GLM-5.3-GGUF

קוד פתוח

unslothother2026-08-28

transformers
gguf
unsloth
glm_moe_dsa
text-generation

גרסת קוד ואבטחת מידע פתוחת משקל שמתחרה ישירות בדגמים מסחריים כבדים. היא מיועדת למי שצריך יכולות ניתוח פגיעויות ותכנות אוטונומי בתוך תשתית עצמאית.

5.4 TBמשקל הקבצים
269,770הורדות בחודש
75לייקים

מה זה

המודל הזה נשען על מודל הבסיס של GLM-5.2, כשכל השיפורים מגיעים מתהליכי פוסט טריינינג ממוקדים. ההבדל העיקרי מול הדור הקודם ומול מודלים פתוחים אחרים ניכר במשימות תכנות מורכבות שמצריכות ריצה ארוכה. הוא מגיע לתוצאה של 84.5 במבחן CyberGym לגילוי חולשות, ועוקף שם גם שירותים מסחריים סגורים.

בבדיקות פריצה ואקספלויטציה כמו ExploitBench הוא הגיע לציון 54.4 לעומת 24.4 בגרסה הקודמת, מה שמלמד על קפיצה ביכולת להבין שרשראות תקיפה ולא רק לסמן נקודות תורפה בקוד. בתחום האוטומציה של סוכנים הוא משיג 48.2 ב AutomationBench, תוצאה שמציבה אותו בשורה הראשונה לטיפול עצמאי במשימות טרמינל.

מתאים ל

סריקת קוד לחולשות אבטחה
מגיע לתוצאות גבוהות במיוחד ב CyberGym ומזהה פגיעויות עמוקות בשרשרת הניצול.
סוכן טרמינל אוטונומי
מציג ביצועים טובים ב Terminal Bench 3.0 ומסוגל להריץ פקודות בסביבת לינוקס סגורה.
פתרון באגים במאגרים קיימים
רושם ציון 66.9 במבחן DeepSWE לתיקון תקלות תוכנה אמיתיות שדורשות זמן עבודה ארוך.

איפה זה נופל

התמיכה מוגדרת לאנגלית ולסינית בלבד, כך שאי אפשר לבנות עליו לפעולות בעברית בלי התאמות. מעבר לזה, במבחני תכנות ספציפיים הוא מפגר משמעותית אחרי מודלים מסחריים מובילים. ב ProgramBench הוא השיג 19.0 בלבד לעומת 33.0 של Fable 5, וב NL2Repo הוא נעצר על 58.0 מול 69.7 של המתחרים, מה שמראה קושי בבניית מאגרי קוד שלמים מאפס.

שאלות
נפוצות

איך שולטים על זמן החשיבה של המודל בזמן פיתוח?

השליטה נעשית דרך הפרמטר reasoning effort שמאפשר לבחור בין שלוש רמות. ברירת המחדל היא מקסימום, ואם רוצים לחסוך זמן ריצה צריך להגדיר ידנית רמה נמוכה או גבוהה.

האם המודל מתאים ליישומי שיחה רגילים?

הוא נבנה בעיקר למשימות תכנות וסוכנים, אך אם משתמשים בו בצ'אט צריך להגדיר במפורש את הפרמטר clear thinking כחיובי בתבנית השיחה, אחרת הוא שומר על אופי ריצה פנימי.

איך מריצים

המאגר כולל 144 קבצים בנפח כולל של 5.4 טרה בייט, כך שלא מדובר בהורדה פשוטה למחשב פיתוח רגיל. בשביל להריץ אותו יש צורך במערך שרתים ייעודי מרובה כרטיסי מסך, או בשימוש באפליקציית Unsloth Desktop שמאפשרת לנהל את דרגות החשיבה שלו ישירות.

ברירת המחדל מפעילה תקציב חשיבה מקסימלי, שחיוני לשחזור תוצאות המבחנים אבל גובה זמן חישוב משמעותי. אם המטרה היא בדיקה נקודתית או שאין ברשותכם חוות שרתים עם נפח זיכרון עצום, פנייה לשירות ענן או ספק שמארח אותו דרך ממשק מרוחק תהיה פתרון הרבה יותר מעשי מהרצה עצמית.

ollama run hf.co/unsloth/GLM-5.3-GGUF:Q8_0

איזו גרסה

אותו מודל בכמה רמות דחיסה. ככל שהמספר נמוך יותר הקובץ קטן יותר ורץ על פחות זיכרון, והתשובות נהיות פחות מדויקות. רוב האנשים רוצים את הגדולה ביותר שנכנסת להם בזיכרון.

הקבצים

144 קבצים במאגר, 5.4 TB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון מוגדר כ other ולא מסופק תחת רישיון קוד פתוח סטנדרטי כמו אפאצ'י או MIT. הפרטים המדויקים לגבי שימוש מסחרי, הפצה בתוך מוצר או הגבלות שימוש לא מפורטים בכרטיס, ולכן חובה לבדוק את תנאי ההסכם של המפתחים המקוריים לפני שילוב שלו בסביבה מסחרית.

הרישיון המלא בעמוד המודל ↗