GLM-5.3 : Z.ai ouvre son modèle et abandonne la licence MIT

Z.ai a tenu son calendrier, et changé ses règles au passage. Les poids de GLM-5.3 — le fichier de paramètres qu'il faut télécharger pour faire tourner un modèle sur ses propres serveurs — sont en ligne depuis le 28 août 2026. L'éditeur chinois les avait gardés pour lui après le lancement du 14 août, le temps d'une revue de sûreté, à cause de ce que GLM-5.3 s'est révélé capable de faire en cybersécurité. Mais le fichier n'arrive pas sous la licence attendue : les trois versions précédentes étaient publiées sous licence MIT, l'une des plus permissives qui existent, et celle-ci sort sous une licence maison qui impose une revue de sécurité aux entreprises les plus riches du secteur.

Même socle que GLM-5.2 : tous les gains viennent d'après l'entraînement

Un modèle de langage se construit en deux temps. D'abord le pré-entraînement, la phase longue et coûteuse où le modèle avale d'énormes volumes de texte et de code pour en tirer ses capacités générales : c'est le socle. Ensuite le post-entraînement, une phase plus courte où on le fait travailler sur des tâches ciblées pour l'orienter vers un usage précis.

Le point le plus contre-intuitif de cette sortie tient en une phrase de l'annonce officielle : GLM-5.3 « utilise le même modèle de base que GLM-5.2, tous les gains viennent du post-entraînement ». Autrement dit, aucun nouveau socle, aucune nouvelle architecture — The New Stack, média spécialisé dans l'ingénierie logicielle, en a fait son titre. Le socle partagé pèse 753 milliards de paramètres, chiffre affiché sur la fiche officielle de GLM-5.2 publiée sur Hugging Face, la plateforme de référence pour le partage de modèles.

Tout s'est donc joué après l'entraînement de base, sur des environnements de tâches longues, de plus en plus proches de vrais chantiers d'ingénierie, avec slime, le framework d'apprentissage par renforcement asynchrone maison de Z.ai. Le gain revendiqué atteint 50 % en code face à GLM-5.2 sur Z.ai Code Bench. Nuance à garder en tête : ce banc d'essai est privé, la mesure est celle du constructeur sur son propre modèle, et personne d'autre ne peut la reproduire.

Le détail qui parle à une équipe, c'est la consommation. Un modèle facturé au token, plus il « réfléchit » longtemps, plus il coûte cher. À l'effort maximal, GLM-5.3 réussit 34,5 % des tâches en dépensant environ 75 000 tokens, quand GLM-5.2 plafonnait à 23,4 % pour 96 000 tokens. Plus de réussite pour moins de tokens : c'est une facture qui baisse pendant que la qualité monte. Au cran en dessous, Z.ai crédite son modèle de 31,4 % pour 50 000 tokens, contre 29,5 % pour 120 000 tokens à Claude Opus 4.8, la version d'Anthropic retenue par Z.ai pour sa comparaison, antérieure à Opus 5 — chiffre lui aussi rapporté par Z.ai et non mesuré par un tiers. Le même billet précise que Claude Fable 5 reste devant sur ce banc d'essai, à 39,5 % à l'effort maximal.

Sur les bancs d'essai publics, la marche est haute mais l'écart demeure

Z.ai publie aussi ses résultats sur des tests publics, où le modèle doit mener une tâche de développeur du début à la fin : enchaîner des commandes dans un terminal, ou corriger seul un bug dans un dépôt de code entier. Contrairement au banc d'essai maison, ceux-là sont reproductibles par n'importe qui.

Les progrès face à GLM-5.2 sont nets : sur l'épreuve du terminal, le score passe de 4,6 à 28,3 sur 100, et sur la correction de bugs de 46,2 à 66,9. Les deux autres épreuves du tableau montent aussi, mais de façon très inégale : les tâches longues passent de 19,4 à 42,5, quand l'épreuve en ligne de commande ne gagne que quatre points et demi, de 23,8 à 28,5. Le gain n'est donc pas uniforme, il porte surtout sur les chantiers qui s'étalent dans le temps. Face aux modèles fermés du même tableau, GLM-5.3 reste derrière : GPT-5.6 Sol et Claude Fable 5 gardent trois à six points d'avance sur les deux premières épreuves. L'écart se resserre sur les tâches menées en autonomie, pour un tarif très inférieur.

Le vrai sujet de cette sortie : 2436 vulnérabilités trouvées sur du code réel

Depuis GLM-5.2, Z.ai fait tourner ses modèles avec plusieurs équipes de sécurité en Chine sur des bases de code réelles. Après revue humaine, filtrage et déduplication, le compte affiché sur le registre de divulgation de l'éditeur atteint 2436 vulnérabilités identifiées sur 269 projets open source, dont 1097 classées critiques ou élevées. On parle de noyaux système Linux, de moteurs de navigateur WebKit, de FreeBSD, de briques d'infrastructure sur lesquelles tourne une bonne part du web. La plus ancienne faille remonte à 1981, et la durée de vie moyenne avant découverte atteint 26,6 ans.

Au moment du lancement, 53 de ces failles seulement étaient publiques avec une CVE assignée, l'identifiant standard qui rend une vulnérabilité publiquement traçable. Les 2383 autres restent sous embargo, le temps de prévenir les éditeurs concernés et de les laisser corriger. C'est la mécanique normale du secteur, mais elle dit quelque chose de neuf : une quantité inhabituelle de failles jusqu'ici inconnues vient d'être produite par une machine, en quelques mois.

Les scores suivent la même pente. Sur CyberGym, qui mesure la capacité à repérer une vulnérabilité en lisant du code source, GLM-5.3 arrive en tête à 84,5 %, contre 77,2 % pour GLM-5.2 — un résultat qu'Axios, média américain d'actualité économique et tech, présente comme supérieur aux modèles d'Anthropic et d'OpenAI sur cette épreuve précise. Sur ExploitBench, qui ne mesure plus la détection mais la capacité à transformer une faille en attaque exploitable, GLM-5.3 fait plus que doubler son prédécesseur (54,4 % contre 24,4 %) tout en restant loin des 78,0 % du modèle Claude cité en comparaison. Sur ExploitGym, il boucle 105 tâches d'exploitation en deux heures et 130 en six heures, là où GLM-5.2 s'arrêtait à 29 et 39, quand les deux modèles fermés du même tableau en terminent 181 et 216 sur le budget de deux heures.

Ce sont ces chiffres qui expliquent les deux semaines d'attente : Z.ai a voulu vérifier ce qu'il mettait entre toutes les mains avant de le mettre entre toutes les mains.

Les poids sont sortis, mais la licence n'est plus MIT

C'est ici que la sortie devient un cas d'école. Publier les poids d'un modèle, c'est publier un fichier ; la licence, elle, décide de ce que vous avez le droit d'en faire. Les deux voyagent ensemble, et c'est la seconde qui compte pour une entreprise.

GLM-5, GLM-5.1 et GLM-5.2 étaient toutes publiées sous licence MIT : trois paragraphes, aucune contrainte, gardez la mention de copyright et faites ce que vous voulez. Au moment du lancement, SiliconANGLE, média tech américain, évoquait une publication à venir « sous licence open source », sans préciser laquelle. La continuité rendait MIT probable. Ce n'est pas ce qui s'est passé : la fiche Hugging Face de GLM-5.3 affiche une licence écrite par Z.ai pour l'occasion.

Elle reste large — vous pouvez utiliser, modifier, redistribuer, revendre, réentraîner le modèle — mais elle ajoute une condition inédite : toute entreprise dont le chiffre d'affaires dépasse 10 milliards de dollars sur douze mois consécutifs doit passer une revue de sécurité de Z.ai avant d'en faire un usage commercial.

La cible est transparente. À ce seuil, on ne parle plus de PME ni de start-up : on parle des hyperscalers, ces géants du cloud qui hébergent et revendent les modèles des autres. The New Stack y voit une clause dirigée contre la revente en service plutôt que contre l'usage. La licence le confirme en creux : elle distingue le fait de proposer le modèle en libre-service à des tiers, qui tombe sous la condition, du fait de l'intégrer discrètement dans son propre produit, qui n'y tombe pas.

Pour la quasi-totalité des équipes françaises, l'effet pratique est nul : sous 10 milliards de dollars de revenus, rien ne change par rapport à MIT. Ce qui change, c'est le précédent. Un éditeur qui publiait sans condition vient de découvrir qu'il pouvait garder la main sur qui monétise son travail, et l'a fait sur son modèle le plus capable. GLM-5.3-Flash, la version plus légère de la même génération, est d'ailleurs restée sous MIT — le durcissement vise le haut de gamme, pas la famille.

Ce qui est utilisable aujourd'hui, et à quel prix

Les poids étant en ligne, GLM-5.3 s'installe désormais sur vos propres machines, à condition d'avoir de quoi faire tourner 753 milliards de paramètres — ce qui reste hors de portée d'une infrastructure modeste. La fiche Hugging Face affiche déjà plus de 66 000 téléchargements.

Pour tous les autres, le modèle s'utilise en service. Il est actif depuis le premier jour pour les abonnés du GLM Coding Plan et dans ZCode, l'outil maison de Z.ai. La documentation officielle du plan décrit trois paliers, Lite, Pro et Max, à partir de 18 dollars par mois, et cite nommément Claude Code, Cline et OpenCode parmi les outils compatibles, Codex s'y branchant via un point de terminaison compatible OpenAI.

Côté API, la grille tarifaire officielle place GLM-5.3 à 1,4 dollar par million de tokens en entrée et 4,4 dollars en sortie, exactement le tarif de GLM-5.2. Pour situer l'ordre de grandeur, Claude Opus 5 est facturé 5 et 25 dollars, et GPT-5.6 Sol 4 et 20 dollars sous son seuil de contexte depuis la baisse de prix d'OpenAI du 21 août 2026. L'écart va de trois à près de six fois selon le sens du flux, et il reste l'argument central de cette famille de modèles.

Un changement d'API qui peut casser une intégration existante

Détail à ne pas rater si vous basculez un service en production. Les modèles récents savent « réfléchir » avant de répondre : ils déroulent un raisonnement intermédiaire, ce qui améliore nettement les résultats sur les tâches complexes, mais coûte du temps et des tokens. GLM-5.2 permettait de désactiver ce mode pour les requêtes simples. GLM-5.3 ne le permet plus.

Concrètement, les appels qui coupaient explicitement la réflexion échouent désormais. Il faut l'activer et fixer un niveau d'effort — low, high ou max. Z.ai conseille low pour migrer à comportement constant, et max, la valeur par défaut, pour les tâches de code. Une bascule d'identifiant de modèle faite sans relire ce paramètre casse la requête, en silence pour l'équipe qui n'a rien changé d'autre.

Ce que ça change pour une équipe qui choisit un modèle

Jusqu'ici, arbitrer entre modèles revenait à peser trois critères : la capacité, le coût au token et la licence. Cette sortie montre que le troisième mérite plus d'attention qu'on ne lui en accorde.

Avoir les poids d'un modèle, c'est pouvoir l'héberger chez soi, le figer sur une version qui fonctionne, l'auditer, et continuer à l'utiliser si l'éditeur ferme boutique, triple ses tarifs ou vous coupe l'accès. Dépendre d'une API, c'est l'inverse : la différence entre acheter un logiciel et louer un service. C'est le vrai argument des modèles ouverts, bien avant le prix.

Ce que GLM-5.3 ajoute, c'est que cette garantie n'est plus binaire. Le fichier est public, mais les conditions qui l'accompagnent peuvent évoluer d'une version à l'autre, chez le même éditeur, sans préavis. Lire la licence de chaque version devient un réflexe, pas une formalité juridique reléguée en fin de projet.

La seconde leçon est plus large. Un modèle qui trouve mieux les failles aide aussi mieux à les exploiter : c'est la même compétence, prise par un bout ou par l'autre. Z.ai le documente lui-même, et c'est exactement ce qui a motivé ses deux semaines de vérification. Pour une équipe qui met de l'IA en production, le sujet sécurité se déplace : la question n'est plus seulement de savoir ce que le modèle sait faire pour vous, mais ce qu'il saura faire contre le code que vous exposez.

Rien de tout cela ne se tranche sur une fiche de bancs d'essai. Un choix de modèle se décide avec un usage réel, un volume, une contrainte de données et un plan de repli si l'accès se ferme. C'est le travail d'une étude d'audit et de cadrage avant d'écrire la première ligne d'intégration, et c'est ce que notre équipe pose au démarrage de tout chantier d'automatisation et d'IA.

Pour aller plus loin

• Les meilleurs LLM open source en 2026
• Claude Opus 5, ce que le modèle change côté production
• Intégrer un LLM dans une application Next.js
• Shadow AI : quand l'IA s'utilise hors du cadre de l'entreprise