GLM-5.3이 보여주는 코딩 AI의 새로운 성능 경쟁
코딩 AI의 경쟁 기준이 모델 크기뿐 아니라 사후 훈련의 깊이로 확장되고 있다. Zhipu AI가 2026년 8월 14일 공개한 GLM-5.3은 기존 기반 모델을 유지하면서 코딩과 도구 사용 능력을 크게 끌어올린 사례다.1
Zhipu AI는 GLM-5.3을 가장 강력한 오픈웨이트 코딩 모델이라고 주장한다. 오픈웨이트는 학습된 가중치를 내려받아 직접 운영하거나 수정할 수 있다는 뜻이다. 다만 출시 시점에는 가중치가 즉시 공개되지 않았으므로, 이 주장은 공개 이후의 독립적인 검증과 재현 결과를 통해 확인할 필요가 있다.
더 큰 모델 대신 사후 훈련을 확장했다
GLM-5.3은 이전 모델인 GLM-5.2와 동일한 기반 모델을 사용한다. GLM-5.2는 약 7,430억 개의 매개변수를 갖춘 전문가 혼합(MoE) 모델로, 작업에 필요한 전문가 부분만 선택해 작동한다.1
성능 향상의 핵심은 새 사전학습이 아니라 확장된 사후 훈련이다. Zhipu AI는 장시간 코딩 작업과 도구 사용 환경을 늘리고 강화학습을 확장했다. 그 결과 Z.ai 내부 코드 벤치마크에서 GLM-5.3은 GLM-5.2보다 약 50% 높은 성능을 기록했다.2
외부 시험에서도 긴 작업을 수행하는 능력이 두드러지게 개선됐다.
Terminal-Bench 3.0: 4.6에서 28.3으로 상승
DeepSWE v1.1: 46.2에서 66.9로 상승
Agents' Last Exam CLI: 23.8에서 28.5로 상승1
이 수치는 GLM-5.3의 개선이 단순한 코드 조각 생성에 그치지 않고, 여러 단계의 작업을 이어 가며 완료하는 능력에 집중됐음을 보여준다. 즉, 모델 크기를 키우지 않고도 사후 훈련의 규모와 품질을 높여 에이전트형 코딩 성능을 개선할 수 있다는 의미다.
보안 역량은 효용과 위험을 함께 높인다
향상된 코딩 능력은 취약점 분석에도 적용됐다. Zhipu AI는 중국 보안팀들과 269개 프로젝트를 검사해 취약점 2,436개를 발견했다고 밝혔다.1 방어 조직의 관점에서는 오래된 코드와 대규모 저장소를 빠르게 점검하는 데 활용할 수 있는 가능성을 보여준다.
그러나 높은 보안 분석 능력을 갖춘 오픈웨이트 모델은 공격 목적으로도 사용될 수 있다. 따라서 도입 여부를 판단할 때는 벤치마크 점수만 볼 것이 아니라 다음 요소도 함께 검토해야 한다.
가중치의 실제 공개 범위와 라이선스
운영 환경에서 적용되는 안전장치
발견된 취약점의 검증 및 공개 절차
조직 내부 코드와 민감 정보의 처리 방식
실제 도입 전 확인할 사항
GLM-5.3은 GLM Coding Plan에서 제공되며 ZCode, Claude Code, OpenCode와 연동된다.1 다만 공개 벤치마크의 성과가 모든 개발 환경에서 그대로 재현되는 것은 아니다.
실제 도입 전에는 자체 저장소와 업무 흐름을 기준으로 다음 항목을 비교하는 것이 실용적이다.
복수 단계 작업의 완료율
생성된 수정 사항의 정확성과 회귀 오류
작업당 토큰 사용량과 비용
기존 개발 도구와의 연동 안정성
보안 검토와 사람의 승인에 필요한 시간
요약
GLM-5.3의 핵심은 더 큰 기반 모델이 아니라 확장된 사후 훈련이다. 동일한 GLM-5.2 기반에서도 코딩과 도구 사용 성능을 크게 높였다는 점은 주목할 만하다. 다만 “가장 강력한 오픈웨이트 코딩 모델”이라는 평가는 가중치 공개 이후의 독립 검증과 실제 저장소에서의 성능 비교를 거쳐 판단해야 한다.
1GLM-5.3 -- Post-Training Scaling, Open-Weight Coding, and the Security Surprise
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.