code y gagneront un allié inattendu.
