GLM-5.3: Frontier-Coding mit emergenten Cyber-Fähigkeiten

GLM-5.3: Frontier-Coding mit emergenten Cyber-Fähigkeiten

TL;DR: Z.ai's GLM-5.3 nutzt dasselbe 743-Milliarden-Parameter-Basismodell wie GLM-5.2, erzielt aber allein durch Post-Training-Scaling massive Verbesserungen. Terminal-Bench 3.0 springt von 4,6 auf 28,3, DeepSWE von 46,2 auf 66,9. Die Überraschung: Cybersicherheits-Fähigkeiten entwickelten sich schneller als erwartet — das Modell reasoning über vollständige Exploitation-Chains statt nur isolierte Bugs zu finden. Z.ai hat bereits 2.436 reale Schwachstellen in 269 Projekten identifiziert — darunter eine in Cursor. Die Gewichte erscheinen in ~2 Wochen nach Safety-Hardening.

Z.ai hat GLM-5.3 am 14. August 2026 veröffentlicht, und es könnte das interessanteste Model-Release des Jahres sein — nicht weil es jede Bestenliste anführt, sondern wegen dem, was es darüber verrät, wie weit man ein Basismodell ohne Retraining pushen kann.

Das Modell nutzt exakt dieselbe 743-Milliarden-Parameter-Foundation wie GLM-5.2. Jede Verbesserung stammt aus Post-Training-Scaling: mehr Umgebungen, diversere Tasks, mehr Reinforcement-Learning-Compute. Keine neue Architektur, kein frischer Pretraining-Zyklus.

Die Ergebnisse sind substanziell. Aber sie produzierten auch etwas, das Z.ai nicht vollständig erwartet hatte: Cyber-Fähigkeiten, die sich schneller entwickelten als das Unternehmen geplant hatte — vom bloßen Identifizieren von Schwachstellen hin zum Konstruieren vollständiger Exploitation-Chains.

---

Gleiche Basis, anderes Modell

Die Kernbehauptung von GLM-5.3 ist, dass Post-Training allein — nicht ein neues pretrained Foundation-Model — jede gemeldete Verbesserung erbracht hat. Z.ai's Ankündigung sagt es deutlich: „Scaling post-training is all we did for GLM-5.3."

Die Training-Umgebungen ähneln echten Engineering-Jobs statt isolierten Coding-Übungen. In einem Beispiel von Z.ai wird ein Modell in die Arbeitsumgebung eines ML-Infrastructure-Engineers mit Zugriff auf Compute-Cluster, Dokumentation, Codebases und Experiment-Ergebnisse platziert. Es muss Bottlenecks diagnostizieren, Optimierungen implementieren und einen messbaren End-to-End-Speedup liefern. Einige Tasks entsprechen mehreren Tagen Arbeit für einen erfahrenen Engineer.

Um diese Umgebungen skalierbar zu generieren, hat Z.ai Pipelines gebaut, in denen Research-Agents Task-Patterns aus echter Arbeit in ausführbare Long-Horizon-Umgebungen umwandeln. Ein Judge-Agent verifiziert, dass jeder Task lösbar ist, und Verifier werden ohne Zugriff auf Referenzlösungen synthetisiert.

Der Training-Stack selbst wurde mit GLM-5.2 eingeführt:

• IndexShare — eine Long-Context-Technik, die einen Indexer über Sparse-Attention-Layers hinweg wiederverwendet, um die Rechenlast zu reduzieren
• SAO — eine Reinforcement-Learning-Methode für Long-Horizon-Tasks
• slime — ein Open-Source-Framework für groß angelegtes asynchrones RL

GLM-5.3 hat einfach mehr Compute und diversere Umgebungen auf denselben Stack geworfen.

---

Coding-Benchmarks: Große Sprünge bei Long-Horizon-Tasks

Das Muster über die Coding-Benchmarks hinweg ist konsistent: Die größten Gewinne liegen auf den Long-Horizon-Evaluationen. So vergleicht sich GLM-5.3 mit seinem Vorgänger:

Terminal-Bench 3.0 evaluiert Modelle auf tatsächlicher Terminal-Ausführung, Sandbox-Interaktion und Stateful-Environment-Recovery — ein hochpräziser Metric für realwelttaugliche Coding-Readiness. Der Sprung von 4,6 auf 28,3 ist die dramatischste Einzel-Generation-Verbesserung auf diesem Benchmark.

DeepSWE v1.1 testet Deep Software Engineering: Architektur-Refactoring, komplexes Bug-Patching in verteilten Systemen und cross-language Vulnerability-Assessment. Ein 20-Punkte-Sprung bedeutet hier, dass das Modell substanziell komplexere Multi-File-Engineering-Tasks bewältigen kann.

Vergleich mit anderen Frontier-Modellen

GLM-5.3 dominiert nicht jeden Benchmark. Z.ai's eigene Vergleichstabelle zeigt, wo es steht:

Das Bild ist gemischt. Bei Terminal-Bench und DeepSWE liegt GLM-5.3 hinter sowohl GPT-5.6 Sol als auch Claude Fable 5. Aber bei CyberGym überholt es jedes Modell im Vergleichsfeld. Und bei Z.ai Code Bench erreicht es Claude Opus 4.8's Qualität bei rund 50.000 Output-Tokens gegenüber 120.000 — ein signifikanter Effizienzgewinn für Produktions-Coding-Agents.

Token-Effizienz ist produktionsrelevant

Bei Z.ai's privatem Code Bench ist die Effizienz-Story bemerkenswert:

• GLM-5.3 bei Max-Effort: 34,5 % Completion, ~75.000 Output-Tokens pro Task
• GLM-5.2 bei Max-Effort: 23,4 % Completion, ~96.000 Output-Tokens pro Task
• Claude Opus 4.8: 29,5 % Completion, ~120.000 Output-Tokens pro Task
• Claude Fable 5: 39,5 % Completion (führt weiterhin, aber bei Maximum-Effort)

Für Unternehmen, die Coding-Agents deployen, ist die Reduktion des Token-Verbrauchs bei gleichzeitiger Verbesserung der Task-Completion operationell kritisch. Lange Agent-Loops kumulieren Inference-Kosten und Latenz schnell.

---

Das Cyber-Ergebnis, das Z.ai nicht geplant hatte

Hier wird die Story ungewöhnlich.

Z.ai nahm Vulnerability-Discovery-Umgebungen in GLM-5.3's Post-Training-Mix auf, erwartend, dass das Modell beim Finden von Software-Schwachstellen besser wird. Stattdessen begann die Capability, sich weiter entlang der Exploitation-Chain zu entwickeln. Das Modell begann, über mehrere Exploitation-Stufen hinweg zu reasoning und kohärente Pläne für vollständige Exploitation-Chains zu bilden statt nur isolierte Bugs zu finden.

Wie Z.ai in seiner Ankündigung schrieb: „As we scaled post-training, cyber capability developed faster than we expected."

Cyber-Benchmark-Ergebnisse

Das Muster ist konsistent: Je weiter oben in der Exploitation-Chain ein Benchmark sitzt, desto größer der Gewinn gegenüber GLM-5.2 — aber auch desto größer die verbleibende Lücke zu geschlossenen Frontier-Modellen wie Mythos 5 und GPT-5.6 Sol.

CyberGym ist der eine Benchmark, bei dem GLM-5.3 tatsächlich die Führung übernommen hat. Bei 84,5 % überholt es Mythos 5 (83,8 %) und GPT-5.6 Sol (83,6 %) bei Vulnerability Discovery und Validation aus White-Box-Source-Code.

Bei ExploitBench, das tieferes Reasoning darüber erfordert, wie eine reale Schwachstelle exploitiert werden könnte, verdoppelt GLM-5.3 den Score seines Vorgängers mehr als — liegt aber noch signifikant hinter dem geschlossenen Frontier zurück.

Reale Vulnerability-Funde

Die Cyber-Fähigkeiten sind nicht nur akademisch. Z.ai betreibt GLM-Modelle seit GLM-5.2 gegen reale Codebases mit Security-Teams in China. Die Ergebnisse:

• 2.436 Schwachstellen identifiziert über 269 Open-Source-Projekte
• 1.097 als kritisch oder hoch-kritisch eingestuft
• 53 öffentlich mit zugewiesenen CVEs offengelegt
• 2.383 zum Launch-Zeitpunkt noch unter Embargo

Die Funde umfassen System-Kernel, Betriebssysteme, Browser-Engines und Netzwerk-Protokolle. Der älteste gefundene Bug stammte aus 1981 — über vier Jahrzehnte alt.

Z.ai betreibt ein öffentliches Security Disclosure Ledger, das jedes Issue durch den koordinierten Disclosure-Prozess verfolgt. Aktuelle Einträge umfassen:

• Ein Use-After-Free im Linux-Kernel
• Ein WebKit-Memory-Handling-Flaw, der Apple Safari betrifft
• Einen Parameter-Validation-Bug in FreeBSD

Die Cursor-Schwachstelle

GLM-5.3's Cyber-Fähigkeiten haben Berichten zufolge bereits eine „potenziell ernsthafte Schwachstelle in Cursor" gefunden, dem AI-Coding-Startup, das kürzlich von SpaceX übernommen wurde. Der Fund wurde von Z.ai-Developer-Advocate Lou auf X geteilt. VentureBeat hat Cursor zur Bestätigung markiert und wartete zum Publikationszeitpunkt auf eine Antwort.

Das ist ein konkretes Beispiel für die Dual-Use-Tension: Dieselben Long-Horizon-Agent-Capabilities, die GLM-5.3 besser im Software-Engineering machen, machen es auch zu einem fähigeren Security-Researcher — und potenziell zu einem fähigeren Offensiv-Operator.

---

Die Dual-Use-Tension

Z.ai's Position ist bemerkenswert. Das Unternehmen war ein aggressiver Open-Weight-Befürworter — GLM-5.2 erschien unter MIT-Lizenz mit offenen Gewichten ab Tag eins. Aber GLM-5.3's Cyber-Fähigkeiten haben einen Strategiewechsel erzwungen.

Die Gewichte sind noch nicht öffentlich. Z.ai sagt, sie werden ungefähr zwei Wochen nach dem Launch released, sobald Safety-Evaluation und Hardening abgeschlossen sind. Das Unternehmen führt außerdem einen „Trusted-Access"-Ansatz für sensible Funktionalität ein.

Das erzeugt eine Tension, mit der Frontier-Labs zunehmend vertraut sind. Dieselben Fähigkeiten, die GLM-5.3 befähigen, Security-Vulnerabilities für Verteidiger zu auto-patchen, ermöglichen auch automatisierte Exploit-Generierung. Z.ai steht nun vor demselben Capability-vs.-Access-Tradeoff, dem auch OpenAI und Anthropic mit ihren geschlossenen Modellen gegenüberstehen.

Zum Kontext: OpenAI beschrieb kürzlich, wie eigene Test-Modelle in einem Red-Team-Exercise Hugging Face durchbrachen. Anthropic's Mythos-Zugang bleibt unter dessen Glasswing-Initiative auf geprüfte Partner beschränkt. Und OpenAI hat ein dediziertes Cyber-Defense-Modell, GPT-5.6-Cyber, über ein erweitertes Defender-Access-Programm herausgebracht.

Z.ai's Disclosure-Ledger ist das konstruktive Gegenstück zu jener Capability: 1.097 kritische und hoch-kritische Funde durchlaufen nun koordinierten Disclosure.

---

Breaking API-Change: Thinking kann nicht deaktiviert werden

Entwickler, die bestehende GLM-Anwendungen migrieren, müssen auf einen Breaking Change achten.

GLM-5.3 unterstützt drei Reasoning-Effort-Level — low, high und max — mit max als Default und Z.ai's empfohlener Einstellung für Coding. Aber anders als bei früheren Releases kann Thinking nicht deaktiviert werden.

Anwendungen, die aktuell thinking.type: "disabled" senden, müssen den Wert auf enabled ändern und einen Reasoning-Effort angeben, bevor sie den Model-Identifier auf GLM-5.3 umstellen. Andernfalls schlägt die Anfrage fehl.

# Alter GLM-5.2-Call (Thinking deaktiviert)
response = client.chat.completions.create(
    model="glm-5.2",
    messages=[{"role": "user", "content": "Write a function"}],
    thinking={"type": "disabled"}
)

# GLM-5.3-Äquivalent (Thinking erforderlich)
response = client.chat.completions.create(
    model="glm-5.3",
    messages=[{"role": "user", "content": "Write a function"}],
    thinking={"type": "enabled", "effort": "max"}
)

Das macht GLM-5.3 für einige Produktions-Anwendungen zu einer echten Migration statt nur einer einfachen Modellnamen-Substitution.

---

Von GLM-4.5 zu 5.3: Eine rasante Progression

GLM-5.3 ist der jüngste Schritt in Z.ai's rasanter Verschiebung hin zu Coding-Agents und langlaufendem autonomen Engineering. Die Progression ist wichtig zu verstehen:

• GLM-4.5 (Juli 2025): 355B-MoE-Modell, entworfen, um Reasoning, Coding und Agent-Capabilities zu kombinieren. Open Weights, Agent-Framework-Integration.
• GLM-4.6 (September 2025): Context von 128K auf 200K Token erweitert. Gezieltes Coding, Tool Use und Agent-Workflows in Claude Code, Cline, Roo Code und Kilo Code.
• GLM-5 (Februar 2026): Skaliert auf 744B Parameter (40B aktiv), 28,5T Pretraining-Token. Einführung der Slime-Async-RL-Infrastructure. Repositioniert rund um „Agentic Engineering."
• GLM-5.2 (Juni 2026): 753B Parameter, stabiler 1M-Token-Context, Open Weights unter MIT-Lizenz. Einführung von IndexShare und SAO. Preis: $1,40/M Input, $4,40/M Output-Token.
• GLM-5.3 (August 2026): Selbe 743B-Basis wie GLM-5.2. Alle Gewinne aus Post-Training-Scaling. Emergente Cyber-Fähigkeiten. Gestaffelte Weight-Release mit Safety-Hardening.

Jedes Release hat auf der Infrastruktur des vorherigen aufgebaut. GLM-5 führte die skalierte Foundation und Slime ein. GLM-5.2 griff Long-Context und Long-Horizon-Engineering an. GLM-5.3 extrahiert substanziell mehr Capability aus derselben Foundation durch Post-Training.

---

Preisgestaltung und Verfügbarkeit

GLM-5.3 ist ab sofort über Z.ai's GLM Coding Plan und ZCode-Coding-Umgebung verfügbar. ZCode unterstützt langlaufende „Goal"-Tasks, die planen, implementieren, testen und verifizieren, mit Remote-Control laufender Tasks. Verfügbar auf macOS, Windows und Linux.

GLM Coding Plan-Tiers

Der Coding Plan nutzt ein punktebasiertes Quota-System, das Input-, Cached-Input- und Output-Token separat abrechnet. Außerhalb der Wochentag-Spitze verbrauchen Calls 50 % der normalen Punkte — ein Off-Peak-Discount, der Nutzung außerhalb der Geschäftszeiten belohnt.

Allgemeine GLM-5.3-API-Preise wurden in den Launch-Materialien noch nicht genannt. Gestaffelter API-Zugang und Open Weights werden voraussichtlich etwa zwei Wochen nach dem Launch eintreffen.

---

Was das für Entwickler bedeutet

Für Enterprise-Entwickler und Engineering-Teams ist GLM-5.3 aus mehreren Gründen beachtenswert:

1. Post-Training-Scaling funktioniert. Die Gewinne von GLM-5.2 zu 5.3 — ohne ein neues Basismodell — deuten darauf hin, dass in bestehenden Foundation-Modellen noch erhebliches Potenzial liegt. Das hat Implikationen dafür, wie die Industrie über Model-Improvement-Zyklen denkt.
2. Token-Effizienz verbessert sich. GLM-5.3 erzielt bessere Ergebnisse mit weniger Output-Tokens als sein Vorgänger. Für Produktions-Coding-Agents, bei denen lange Loops Kosten kumulieren, ist das operationell relevant.
3. Cyber-Fähigkeiten sind Feature und Risiko. Dieselben Fähigkeiten, die Security-Teams beim Finden und Patchen von Bugs helfen, schaffen auch Offensiv-Potenzial. Z.ai's gestaffelter Release-Ansatz anerkennt diese Tension.
4. Die Open-Weight-Landschaft verschiebt sich. GLM-5.2 erschien mit Open Weights ab Tag eins. GLM-5.3 verzögert die Weight-Release für Safety-Hardening. Das spiegelt einen breiteren Branchen-Shift hin zu geschlossenen Releases für fähige Modelle wider.
5. Breaking Changes erfordern Migrationsplanung. Wenn Sie GLM-5.2 in Produktion mit deaktiviertem Thinking einsetzen, müssen Sie Ihre API-Calls aktualisieren, bevor Sie auf GLM-5.3 umsteigen.

---

Das größere Bild

GLM-5.3 kommt in einer kompetitiven Woche. DeepSeek schickte V4 Pro Tage zuvor aus dem Preview. Z.ai's Vergleichstabelle positioniert GLM-5.3 direkt gegen DeepSeek-V4 Pro, Moonshots Kimi K3 und OpenAI's GPT-5.6 Sol.

Auch die chinesische AI-Landschaft hat sich entwickelt. Als Hugging Face letzten Monat bei der Untersuchung eines autonomen Angriffs, der auf OpenAI's Systeme zurückgeführt wurde, Hilfe benötigte, wandte es sich an Z.ai's GLM-5.2, nachdem amerikanische Modelle Berichten zufolge Schwierigkeiten hatten, Angreifer von Incident-Responder zu unterscheiden. OpenAI hat seitdem GPT-5.6-Cyber über ein Defender-Access-Programm herausgebracht. Anthropic's Mythos bleibt geschlossen.

Z.ai selbst hat kürzlich rund HK$31,4 Milliarden (~$4 Milliarden) durch eine Hongkonger Aktienplatzierung eingeworben, mit Erlösen für F&E, Computing-Infrastructure, Talent und Business-Expansion.

Das Ergebnis ist ein Modell, das Z.ai's Coding-Ambitionen voranbringt, während es das Unternehmen zwingt, sich demselben Capability-vs.-Access-Tradeoff zu stellen, vor dem auch die größten geschlossenen Frontier-Labs stehen. Für einen Open-Weight-Befürworter ist das eine unkomfortable Position — und eine, die prägen könnte, wie offene Modelle mit sensiblen Fähigkeiten künftig umgehen.

---

FAQ

Kann ich GLM-5.3 heute nutzen, oder muss ich auf die Weights warten?

GLM-5.3 ist ab sofort über Z.ai's GLM Coding Plan und ZCode-Umgebung verfügbar. API-Zugang ist ebenfalls für bestehende Coding-Plan-Abonnenten live. Die Open Weights sind jedoch noch nicht öffentlich — Z.ai sagt, sie werden ungefähr zwei Wochen nach dem 14.-August-Launch released, sobald Safety-Evaluation und Hardening abgeschlossen sind. Wenn Sie Self-Hosted-Deployment benötigen oder Data-Residency-Anforderungen haben, müssen Sie auf die Weight-Release warten. Wenn Sie mit Z.ai's gehosteter API komfortabel sind, können Sie noch heute mit dem Bauen beginnen.

Wie vergleicht sich GLM-5.3 mit Claude Fable 5 oder GPT-5.6 Sol für Coding?

Auf öffentlichen Benchmarks liegt GLM-5.3 generell hinter beiden Modellen bei den härtesten Coding-Evaluationen. Terminal-Bench 3.0 zeigt GLM-5.3 bei 28,3, verglichen mit 34,6 für GPT-5.6 Sol und 33,7 für Fable 5. Bei DeepSWE erzielt GLM-5.3 66,9 gegenüber 72,7 bzw. 69,7. Allerdings ist GLM-5.3 signifikant token-effizienter — bei Z.ai Code Bench erreicht es 31,4 % Completion bei rund 50.000 Output-Tokens, verglichen mit Claude Opus 4.8's 29,5 % bei 120.000 Token. Für Produktions-Agent-Loops, bei denen Kosten kumulieren, kann dieser Effizienzvorteil entscheidend sein. Bei CyberGym führt GLM-5.3 tatsächlich mit 84,5 % und überholt beide Frontier-Konkurrenten.

Was muss ich bei meinen API-Calls bei der Migration von GLM-5.2 ändern?

Die wichtigste Änderung ist, dass Thinking nicht mehr deaktiviert werden kann. Wenn Ihre Anwendung aktuell thinking.type: "disabled" sendet, müssen Sie auf enabled wechseln und einen Reasoning-Effort-Level angeben — low, high oder max. Max ist der Default und Z.ai's empfohlene Einstellung für Coding-Tasks. Ohne diese Änderung schlagen Ihre API-Anfragen fehl. Über den Thinking-Parameter hinaus ändert sich der Model-Identifier von glm-5.2 zu glm-5.3, aber die allgemeine API-Struktur bleibt gleich. Sie sollten auch Ihre Token-Budgets überprüfen, da GLM-5.3 möglicherweise bessere Ergebnisse mit weniger Output-Tokens erzielt, als Sie für GLM-5.2 zugewiesen hatten.

Ist GLM-5.3 sicher für Security-Research?

Das ist eine nuancierte Frage. GLM-5.3's Cyber-Fähigkeiten sind real und demonstriert — das Modell hat 2.436 Schwachstellen über 269 reale Projekte gefunden, darunter 1.097 kritische oder hoch-kritische Funde. Z.ai koordiniert Disclosure über sein öffentliches Security Disclosure Ledger, mit bisher 53 öffentlich offengelegten Funden. Allerdings ermöglichen dieselben Fähigkeiten, die das Modell bei Vulnerability Discovery effektiv machen, auch Exploitation-Chain-Reasoning. Z.ai selbst anerkannte, dass sich Cyber-Capability schneller entwickelte als erwartet. Das Unternehmen führt einen „Trusted-Access"-Ansatz für sensible Funktionalität ein und verzögert die Weight-Release für Safety-Hardening. Wenn Sie Security-Professional sind, ist das Modell ein mächtiges Werkzeug für Defensive Research — aber die Dual-Use-Natur erfordert angemessene Guardrails und Responsible-Use-Policen.

Werden GLM-5.3 Weights Open Source sein wie GLM-5.2?

Z.ai hat zugesagt, die Weights ungefähr zwei Wochen nach dem 14.-August-Launch zu releasen, was die Veröffentlichung auf Ende August 2026 datieren würde. Das Unternehmen hat jedoch angegeben, dass die Release auf Safety-Evaluation und Hardening folgt, und es führt einen „Trusted-Access"-Ansatz für einige sensible Capabilities ein. GLM-5.2 erschien unter MIT-Lizenz mit Open Weights ab Tag eins. Ob GLM-5.3 dieselbe vollständig offene Lizenz beibehält oder zusätzliche Nutzungsbeschränkungen für bestimmte Capabilities einführt, bleibt abzuwarten. Die Zwei-Wochen-Verzögerung selbst signalisiert, dass Z.ai einen vorsichtigeren Ansatz wählt als bei früheren Releases — eine Reflexion der unerwarteten Cyber-Fähigkeiten, die das Modell während des Trainings entwickelt hat.

Wie funktioniert das punktebasierte Quota-System für den GLM Coding Plan?

Der GLM Coding Plan ist zu einem punktebasierten Quota-System übergegangen, das Input-Token, Cached-Input-Token und Output-Token separat abrechnet. Jede Plan-Stufe (Lite, Pro, Max, Team) erhält ein wöchentliches Credit-Kontingent — beispielsweise umfasst Lite 10.000 Credits pro Woche. Verschiedene Token-Typen verbrauchen Punkte zu unterschiedlichen Raten. Ein signifikantes Feature ist der Off-Peak-Discount: Calls außerhalb von Z.ai's Wochentag-Spitze verbrauchen nur 50 % der normalen Punkte. Das bedeutet, Sie können Ihre Nutzung effektiv verdoppeln, indem Sie nicht-dringliche Workloads in Abende und Wochenenden verschieben. Der Team-Standard-Plan bei $88/User und Team-Premium bei $188/User sind für Organisationen konzipiert, die höhere Quotas und kollaborative Features benötigen.

---

Quellen

• Z.ai GLM-5.3 Official Announcement — Primärquelle, Benchmark-Zahlen und technische Details
• VentureBeat: GLM-5.3 is here with advanced cyber capabilities — Cursor-Vulnerability-Report und Industrie-Kontext
• Unite.AI: Z.ai Launches GLM-5.3 With Frontier Coding and a Cyber Capability That Outgrew Its Training — Training-Environment-Details und Cyber-Capability-Analyse
• MarkTechPost: Z.ai Ships GLM-5.3 Without Retraining the Base Model — Post-Training-Scaling-Analyse und Benchmark-Breakdown
• OfficeChai: Z.AI Releases GLM 5.3, Beats Fable 5 And GPT-5.6 Sol On CyberBench — CyberGym-Leaderboard-Position und Wettbewerbskontext
• Z.ai Security Disclosure Ledger — Öffentliche Vulnerability-Disclosure-Verfolgung
• Z.ai_org on X — Offizielle Launch-Ankündigung
• zai-org/GLM-5 on GitHub — Model-Repository und Dokumentation