GLM-5.3はオープンウェイトでローカル実行できますか？

Z.ai | 1,048,576トークンコンテキスト | 入力$0.08/M、出力$4.80/M。GLM-5.3はZ.aiの大規模推論モデルで、複雑なソフトウェアエンジニアリングと長期エージェントタスク向けに構築されています。1Mトークンのコンテキストウィンドウでテキスト入出力をサポートし、GLM-5.2に比べてコーディング性能とパフォーマンスとトークン効率のバランスが向上しています。推論は常に有効で無効化できません。推論努力レベルlow、high、maxをサポートし、maxがデフォルトです。

このモデルのガイド

Ollama vs LM Studio (2026)：どのローカルAIアプリを使うべきか、それぞれが動かすトップモデルは？

ローカルAIに実際どれくらいのVRAMが必要？

GGUFファイルとは？量子化モデルの解説（Q4、Q8、fp8、NF4）

すべてのガイド

キャプテンのメモ

Captainによる、ハウスエディター執筆

2026-10-13のメモ

GLM-5.3はZ.aiのオープンウェイト推論モデルで、複雑なソフトウェアエンジニアリングや長期的なエージェントタスクを中心に構築され、100万トークンのコンテキストウィンドウを持ちます。GLM-5.2と同じベースに対する後処理での改善がすべてであり、特に多段コーディングと攻撃的セキュリティに大きな進歩があります。ローカルで実行可能な有能なコーディング・エージェントモデルを求める開発者や研究者に適しています。

得意分野

オープンモデルとしてTerminal Bench 3.0とAgents' Last ExamでSOTA
Z.ai内部ベンチマークでGLM-5.2比約50%のコーディング改善
CyberGymの脆弱性発見・悪用タスクでオープンウェイトモデルのトップ
長いコードベースやドキュメント重視のエージェントパイプライン向けの100万トークンコンテキスト
推論は常に有効で、3段階の努力レベル（低・高・最大）を持ち、デフォルトは最大

注意点

推論を無効にできないため、不要なタスクではトークンコストが高くなる。
出力は100万トークンあたり4.80ドルと高価なので長いエージェント実行は予算に注意。
メーカー自身が予期より速いサイバー能力の出現を指摘しており、無監視環境での展開は慎重に。

最適な用途

試してみるプロンプト

複数ファイルのリファクタリングデバッグ

Pythonサービスがmain.py、db.py、models.pyの3ファイルに分かれています。ORM層をasync SQLAlchemyにリファクタリングした後、実行時にMissingGreenletエラーが発生します。各ファイルの原因を推測し、非同期セッションのライフサイクル問題を説明し、FastAPIでの依存性注入の修正パターンを示してください。

長期的エージェント計画

GitHubリポジトリをクローンし、すべてのAPIエンドポイントを特定し、それぞれの統合テストを書き、サンドボックス環境で実行し、テストカバレッジレポート付きのプルリクエストを作成する自律エージェントのステップ実行計画を作成してください。必要なツール、各ステップの失敗モード、回復方法をリストアップしてください。

セキュリティ脆弱性の追跡

以下のPython Flaskルートはファイル名パラメータを受け取り、ディスクからファイルを読み込みます。脆弱性の種類を特定し、攻撃者がどのように悪用するか説明し、既存のAPI契約を壊さずに穴を塞ぐための最小限の修正を加えた関数を書き直してください。 @app.route('/download') def download(): name = request.args.get('file') return open(f'/var/data/{name}').read()

比較する

GLM 5.3 FlashX
API専用モデル
1,048,576トークンのコンテキスト · $0.37/M 入力、$1.25/M 出力
GLM 5V Turbo
API専用モデル
202,752トークンのコンテキスト · $1.20/M 入力、$4.00/M 出力
GLM 5 Turbo
API専用モデル
202,752トークンのコンテキスト · $1.20/M 入力、$4.00/M 出力
GLM 5.3 Prime
API専用モデル
1,000,000トークンのコンテキスト · $2.80/M 入力、$8.80/M 出力

z-aiの他のテキストモデル

よくある質問

GLM-5.3はオープンウェイトでローカル実行できますか？: はい。ウェイトはHugging Faceのzai-org/GLM-5.3に公開されており、ご自身のハードウェアでモデルを実行可能です。
GLM-5.3の価格とコンテキスト長は？: Z.aiのAPI経由で入力は100万トークンあたり0.08ドル、出力は100万トークンあたり4.80ドルで、1,048,576トークンのコンテキストウィンドウを持ちます。
GLM-5.3はGLM-5.2とどう違いますか？: 両者は同じベースモデルを共有し、GLM-5.3の改善はすべて後処理によるもので、特に複雑なコーディングタスクと攻撃的セキュリティベンチマークでGLM-5.2のスコアを倍増させています。

キャプテンの評価
難しいコーディングやエージェントタスクに対して頼るべきオープンウェイトモデルであり、サイバー能力は慎重な運用を要します。

Hugging Faceのモデルカード

キャプテンはモデルの説明とモデルカードからこれらのメモを書いています。価格やコンテキストサイズは執筆時点の提供元のもので、変更されることがあります。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #25 Hottest AI model · #10 Hottest Text / LLM model · #10 Hottest Text / LLM text model

Not this creator?

Get your own badge

GLM 5.3 の人気トレンド

18 Aug 2026以降のヒートスコア

ヒートスコア

9,226°

今週

▲

61.9%

9,162° 当時、9,226° 今

今月

▲

1,283%

8,881° 当時、9,226° 今

過去1年

n/a

まだリリース/追跡されていません

7,000°

基準値

スケールは0°から9,999°までです。7,000°未満はまだどのソースも報告していないモデル用に確保されており、リストを完全に保つために仮の数値が割り当てられています。7,000°が実際のデータが始まる地点で、実データがほとんどないモデルはここに位置し、それより上の度数が測定値です。基準値自体はモデルについて何も示さず、上の度数だけがモデル間の違いを示します。

+1,852°

OpenRouterトークン

このモデルは過去30日間にOpenRouter経由で14,906,750,510,237トークンを処理しました。プロンプトと回答の合計です。10,000,000トークンごとに1ダウンロードとしてカウントし、合計1,490,675です。最終日のトークンは採用率に加算されます。出典：OpenRouter (openrouter.ai/rankings)。

+374°

普及率

ソースの2回の読み取り間で測定された1日あたり約98,104回のダウンロードです。生涯平均からの推測ではありません。速度はダウンロード項目の4分の1の重みで、新しい急増を示しつつ、1日の急激な増加が何年もの使用を上回らないようにしています。

詳細な内訳を表示

このサイトのすべての数字は確認できます。このモデルのヒートスコアは9,226°で、ここでは一つずつ要素を積み上げていき、各段階の合計を示しています：基準値、各ソースが加える度数、モデルの種類によるボーナス、そして重みの年齢による減算。色は上のチャートの帯を表しています。最後の用語集で全ての用語を定義しています。

1
基準値から始めます。
なぜ7,000°でゼロではないのか：スケールは0°から9,999°までで、7,000°未満はまだどのソースも報告していないモデル用に確保されており、仮の数値が割り当てられてリストを完全に保ち、データのあるモデルより上位にならないようにしています。7,000°が実際のデータが始まる地点です。実データがほとんどないモデルはここに位置し、それ以降が測定値で、基準値の上には10段階の10倍増が300°ずつあります。基準値はすべてのモデルで同じなので、何も決めません。違いを決めるのはその上の度数です。
7,000°
累計合計
2
ダウンロード数を加算します。
合計でOpenRouterトークンから1,490,675のダウンロード相当数。ダウンロード数が10倍になると同じ300°が加算されるので、サイズは重要ですがスコアを独占することはありません。
+1,852°
8,852°
累計合計
3
普及率を追加します。
現在、2回の計測間で約98,104ダウンロード/日で、重みは4分の1です。
+374°
9,226°
累計合計
=
ヒートスコア。
このモデルがこのサイトのすべてのリストでどの位置にいるか。これ以外の調整はありません。
9,226°

用語集：ここで使われている用語

ヒートスコア: モデルが今どれだけ使われていて求められているかを示す1つの数字。0°から9,999°まで。ここで「最も熱い」と言われるすべてのリストはこれで並べられています。
フロア: 実データのあるすべてのモデルが7,000°からスタートする基準点。スケールは0°から9,999°までで、フロア以下はデータのないモデル用に確保されているので、データのあるモデルは必ず上位になります。フロアは全員共通で順位には影響しません。フロアを超えた度数が実際の評価です。
ダウンロード相当数: スコアがダウンロードとして扱うすべてのものを合計：ダウンロードそのもの、各トレントシーダーは1,000、各AI Horde画像と生成サイトでの実行は1としてカウント。
対数スケール: 1ずつではなく10ずつ数えます：1,000から10,000ダウンロードに増えるのは、10,000から100,000に増えるのと同じ度数を加算。巨大なものが他を圧倒しないようにしています。
いいね: すべてのソースからのサムズアップといいね。対数スケールでダウンロードの半分の価値があります。
普及率: 2回の計測の差からわかる、今の1日あたりのダウンロード数。ダウンロード項目の4分の1の重みです。
測定済みと推定: 測定済みは、あるソースの2つの読み取り値が存在し、その差が実際のものであることを意味します。推定は、今日の合計だけがわかっていて、過去の値はモデルの寿命にわたって分配されていることを意味します。サイトはどちらを表示しているかを示します。
シーダー: トレント経由で他の人がダウンロードできるように重みのコピーをオンラインで保持している人、または同じことをするホストされたミラーのことです。それぞれが1,000ダウンロードとしてカウントされます。
AI Horde: 寄付されたコンピューターで無料で画像を生成するボランティアネットワークです。モデルで作成した画像の数は公開されており、それぞれが1ダウンロードとしてカウントされます。
生成サイト: PixAI、SeaArt、Yodayoのように、自分のモデルのコピーをホストして人々が生成できるサイトです。これらのダウンロードはCivitaiのものと同じようにカウントされ、各生成実行が1ダウンロードとして数えられます。
OpenRouterトークン: ClaudeやGPTのようなAPI経由で提供されるテキストモデルはダウンロードする重みがなく、その利用はトークン数で測定されます。トークンとはOpenRouterを通じて読み書きされたテキストの断片で、OpenRouterは多くのアプリが利用するゲートウェイです。過去30日間のトークン数を10,000,000トークンごとに1ダウンロードとしてカウントします。出典：OpenRouter (openrouter.ai/rankings)、CC BY 4.0。
完全モデル（チェックポイント）: 重みそのもので、単独で生成を行うファイルです。アドオンがこれに依存しているためボーナスがつきます。
LoRAと埋め込み: 他人の重みを特定のスタイル、キャラクター、コンセプトに向けて調整する小さなアドオンファイルです。単独では動作しません。
ファミリーと重み: モデルが基づいているベースで、SD 1.5、SDXL、Flux、Wanなどがあります。すべてのモデルはそのファミリーの重みのリリース日を継承します。
年齢: ファミリーの重みがリリースされてからの経過時間に応じて減点されます：1年で150°、最大750°まで。古いダウンロードはリストの上位を凍結して積み上げられます。
ファミリーブースト: このサイトが現在推しているファミリーのLoRAに対する小さく制限された後押しで、常に内訳に表示されます。
代替スコア: まだソースから報告がないモデルに与えられる安定した最低値で、リストが完全なままでいられます。データのあるモデルより上位には決してなりません。
新着！(猶予期間): 7日未満の新しいモデルはスコアの代わりに「新着！」と表示され、ランキングには入りません。スコアは初日から計算されますが、1日目のモデルは非常に急速に成長するため、猶予期間なしでは常に昨日リリースされたモデルが今週の#1になってしまいます。
トレンド: ある期間におけるモデルの成長が、同じ期間の典型的なモデルの成長と比べてどうかを示します。典型より速ければ上昇、遅ければ下降と読みます。
典型的なモデル: カタログの真ん中にあたるモデルで、数値があるモデルの半分はこの期間により速く成長し、半分は遅く成長しています。

このモデルの人気がカタログ全体と比べてどう動いたかを示してるよ。期間ごとのダウンロード数、いいね数、使用数の伸びを、同じ期間の普通のモデルの伸びと比べてる。熱スコアもその時点のものだよ。普通の伸びより上なら人気が上がってる、下なら下がってるってこと。過去のデータは今日の合計、モデルの初日、ダウンロード速度の2回の計測から再構成してる。期間の初めに存在しなかったモデルはn/aになるよ。