GLM-5.3 est le modèle flagship de Zhipu AI (Z.ai), sorti le 14 août 2026. Il partage la même base que GLM-5.2 (753 milliards de paramètres, architecture MoE, context window d'un million de tokens). Tout le gain de performance vient du post-training : plus d'environnements, plus de tâches, plus de compute. Les poids open source arrivent sur Hugging Face dans deux semaines après revue de sécurité.

Quelle est la différence entre GLM-5.2 et GLM-5.3 ?

Le modèle de base est identique. Z.ai n'a pas changé l'architecture ni les paramètres. La différence est entièrement dans le post-training : Z.ai a entraîné le modèle plus longtemps sur des tâches de code, des environnements de cybersécurité, et des exercices longs (certains prenaient des jours). Résultat : 50% de mieux sur les benchmarks de code agent, records sur Terminal Bench 3.0, et 2 436 vulnérabilités trouvées.

GLM-5.3 est-il open source ?

Pas encore. Le modèle est disponible via le GLM Coding Plan de Z.ai depuis le 14 août 2026. Les poids seront publiés sur Hugging Face sous licence open source dans deux semaines, après une revue de sécurité. GLM-5.2 était en licence MIT, mais la licence de GLM-5.3 n'est pas encore annoncée.

Pourquoi le post-training sans pré-entraînement est important ?

Le pré-entraînement (apprendre à prédire des tokens sur tout internet) coûte des centaines de millions de dollars et prend des mois. Le post-training (apprendre à raisonner, utiliser des outils, résoudre des tâches) est plus rapide et moins cher. Z.ai a pris un modèle de juin 2026 et en a fait un modèle frontier en deux mois sans toucher la base. Ça montre que le levier de progression des modèles n'est plus seulement dans la taille, mais dans ce qu'on leur apprend à faire.

GLM-5.3 peut-il trouver des vulnérabilités de sécurité ?

Oui. Z.ai a entraîné GLM-5.3 avec des environnements de cybersécurité. Le modèle a trouvé 2 436 vulnérabilités dans 269 projets open source, dont une dans du code vieux de 40 ans. Il dépasse Claude Mythos 5 sur CyberGym. Z.ai publie les failles dans un registre public (cvd.z.ai) et prend une approche par étapes pour la libération des poids, à cause des risques dual-use.

Actualité · Modèles IA

GLM-5.3 : le post-training bat le pré-entraînement, et c'est tout le modèle qui change

16 août 2026 · 5 min de lecture

Illustration aquarelle d'un petit robot astronaute violet artisan à son établi, sculptant une figurine raffinée à côté d'un bloc d'argile brut non touché, symbolisant le post-training qui affine un modèle sans changer sa base

Zhipu AI a sorti GLM-5.3 le 14 août 2026. Même architecture, même base, mêmes 753 milliards de paramètres que GLM-5.2. Tout le gain vient du post-training. Et le gain est gros : records sur les benchmarks de code, 2 436 vulnérabilités trouvées dans des projets open source, modèle au niveau frontier sur le raisonnement agentique.

La phrase d'accroche de Z.ai est simple : "Scaling post-training is all we did for GLM-5.3." Pas de nouveau pré-entraînement, pas de paramètres supplémentaires. Juste plus d'environnements d'entraînement, plus de tâches diversifiées, plus de compute passé dessus.

C'est un signal pour tout le monde qui apprend l'IA : le levier n'est plus seulement dans la taille du modèle. Il est dans ce que tu fais avec après.

Ce qu'est GLM-5.3

GLM-5.3 est le nouveau modèle flagship de Zhipu AI (Z.ai), le lab chinois derrière la famille GLM. Le modèle partage sa base avec GLM-5.2, sorti en juin 2026 : architecture MoE (mixture of experts), 753 milliards de paramètres totaux, 40 milliards actifs par token, context window d'un million de tokens.

La différence entre 5.2 et 5.3 : le post-training. Z.ai a pris exactement le même modèle de base et l'a entraîné plus longtemps, sur plus de tâches, dans plus d'environnements. Le résultat : des scores qui montent sans que le modèle grossisse.

GLM-5.3 est disponible depuis le 14 août via le GLM Coding Plan de Z.ai. Les poids open source arrivent sur Hugging Face dans deux semaines, après revue de sécurité. La licence n'est pas encore annoncée, mais GLM-5.2 était en MIT.

Les perfs : fort sur le code, au niveau frontier sur l'agentique

Sur Terminal Bench 3.0 (qui mesure la capacité à utiliser la ligne de commande), GLM-5.3 a le meilleur score de tous les modèles open source. Sur un benchmark interne de Z.ai pour évaluer les agents de code, il fait 50% de mieux que GLM-5.2.

Le modèle dépasse Kimi K3 de Moonshot AI sur plusieurs benchmarks, et sur certains il dépasse Claude Fable 5 ou GPT-5.6 Sol. C'est le premier modèle open source qui se place au niveau frontier sur le raisonnement agentique, avec un tiers des paramètres de Kimi K3.

Benchmark	GLM-5.3	GLM-5.2	Claude Fable 5	GPT-5.6 Sol
Terminal Bench 3.0	Record open source	-	14,6%	20,8%
Code agent (interne Z.ai)	+50% vs 5.2	base	-	-
CyberGym (vulnérabilités)	Devant Claude Fable 5	-	base	-

Les benchmarks sont fournis par Z.ai. Pas d'évaluation indépendante pour l'instant. Artificial Analysis, un service de benchmarking indépendant, a donné 58 sur son Intelligence Index à Qwen 3.8 Max (sorti le 3 août). GLM-5.3 n'a pas encore de score indépendant. La prudence de rigueur.

Cybersécurité : 2 436 vulnérabilités trouvées

La partie qui fait parler : Z.ai a entraîné GLM-5.3 avec des environnements conçus pour trouver des vulnérabilités. Le modèle a commencé à raisonner sur plusieurs étapes d'exploitation, formant des plans complets pour des chaînes d'exploitation.

Résultat : 2 436 vulnérabilités trouvées dans 269 projets open source. La moitié a une sévérité medium ou supérieure. Une des vulnérabilités est dans du code écrit il y a 40 ans. Z.ai a publié un registre public (cvd.z.ai) qui documente les failles.

GLM-5.3 dépasse Claude Mythos 5 sur CyberGym, un benchmark qui évalue la capacité à trouver des vulnérabilités. Il reste derrière sur deux autres benchmarks de cybersécurité. La capacité est là, elle n'est pas universelle.

C'est un double tranchant. Z.ai le reconnaît et prend une approche par étapes : les partenaires de sécurité évaluent d'abord, l'accès API viendra ensuite, les poids open source dans deux semaines. Le modèle a un classifieur de requêtes et un monitoring des chaines de pensée.

Comment le post-training a marchÉ

Z.ai a construit des sandboxes qui imitent des postes de développeur. Des agents IA généraient ces environnements en modélisant des projets réels, puis créaient des exercices de programmation adaptés. Un "juge agent" vérifiait que les exercices étaient solvables avant de les donner au modèle.

Certaines tâches prenaient des jours à compléter. Ça améliore la capacité du modèle à travailler sur des tâches longues (long-horizon), ce qui est exactement ce que demandent les agents de code.

Z.ai a automatisé une partie du pipeline de reward signal avec deux outils open source : slime (pour déplacer le modèle de l'entraînement vers la production) et SAO (apprentissage par renforcement asynchrone, qui accélère les runs). Le tout est construit sur du RL (reinforcement learning), pas du distillation de modèles fermés.

Le débat sur la distillation est vif. Certains estiment que les labs chinois progressent en copiant les modèles américains. L'analyse de Z.ai suggère le contraire : ils ont une infrastructure RL, des environnements d'entraînement, et des algorithmes pour les mixer. Tu ne distilles pas des environnements RL.

Un exemple chez Maisons&Mobilia

Pierre, développeur chez Maisons&Mobilia (M&M, enseigne de meubles fictive), utilise un agent IA pour auditer le code de son application e-commerce. L'agent scanne les dépôts, cherche les failles de sécurité, et produit un rapport. Aujourd'hui il utilise Claude Sonnet 5 via l'API.

Pierre teste GLM-5.3 sur le même dépôt. Le modèle trouve trois vulnérabilités que l'audit précédent avait manquées, dont une dans une librairie vieille de plusieurs années. Le rapport est plus détaillé que celui de Sonnet 5 sur les chaînes d'exploitation : il explique comment combiner les failles pour remonter jusqu'aux données.

La limite : GLM-5.3 est text-only. Pas de vision. Si Pierre a besoin d'analyser des captures d'écran ou des mockups, il garde un autre modèle. Et le modèle n'a pas encore de score indépendant : Pierre teste sur son code avant de décider.

L'intérêt pour Pierre : les poids open source arrivent dans deux semaines. Il pourra faire tourner le modèle en local sur une infrastructure avec assez de GPU, sans payer l'API. Pour un audit de sécurité régulier, c'est un changement de coût.

Pourquoi le post-training change la donne pour toi

Si tu apprends l'IA aujourd'hui, l'histoire de GLM-5.3 t'apprend quelque chose de concret. Le pré-entraînement (apprendre à prédire le prochain token sur tout internet) coûte des centaines de millions de dollars. Le post-training (apprendre à raisonner, utiliser des outils, résoudre des tâches) coûte moins cher et progresse plus vite.

Z.ai a pris un modèle de juin et en a fait un modèle frontier en deux mois, sans toucher la base. C'est le post-training qui fait la différence. Le modèle de base est le même. Ce que tu changes, c'est ce que tu apprends au modèle à faire avec ce qu'il sait.

Pour toi, ça veut dire : le modèle que tu utilises aujourd'hui va s'améliorer sans que tu changes de version. Les labs vont poster plus vite, parce que le post-training est plus rapide que le pré-entraînement. Et la taille du modèle (le nombre de paramètres) n'est plus le seul indicateur de qualité.

Aller plus loin

Pour comprendre ce qu'est le post-training et pourquoi il change la trajectoire des modèles, notre article sur comment fonctionne un LLM détaille les tokens, l'attention et le rôle du post-training. Pour voir comment les agents utilisent ces modèles en pratique, le guide sur comment fonctionne un agent IA pose les bases. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les LLM, les agents et le post-training, en français, sans coder.

Sources

Questions fréquentes

C'est quoi GLM-5.3 ?: GLM-5.3 est le modèle flagship de Zhipu AI (Z.ai), sorti le 14 août 2026. Il partage la même base que GLM-5.2 (753 milliards de paramètres, architecture MoE, context window d'un million de tokens). Tout le gain de performance vient du post-training : plus d'environnements, plus de tâches, plus de compute. Les poids open source arrivent sur Hugging Face dans deux semaines après revue de sécurité.
Quelle est la différence entre GLM-5.2 et GLM-5.3 ?: Le modèle de base est identique. Z.ai n'a pas changé l'architecture ni les paramètres. La différence est entièrement dans le post-training : Z.ai a entraîné le modèle plus longtemps sur des tâches de code, des environnements de cybersécurité, et des exercices longs (certains prenaient des jours). Résultat : 50% de mieux sur les benchmarks de code agent, records sur Terminal Bench 3.0, et 2 436 vulnérabilités trouvées.
GLM-5.3 est-il open source ?: Pas encore. Le modèle est disponible via le GLM Coding Plan de Z.ai depuis le 14 août 2026. Les poids seront publiés sur Hugging Face sous licence open source dans deux semaines, après une revue de sécurité. GLM-5.2 était en licence MIT, mais la licence de GLM-5.3 n'est pas encore annoncée.
Pourquoi le post-training sans pré-entraînement est important ?: Le pré-entraînement (apprendre à prédire des tokens sur tout internet) coûte des centaines de millions de dollars et prend des mois. Le post-training (apprendre à raisonner, utiliser des outils, résoudre des tâches) est plus rapide et moins cher. Z.ai a pris un modèle de juin 2026 et en a fait un modèle frontier en deux mois sans toucher la base. Ça montre que le levier de progression des modèles n'est plus seulement dans la taille, mais dans ce qu'on leur apprend à faire.
GLM-5.3 peut-il trouver des vulnérabilités de sécurité ?: Oui. Z.ai a entraîné GLM-5.3 avec des environnements de cybersécurité. Le modèle a trouvé 2 436 vulnérabilités dans 269 projets open source, dont une dans du code vieux de 40 ans. Il dépasse Claude Mythos 5 sur CyberGym. Z.ai publie les failles dans un registre public (cvd.z.ai) et prend une approche par étapes pour la libération des poids, à cause des risques dual-use.