Beaucoup de démonstrations s’arrêtent avant la difficulté. Le modèle dessine une interface propre ou écrit une fonction plausible, puis personne ne montre le troisième test qui échoue. GLM-5.3 vise l’après : lire l’erreur, revoir le plan, expérimenter encore et rester orienté jusqu’à un résultat vérifié.
Z.ai n’a pas agrandi la base. Il a multiplié les environnements exécutables, les tâches professionnelles et le calcul de post-entraînement sur de longues trajectoires. La base ressemble à un diplômé talentueux ; le post-entraînement à son apprentissage. L’un connaît le langage de l’ingénierie, l’autre apprend quand inspecter, tester ou abandonner une mauvaise idée.
Les chiffres racontent une histoire cohérente, mais fournisseur. Terminal-Bench passe de 4,6 à 28,3, DeepSWE de 46,2 à 66,9, SWE-Marathon de 19,4 à 42,5 et AutomationBench de 26,2 à 48,2. ALE-CLI atteint 28,5. La diversité compte plus qu’un score déclaré vérité absolue.
Le Code Bench privé ajoute l’économie. Max réussit 34,5 % vers 75 000 tokens, contre 23,4 % à 96 000 pour 5.2. High atteint 31,4 % vers 50 000, devant le point Opus 4.8 cité ; Fable 5 reste à 39,5 %. Les tâches privées empêchent la reproduction, mais posent la bonne question : combien de travail vérifié par temps et tokens ?
La capacité cyber surprend : 84,5 % à CyberGym, 54,4 % à ExploitBench, avec un écart persistant sur l’exploitation profonde. L’usage raisonnable est défensif : code autorisé, bac à sable, reproduction, correctif et tests. Ce n’est jamais une permission de viser le système d’autrui.
Tous les Coding Plans et ZCode proposent 5.3 à partir de 18 $ par mois, avec points variables selon entrée, cache, sortie et horaire. L’API générale arrive plus tard, donc la comparaison à l’usage reste floue.
Enfin, la réflexion est obligatoire. Low, high et max la dosent, mais l’ancien mode désactivé échoue. Sans vision native annoncée ni essais indépendants, le #6 convient : concurrent sérieux pour sessions longues, à opposer au modèle actuel sous exactement les mêmes outils et tests.
