GPT
הוספת כלי
G

GLM-5.3

קוד פתוח

zai-orgother2026-08-25

  • transformers
  • safetensors
  • glm_moe_dsa
  • text-generation
  • conversational

מודל ענק בקוד פתוח עם דגש חריג על כתיבת קוד ואבטחת מידע. מתאים למי שחייב ביצועים קיצוניים של סוכני תוכנה ומוכן להתמודד עם עלויות חומרה כבדות.

  • 753Bפרמטרים
  • 1,048,576טוקנים בהקשר
  • 704 GBמשקל הקבצים
  • 474,141הורדות בחודש

מה זה

המודל חולק את אותו בסיס ארכיטקטוני עם קודמו בסדרה, וכל השיפור שבו מגיע מתהליכי אימון המשך. הדגש העיקרי כאן הוא משימות תכנות מורכבות וריצה ארוכת טווח בסביבות פיתוח מבודדות. התוצאות מציגות זינוק חד מול הדור הקודם, במיוחד במבחנים כמו Terminal Bench 3.0 שבו הוא קופץ מציון 4.6 לציון 28.3, ומוביל בין מודלי משקולות פתוחות.

התחום שבו הוא בולט במיוחד הוא אבטחת מידע והתקפה. במבחן CyberGym לאיתור פגיעויות הוא מגיע לציון 84.5 ועוקף מתחרים סגורים, ובמבחני ניצול חולשות כמו ExploitGym הוא יותר ממכפיל את המספרים של הגרסה הקודמת. לצד זה, במבחני תוכנה סטנדרטיים כמו NL2Repo או ProgramBench הוא עדיין מפגר מאחורי מודלים קנייניים כבדים.

מתאים ל

  • סוכני פיתוח בקונסולה

    מוביל במבחני Terminal Bench מול מודלים פתוחים ומסוגל לבצע מאות פעולות רצופות.

  • מחקר חולשות ואבטחה

    משיג תוצאות שיא ב־CyberGym ומיועד לגילוי ובדיקת שרשראות ניצול קוד.

  • אוטומציה של משימות קוד

    מציג ציון של 48.2 ב־AutomationBench לטיפול בתהליכי פיתוח מורכבים.

איפה זה נופל

המודל מוגדר רשמית רק עבור אנגלית וסינית, כך שאין שום הבטחה לגבי איכות הפלט בעברית או תמיכה בדקדוק מקומי. מעבר לזה, במשימות תכנות רחבות של פיתוח מאגר שלם הוא מקבל 58.0 ב־NL2Repo לעומת 69.7 של מתחרים מובילים. ברירת המחדל של החשיבה המרבית גורמת לו לייצר תהליכי עבודה ארוכים מאוד שדורשים מעקב צמוד.

שאלות
נפוצות

האם המודל מתאים לשימוש בעברית?

השפות היחידות שנתמכות רשמית בכרטיס המודל הן אנגלית וסינית. לא מומלץ להסתמך עליו לפרויקטים שדורשים הבנה או ייצור של טקסט בעברית ללא בדיקה מקדימה.

למה המודל מגיב לאט מאוד בפניות פשוטות?

ברירת המחדל של תקציב המחשבה מוגדרת למקסימום. אם אתם לא זקוקים לפתרון בעיות קיצוני, כדאי להעביר את הפרמטר לרמה נמוכה כדי לקצר את זמן ההמתנה.

האם כדאי להוריד אותו לתחנת עבודה מקומית?

לא. מדובר במעל 700 גיגה בייט של משקולות וארכיטקטורת ענק שמחייבת שרת ייעודי מרובה כרטיסים כדי להתחיל לפעול.

איך מריצים

להריץ מודל של 753 מיליארד פרמטרים ששוקל 704 גיגה בייט זה פרויקט תשתיתי. תצטרכו שרת עם מספר כרטיסי GPU חזקים מאוד או חומרת Ascend ייעודית, לצד שימוש בספריות כמו SGLang, vLLM או Unsloth. אם אין לכם קלאסטר ארגוני זמין, עדיף לצרוך אותו דרך ספק API חיצוני במקום לנסות להרים אותו לבד.

בזמן הריצה צריך לשים לב לשני פרמטרים. ברירת המחדל של תקציב המחשבה מוגדרת למקסימום, מה שמאט את המענה ומייקר את הריצה, ודורש שינוי מפורש לרמות נמוכות יותר אם רוצים לחסוך. בנוסף, בתרחישי שיחה רגילים יש להפעיל במפורש את המשתנה שמנקה את שרשרת החשיבה מהפלט.

from transformers import pipeline

pipe = pipeline("text-generation", model="zai-org/GLM-5.3")
print(pipe("שלום"))

הקבצים

155 קבצים במאגר, 704 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הרישיון מוגדר תחת סיווג כללי אחר. הפרטים המלאים והמגבלות על שימוש מסחרי או הפצה בתוך מוצר אינם מפורטים בכרטיס המודל, ולכן חובה לבדוק את קובץ הרישיון המדויק במאגר לפני שמשלבים אותו בפרויקט.

הרישיון המלא בעמוד המודל ↗