Zhipu AI: GLM-5.3 jako najsilniejszy otwarty model do kodowania

Zhipu AI opublikowało GLM-5.3 — nowy model, który chińska firma nazywa najsilniejszym obecnie dostępnym modelem programistycznym o otwartych wagach. Model bazuje na tej samej architekturze co poprzednik, GLM-5.2, a wszystkie zauważalne postępy pochodzą wyłącznie z rozszerzonego post-treningu, bez zmian w samej podstawie modelu. Według Zhipu największe skoki wydajności widać w zadaniach agentowych, czyli tam, gdzie model musi samodzielnie planować i wykonywać wieloetapowe działania.

Premiera GLM-5.3 wpisuje się w szerszy trend: chińskie i amerykańskie firmy coraz intensywniej konkurują o pozycję lidera w segmencie modeli kodujących, a otwarte wagi stają się jednym z głównych pól tej rywalizacji — podobny wyścig obserwowaliśmy niedawno przy premierze Deepseek V4 Pro, który również stawiał na agentowość i otwartość kodu.

Kluczowe wnioski

• GLM-5.3 od Zhipu AI to kolejna wersja modelu programistycznego, w której wszystkie ulepszenia wynikają z post-treningu, nie ze zmiany bazowej architektury.
• Model trenowano m.in. na danych dotyczących wyszukiwania podatności bezpieczeństwa — Zhipu twierdzi, że nauczył się rozumować wielostopniowo i budować kompletne plany łańcuchów eksploitów.
• We współpracy z zespołami bezpieczeństwa w Chinach wykryto 2 436 podatności w 269 projektach, niektóre w kodzie starym nawet 40 lat; luki zebrano w publicznym rejestrze.
• GLM-5.3 jest już dostępny w ramach GLM Coding Plan i współpracuje z agentami kodującymi takimi jak ZCode, Claude Code oraz OpenCode; wagi modelu mają zostać udostępnione jako open source za dwa tygodnie, po zakończeniu przeglądów bezpieczeństwa.
• Podobny trend widać u innych open-source’owych zespołów — np. Nous Research pokazało wcześniej, że modele treningowane na weryfikowalnych zadaniach programistycznych mogą zbliżać się do możliwości modeli komercyjnych, choć wymagają dużo więcej przykładów niż człowiek.

Cyberbezpieczeństwo jako nowy front rywalizacji

Do tej pory obszarem, w którym topowe chińskie modele — takie jak Kimi czy Qwen — zauważalnie odstawały od amerykańskich modeli frontier, było cyberbezpieczeństwo. GLM-5.3 ma to zmienić. Zhipu wytrenowało model na danych i środowiskach zaprojektowanych specjalnie do wykrywania podatności w oprogramowaniu. Według Z.ai model „zaczął rozumować w wielu etapach eksploitacji, tworząc spójne plany kompletnych łańcuchów ataku”.

Efekty tej pracy są konkretne i policzalne: współpraca z zespołami bezpieczeństwa w Chinach zaowocowała wykryciem 2 436 podatności w 269 projektach, w tym w kodzie liczącym sobie nawet 40 lat. Wszystkie znalezione błędy zostały udokumentowane w publicznym rejestrze, co pozwala na weryfikację zgłoszonych ustaleń przez zewnętrzne zespoły.

Dostępność i plan udostępnienia wag

GLM-5.3 jest już dostępny w ramach GLM Coding Plan i działa z popularnymi agentami kodującymi, w tym z ZCode, Claude Code oraz OpenCode. Zhipu zapowiada, że pełne wagi modelu trafią do otwartego dostępu w ciągu dwóch tygodni od premiery — po zakończeniu przeglądów bezpieczeństwa, co sugeruje ostrożność firmy przy publikacji modelu ze znaczącymi zdolnościami w zakresie wykrywania podatności.

Ten model rozwojowy — najpierw dostęp komercyjny, później otwarcie wag po dodatkowej weryfikacji — powtarza się w branży open-source AI i pojawiał się już wcześniej przy publikacjach modeli takich jak MAI Code 1.1 Flash od Microsoftu, który mierzył się z podobnymi wyzwaniami cenowymi i wydajnościowymi wobec konkurencji z Chin.

Szerszy kontekst: wyścig otwartych modeli kodujących

Rywalizacja o tytuł najsilniejszego otwartego modelu programistycznego nie ogranicza się do dużych firm. Na początku 2026 roku Nous Research, startup wspierany przez fundusz kryptowalutowy Paradigm, opublikował model NousCoder-14B, wytrenowany w cztery dni przy użyciu 48 procesorów graficznych Nvidia B200. Model, oparty na bazowym Qwen3–14B od Alibaby, osiągnął 67,87 proc. dokładności w benchmarku LiveCodeBench v6 — o 7,08 punktu procentowego więcej niż model bazowy.

Premiera NousCoder-14B nastąpiła w momencie, gdy Claude Code od Anthropic dominował dyskusje w sieciach społecznościowych dzięki entuzjastycznym relacjom deweloperów. Jaana Dogan, inżynierka Google odpowiedzialna za Gemini API, opisała w wirusowym poście na X, jak Claude Code odtworzył w godzinę system, który jej zespół budował rok. Nous Research postawił na inne podejście: zamiast efektownych demonstracji, firma opublikowała nie tylko wagi modelu, ale całe środowisko uczenia ze wzmocnieniem, zestaw benchmarków i infrastrukturę treningową (framework Atropos), umożliwiając innym badaczom pełną reprodukcję pracy.

Twórca modelu, Joe Li, badacz w Nous Research i byłem uczestnik zawodów programistycznych, porównał postęp modelu do swojej własnej drogi na platformie Codeforces — awans z poziomu ok. 1600–1750 do 2100–2200 punktów rankingowych zajął mu blisko dwa lata ćwiczeń między 14. a 16. rokiem życia, a model dokonał podobnego skoku w cztery dni. Zaznaczył jednak istotne zastrzeżenie: on sam rozwiązał ok. 1000 zadań w tym czasie, model potrzebował aż 24 000 — ludzie wciąż uczą się znacznie efektywniej z mniejszej liczby przykładów.

Li zwrócił też uwagę na zbliżający się problem niedoboru danych: liczba dostępnych w internecie weryfikowalnych zadań konkurencyjnego programowania jest tego samego rzędu wielkości co zbiór treningowy użyty do NousCoder-14B, co oznacza, że w tej dziedzinie zbliżamy się do granic dostępnych danych wysokiej jakości. Jako remedium wskazał generowanie danych syntetycznych oraz trenowanie modeli, które same tworzą rozwiązywalne zadania — na wzór technik samouczenia się (self-play) znanych z systemów grających w gry.

Co to oznacza dla Polski

Dla polskich firm i deweloperów rozwój otwartych modeli kodujących, takich jak GLM-5.3, oznacza rosnącą liczbę alternatyw wobec komercyjnych rozwiązań amerykańskich, dostępnych do samodzielnego hostowania i integracji z lokalną infrastrukturą. Otwarcie wag modelu — planowane przez Zhipu za dwa tygodnie po premierze — może zainteresować zespoły R&D szukające narzędzi do audytów bezpieczeństwa kodu bez konieczności korzystania z zagranicznych API. Warto jednak pamiętać, że modele wykorzystywane do wykrywania podatności w systemach informatycznych mogą podlegać przepisom dotyczącym cyberbezpieczeństwa i ochrony infrastruktury krytycznej obowiązującym w UE, a rozwój takich narzędzi warto śledzić w kontekście unijnego AI Act, który różnicuje wymogi w zależności od zastosowania modelu.

Premiera GLM-5.3 potwierdza, że wyścig o dominację w segmencie otwartych modeli programistycznych trwa na wielu frontach naraz — od możliwości agentowych, przez cyberbezpieczeństwo, po samą filozofię otwartości kodu i danych treningowych.