GLM-5.3 Max — не универсально самая дешёвая модель, а инструмент для задач, где важнее качество рассуждений, кодинга и длинного контекста, чем минимальная стоимость запроса. В срезе COMRAD404 на 31 августа 2026 года она занимает первое место с COMRAD Score 94,0. Итог вытягивают почти максимальные оценки качества, пользовательского предпочтения, программирования и доступа; главным ограничителем остаётся эффективность — 41,9 из 100.
Название в паспорте рейтинга — GLM-5.3 Max, тогда как официальный материал Z.ai описывает модель как GLM-5.3. Суффикс Max в независимых измерениях соответствует режиму максимального reasoning effort, а не обязательно отдельному набору весов. Поэтому при воспроизведении результатов важно фиксировать не только идентификатор модели, но и режим рассуждения. ([z.ai](https://z.ai/blog/glm-5.3?utm_source=openai))
Коротко
- Место: 1-е в рейтинге COMRAD404, редакция 2026 H2.
- COMRAD Score: 94,0 из 100. Это нормализованная редакционная оценка, а не вероятность правильного ответа.
- Профиль: reasoning-модель с текстовым вводом и выводом, открытыми весами и контекстом 1 000 000 токенов.
- Сильная сторона: сочетание качества, человеческого предпочтения и кодинга.
- Слабая сторона: эффективность 41,9; цена вывода заметно влияет на экономику длинных ответов и агентных циклов.
- API-срез: 1,40 доллара за 1 млн входных токенов, 4,40 доллара за 1 млн выходных токенов, 78,0 токена в секунду и 1,63 секунды до первого токена.
- Практический вывод: модель стоит рассматривать для разработки, ревью репозиториев, сложной автоматизации и анализа больших текстовых корпусов, но не выбирать автоматически для массовых дешёвых операций.
Паспорт модели
| Параметр | Значение в срезе | Как это читать |
|---|---|---|
| Модель | GLM-5.3 Max | Название в рейтинге COMRAD404 |
| Разработчик | Z.ai | Организация, указанная в паспорте |
| Дата среза | 31 августа 2026 | Значения актуальны для этой редакции |
| Место | 1 | Итоговая позиция в COMRAD404 2026 H2 |
| COMRAD Score | 94,0/100 | Редакционная нормализованная оценка |
| Reasoning | Да | Модель рассчитана на задачи с рассуждением |
| Preview | Нет | В паспорте нет статуса preview |
| Открытые веса | Да | Доступен набор весов для самостоятельного развёртывания |
| Лицензия в паспорте | MIT | Требует проверки полного текста LICENSE перед коммерческим использованием |
| Контекст | 1 000 000 токенов | Максимальный объём контекста в данном срезе |
| Artificial Analysis Index | 59,5 | Отдельная единица независимого индекса интеллекта |
| LMArena Text | 1483,9; место 15; 5820 голосов | Статистический рейтинг слепых попарных сравнений |
| LMArena Code | 1607,9; место 10 | Рейтинг Code Arena; число голосов в паспорте не указано |
| Стоимость | $1,40 вход / $4,40 выход за 1 млн токенов | Цена API в зафиксированном режиме |
| Скорость | 78,0 выходных токена/с | Наблюдаемая скорость генерации |
| TTFT | 1,63 с | Время до первого токена |
Паспорт не содержит отдельной оценки задержки на длинных запросах, максимальной длины ответа, числа голосов в Code Arena, стоимости локального инференса и гарантий доступности API. Эти показатели нельзя восстанавливать по соседним метрикам или по данным другой версии.
Место в рейтинге
Первое место GLM-5.3 Max — результат не одной громкой цифры, а сбалансированного профиля. В COMRAD404 качество имеет вес 0,40, human preference — 0,30, coding — 0,15, efficiency — 0,10, access — 0,05. При подстановке значений из паспорта получается 93,985 балла, что округляется до 94,0.
Важно не смешивать эту позицию с отдельными лидербордами. В LMArena Text модель находится на 15-м месте с рейтингом 1483,9, а в Code Arena — на 10-м с рейтингом 1607,9. Это не означает ошибку в рейтинге COMRAD404: LMArena измеряет предпочтение участников через слепые попарные сравнения, а COMRAD404 агрегирует несколько нормализованных редакционных суббаллов с заданными весами. Рейтинг LMArena не является процентом правильных ответов. ([lmarena.ai](https://lmarena.ai/leaderboard/text))
Иными словами, GLM-5.3 Max получает первое место не за абсолютное лидерство в каждом внешнем списке, а за удачное сочетание нескольких критериев. Для выбора модели это полезнее, чем механически смотреть только на один бенчмарк: пользователь может ценить кодинг и доступность сильнее, чем минимальную цену, или наоборот.
Artificial Analysis Intelligence Index 59,5 также нельзя приравнивать к COMRAD Score 94,0. Первый показатель имеет собственную методику и единицы измерения, второй — редакционная шкала COMRAD404 от 0 до 100. Разница между ними не означает противоречия и не даёт основания пересчитывать одну метрику в другую. ([artificialanalysis.ai](https://artificialanalysis.ai/models/glm-5-3/))
Разбор пяти суббаллов
| Суббалл | Оценка | Вес | Вклад в сумму | Редакционная интерпретация |
|---|---|---|---|---|
| Quality | 99,7 | 0,40 | 39,880 | Главный источник первого места; профиль рассчитан на сложные задачи |
| Human preference | 100,0 | 0,30 | 30,000 | Максимальная нормализованная оценка предпочтения людей |
| Coding | 99,5 | 0,15 | 14,925 | Сильная специализация на программировании и агентных рабочих процессах |
| Efficiency | 41,9 | 0,10 | 4,190 | Основной компромисс: качество не сопровождается минимальной стоимостью |
| Access | 99,8 | 0,05 | 4,990 | Открытые веса и наличие API делают модель доступной для разных контуров |
Все значения в таблице — нормализованные оценки от 0 до 100, а не проценты качества. Например, 100,0 в human preference не означает, что все пользователи предпочитают модель во всех задачах. Это верхняя точка редакционной шкалы конкретного рейтинга.
Профиль показывает понятный выбор приоритетов. Если ошибка в коде или неверный план обходятся дороже нескольких дополнительных долларов, низкая efficiency может быть приемлемой. Если же модель должна обрабатывать миллионы коротких запросов, тот же суббалл становится предупреждением: итоговую стоимость определят не только цена токенов, но и длина reasoning-ответов, число повторных вызовов и агентных итераций.
Что известно о модели
В официальном материале Z.ai GLM-5.3 позиционируется как модель для сложного кодинга и длинных агентных задач. Разработчик описывает обучение с усилением на многошаговых средах, где система должна работать с кодовой базой, инструментами, тестами и проверяемым результатом. Это заявление разработчика, а не независимое подтверждение любого конкретного рабочего процесса.
Официальный материал также выделяет кибербезопасностные сценарии: поиск уязвимостей, анализ исходного кода и многоэтапное рассуждение. Такие заявления полезно учитывать при планировании тестов, но их нельзя превращать в обещание автономного аудита. Для реального применения нужны изолированные контейнеры, белый список действий, ручная проверка находок и запрет на работу с системами без разрешения. ([z.ai](https://z.ai/blog/glm-5.3?utm_source=openai))
В карточке модели на Hugging Face указаны инструкции для Transformers, vLLM, SGLang и других инструментов локальной подачи. Это подтверждает наличие опубликованных материалов для самостоятельного запуска, но не означает, что любой компьютер сможет обслуживать модель с приемлемой скоростью или стоимостью. Производительность локального контура зависит от памяти, формата весов, числа ускорителей, квантования, версии движка и настроек батчинга. ([huggingface.co](https://huggingface.co/zai-org/GLM-5.3))
Возможности и сценарии
Разработка и ревью репозиториев
Наиболее естественный сценарий — работа с несколькими связанными файлами, тестами и историей изменений. Миллион токенов контекста позволяет передавать большой объём текстового проекта, но размер окна сам по себе не гарантирует, что модель одинаково хорошо использует каждый фрагмент. Для надёжности нужно проверять, какие файлы действительно были учтены, а какие только формально попали в запрос.
GLM-5.3 Max разумно использовать для анализа архитектуры, поиска причин регрессии, подготовки патчей, генерации тестов и пошагового исправления ошибок. В агентном режиме модель должна не просто написать код, а выполнить тесты, показать изменения и объяснить, какие предположения были сделаны.
Длинные агентные задачи
Reasoning-профиль полезен там, где задачу нельзя свести к одному вызову: изучить требования, составить план, изменить несколько компонентов, запустить проверки и повторить цикл после ошибки. Z.ai указывает для GLM-5.3 три уровня reasoning effort — low, high и max; отключение thinking для этой версии не поддерживается. Для кодинга разработчик рекомендует max, однако в производственном пайплайне его стоит включать только после измерения стоимости и выигрыша в качестве. ([z.ai](https://z.ai/blog/glm-5.3?utm_source=openai))
Работа с большими текстовыми массивами
Контекст 1 000 000 токенов делает модель кандидатом для сводки крупных текстовых архивов, анализа документации, сопоставления требований и поиска расхождений между версиями документов. Это именно текстовый сценарий: в паспорте и независимом описании нет основания считать GLM-5.3 Max мультимодальной моделью. Для изображений, скриншотов и PDF с графикой потребуется отдельный конвейер извлечения текста или другая модель.
Безопасность и инфраструктура
Открытые веса позволяют строить закрытый контур, но это не отменяет инженерных расходов. Для чувствительного кода локальное развёртывание может быть привлекательнее внешнего API, однако понадобится оценить закупку или аренду ускорителей, хранение весов, мониторинг, обновление движка и нагрузочное тестирование. Для security-задач обязательны разрешение владельца системы и песочница; модель нельзя наделять прямым доступом к боевой инфраструктуре без контроля.
Цена и скорость
В паспорте указана цена $1,40 за 1 млн входных токенов и $4,40 за 1 млн выходных токенов. Если условный запрос содержит 100 000 входных и 20 000 выходных токенов, ориентировочная стоимость по этой тарифной паре составит около $0,228: $0,14 за вход и $0,088 за выход. Это пример арифметики, а не обещание фиксированного счёта.
Скорость в срезе — 78,0 выходных токена в секунду, время до первого токена — 1,63 секунды. Это разные показатели: TTFT описывает задержку перед началом ответа, а tokens per second — темп последующей генерации. Длинный reasoning-ответ может начинаться быстро, но продолжаться долго; поэтому для интерактивного интерфейса и агентного сервера нужно измерять оба параметра вместе.
Цена и скорость зависят от API-провайдера, региона, режима, кеширования, нагрузки и способа измерения. Artificial Analysis отдельно предупреждает о провайдерской зависимости этих характеристик; редакционный паспорт фиксирует только конкретный срез, а не постоянные свойства любой точки доступа. ([artificialanalysis.ai](https://artificialanalysis.ai/models/glm-5-3/))
Низкий efficiency-суббалл следует воспринимать как сигнал к оптимизации: ограничивать лишнее рассуждение, использовать low или high для простых подзадач, сокращать повторную передачу неизменного контекста, ставить лимиты на итерации агента и считать стоимость завершённой задачи, а не отдельного сообщения.
Контекст, reasoning и режимы использования
Большой контекст особенно полезен, когда документы связаны между собой и выгрузка по частям создаёт риск потери зависимостей. Но передача всего репозитория в каждом вызове может быть нерациональной. На практике стоит сочетать индексирование, выбор релевантных файлов и контрольные выдержки с периодическим полным прогоном.
Для сравнения режимов зафиксируйте одинаковое задание и отдельно протестируйте low, high и max. Нельзя сравнивать дешёвый короткий ответ в low с длинным агентным прогоном в max, а затем делать вывод только по цене одного вызова. Сравнивать нужно стоимость достижения одинакового результата.
Если приложение раньше отправляло запросы с отключённым thinking, миграция потребует изменить конфигурацию. В официальном материале Z.ai указано, что для GLM-5.3 нужно включить thinking и выбрать уровень reasoning effort; иначе старый формат запроса может завершиться ошибкой. ([z.ai](https://z.ai/blog/glm-5.3?utm_source=openai))
Ограничения
- Текстовый ввод и вывод. В паспорте нет данных о поддержке изображений или аудио. Не следует считать модель мультимодальной только из-за наличия длинного контекста.
- Стоимость длинных ответов. Цена выхода выше цены входа, а reasoning и агентные циклы могут заметно увеличивать число генерируемых токенов.
- Нет гарантии одинаковой работы у всех провайдеров. Скорость, TTFT, лимиты и доступность зависят от конкретного API-контура.
- Контекст не равен памяти. Миллион токенов в окне не гарантирует точного извлечения каждой детали из большого корпуса.
- Независимые рейтинги не заменяют приёмочные тесты. LMArena показывает статистику пользовательских предпочтений, а не корректность конкретного патча или соответствие внутренним политикам компании.
- Официальные заявления требуют проверки. Заявленные возможности в кодинге и кибербезопасности не заменяют воспроизводимую оценку на собственных данных.
- Лицензионная оговорка. В паспорте COMRAD404 указана MIT, но опубликованный файл LICENSE на Hugging Face называется GLM-5.3 License и содержит специальное условие для крупных Model-as-a-Service компаний с выручкой свыше 10 млрд долларов за любой последовательный 12-месячный период. Перед коммерческим API-сервисом нужно читать первичный текст лицензии, а не только короткий ярлык карточки. ([huggingface.co](https://huggingface.co/zai-org/GLM-5.3/blob/main/LICENSE))
Лицензия и самостоятельное развёртывание
Статус open weights означает доступность весов, а не автоматически свободное программное обеспечение без условий. Для внутреннего использования, исследовательского сервера или продукта, где модель встроена в конкретную функцию, юридический профиль может быть приемлемым. Для предоставления управляемого API от имени крупной компании требуется отдельная проверка условия Model as a Service.
Технически карточка модели содержит примеры загрузки через Transformers и запуска через vLLM, а также ссылки на совместимые серверные инструменты. Перед выбором локального контура проверьте не только возможность загрузки, но и фактическую пропускную способность, расход памяти, время прогрева, устойчивость к длинному контексту и поведение при нескольких одновременных запросах. ([huggingface.co](https://huggingface.co/zai-org/GLM-5.3))
Как проверить на своей задаче
- Соберите набор задач. Включите реальные тикеты, ревью, генерацию тестов, документацию, исправление регрессий и несколько отрицательных примеров, где модель должна отказаться от необоснованного вывода.
- Зафиксируйте окружение. Запишите модельный идентификатор, reasoning effort, системный промпт, температуру, лимиты вывода, инструменты, версии SDK и API-провайдера.
- Разделите качество и экономику. Считайте корректность патча, прохождение тестов, количество ручных правок, время до результата, входные и выходные токены, число повторных вызовов и итоговую цену задачи.
- Проверьте контекст ступенчато. Используйте один и тот же набор документов при объёме 50 000, 200 000, 500 000 и около 1 000 000 токенов. Добавляйте шум, дубликаты и противоречивые версии, чтобы увидеть падение точности.
- Сравните режимы. На одинаковых задачах измерьте low, high и max. Для каждой подзадачи определите минимальный уровень, который сохраняет приемлемую точность.
- Проведите слепую оценку. Перемешайте ответы, уберите названия моделей и попросите двух разработчиков оценить полезность, полноту, безопасность и количество исправлений.
- Поставьте защитные ограничения. Для инструментального режима используйте контейнер, ограниченные права, белый список команд, тайм-ауты, подтверждение опасных действий и обязательный просмотр diff.
- Рассчитайте стоимость пилота. Примените формулу
стоимость = входные токены / 1 000 000 × 1,40 + выходные токены / 1 000 000 × 4,40, а затем добавьте стоимость инфраструктуры, логирования и повторных запусков.
Хорошим результатом пилота будет не максимальный балл в одном тесте, а доказательство, что GLM-5.3 Max стабильно доводит ваши задачи до принятого результата при понятной цене и контролируемом риске.
Вердикт
GLM-5.3 Max заслуженно выглядит сильным кандидатом для команд, которым нужна одна модель для сложного текста, программирования и многошаговой автоматизации. COMRAD Score 94,0 отражает именно это сочетание: почти максимальные quality, human preference и coding компенсируют заметно более слабую efficiency.
Выбор в её пользу рационален, если задача допускает более дорогой reasoning, требует большого текстового контекста или выигрывает от открытых весов. Выбор будет менее очевидным для массового короткого трафика, где каждый лишний токен и повторный агентный шаг увеличивают счёт. Перед внедрением стоит отдельно подтвердить качество на собственном коде, уточнить условия лицензии и измерить реальную цену завершённого рабочего процесса.
Полный контекст рейтинга, методику и место модели можно открыть на странице рейтинга COMRAD404.
FAQ
Какое место занимает GLM-5.3 Max?
В редакции COMRAD404 2026 H2 модель занимает 1-е место с COMRAD Score 94,0 из 100. Это нормализованная редакционная оценка, а не процент правильных ответов.
Почему при первом месте у модели не первое место в LMArena Text?
LMArena Text и Code Arena используют собственные статистические рейтинги слепых попарных сравнений. В паспорте GLM-5.3 Max имеет 1483,9 и 15-е место в Text, а также 1607,9 и 10-е место в Code. COMRAD404 использует другой состав критериев и веса, поэтому результаты не обязаны совпадать.
Подходит ли GLM-5.3 Max для программирования?
Да, профиль модели особенно силён в coding: соответствующий суббалл равен 99,5, а в Code Arena зафиксированы рейтинг 1607,9 и 10-е место. Для практического внедрения всё равно нужны тесты, проверка diff и измерение числа ручных исправлений.
Сколько стоит GLM-5.3 Max?
В паспорте указаны $1,40 за 1 млн входных токенов и $4,40 за 1 млн выходных токенов. Эти значения относятся к зафиксированному API-срезу и могут различаться у провайдеров, в режимах, регионах и тарифных планах.
Есть ли у модели открытые веса?
Да, в паспорте указано open_weights=true. Однако открытые веса не означают отсутствие лицензионных условий: опубликованный LICENSE содержит отдельную оговорку для крупных Model-as-a-Service компаний, поэтому коммерческое распространение нужно проверять по полному тексту лицензии.
Поддерживает ли модель изображения?
Данных о поддержке изображений в паспорте нет. Зафиксированный профиль описывает reasoning-модель с текстовым вводом и выводом; считать GLM-5.3 Max мультимодальной без отдельного подтверждения нельзя.
Какой режим reasoning выбрать?
Официальные материалы указывают уровни low, high и max. Для сложного кодинга разработчик рекомендует max, но для прикладного сервиса лучше сравнить все три режима на одинаковых задачах и выбрать минимальный уровень, который сохраняет требуемую точность.
Источники
- COMRAD404: рейтинг ИИ-моделей — место GLM-5.3 Max, COMRAD Score, пять суббаллов и методика редакции. kind: benchmark.
- Z.ai: GLM-5.3 — Frontier Coding with Emergent Cyber Capabilities — официальное позиционирование, reasoning effort, API-изменения, сценарии кодинга и агентной работы. kind: official.
- Hugging Face: zai-org/GLM-5.3 — модельная карточка, опубликованные веса, инструкции для Transformers, vLLM, SGLang и параметры reasoning. kind: model-card.
- Hugging Face: LICENSE GLM-5.3 — полный текст лицензии и условие для крупных Model-as-a-Service компаний. kind: repository.
- Artificial Analysis: GLM-5.3 (max) — независимый Intelligence Index, цена, скорость, TTFT, контекст и описание измерений. kind: benchmark.
- LMArena Text Leaderboard — статистический Text Arena rating, позиция и число голосов. kind: benchmark.
- LMArena Leaderboard — источник для результатов Code Arena, использованных в кодовом суббалле. kind: benchmark.
- ZCode Docs: GLM-5.3 Agentic Coding Guide — официальный сценарий использования модели в агентной разработке и сведения о доступных режимах продукта. kind: official.