Los pesos de GLM-5.3 llegan con licencia propia y piden ocho GPU

Los pesos de GLM-5.3, el modelo abierto más grande del laboratorio chino Z.ai, ya están publicados en Hugging Face. Dos detalles importan más que las puntuaciones de referencia. La licencia es un documento propio de Z.ai y no MIT, y el modelo necesita al menos ocho GPU de centro de datos de gama alta para funcionar.

GLM-5.3 es un modelo de mezcla de expertos. Ese diseño parte la red en muchas secciones especializadas y despierta solo algunas por cada palabra que procesa. La ficha técnica de Kingy.ai indica 753.300 millones de parámetros en total y 40.000 millones activos por token, tomados de 256 expertos enrutados de los que se eligen 8 cada vez. La ventana de contexto es de 1.048.576 tokens, es decir, el texto que puede sostener a la vez.

La licencia es la noticia real

GLM-5.2 salió bajo MIT, una licencia permisiva casi sin condiciones. GLM-5.3 no. Según la lectura de los términos que hace Kingy.ai, los pesos del modelo estrella llevan una "GLM-5.3 License" propia que permite el uso comercial en la mayoría de casos, pero añade un disparador.

El disparador apunta a las empresas que revenden acceso al modelo. Cualquier operador de Model-as-a-Service cuyos ingresos combinados, incluidos licenciatario y filiales, superen los 10.000 millones de dólares en 12 meses consecutivos debe pasar una revisión de seguridad de Z.ai antes de seguir con el uso comercial. Esa condición no existe en MIT, y mete una aprobación del proveedor dentro de la licencia.

El hermano pequeño tomó otro camino. Según explainX, GLM-5.3-Flash salió el 26 de agosto bajo MIT. Tiene 320.000 millones de parámetros, con 18.000 millones activos. Los pesos MIT de GLM-5.2 también siguen disponibles.

Por qué se retrasó la publicación

Z.ai lanzó GLM-5.3 el 14 de agosto y prometió los pesos en unas dos semanas, es decir, hacia el 28 de agosto. Según explainX, el plazo se corrió por una revisión de seguridad.

La razón dada es poco habitual. Durante la evaluación, Z.ai vio que la capacidad del modelo en ciberseguridad había crecido más rápido de lo previsto. Eso incluía razonar sobre cadenas de explotación de varias etapas. La misma evaluación encontró 2.436 vulnerabilidades en 269 proyectos de código abierto, según explainX. De ellas, 1.097 se calificaron como críticas o altas.

Lo que cuesta ejecutarlo

Elemento	Cifra
Parámetros totales	753.300 millones, 40.000 millones activos por token
Expertos	256 enrutados, 8 elegidos por token
Ventana de contexto	1.048.576 tokens
Cuantización por defecto	FP8 (E4M3)
Descarga FP8	755,7 GB en 141 fragmentos
Descarga BF16	Unos 1,5 TB en 282 fragmentos
Hardware mínimo	8 GPU de clase H200, H20 o B200, con 141 a 180 GB de VRAM cada una
Contexto completo de 1M	8 × B200 de 180 GB, con caché clave-valor en FP8

Kingy.ai resume esa tabla en una frase: "It is not easy to run", no es fácil de ejecutar.

Todas las mejoras vinieron del posentrenamiento

La afirmación técnica más interesante está en la propia ficha del modelo. Z.ai escribe: "GLM-5.3 uses the same base model as GLM-5.2 - every gain comes from post-training." El modelo base es el mismo y toda mejora viene del posentrenamiento, el ajuste que se hace después del costoso preentrenamiento.

La ficha reclama un 50% de mejora sobre GLM-5.2 en el Code Bench interno de Z.ai, y dice que más que duplica las puntuaciones de GLM-5.2 en pruebas de explotación. Kingy.ai recoge las cifras publicadas.

Prueba	GLM-5.2	GLM-5.3
Terminal-Bench 3.0	4,6	28,3
DeepSWE	46,2	66,9
SWE-Marathon	19,4	42,5
CyberGym	77,2	84,5

Son cifras que declara el propio laboratorio que hizo el modelo. Trátalas como una afirmación por verificar, no como un resultado.

Qué significa esto para los desarrolladores

Lee la licencia antes de planear un producto alrededor de este modelo. Aquí "pesos abiertos" y "código abierto" no son lo mismo, y la diferencia ya es concreta. Si tu empresa revende acceso al modelo y cruza la línea de ingresos, seguir usándolo depende de una revisión que hace el proveedor.

Si hoy necesitas términos permisivos, la elección es explícita. GLM-5.3-Flash y GLM-5.2 son MIT, y Flash es un tercio del tamaño con 320.000 millones de parámetros. Cambias las puntuaciones de código del modelo estrella por términos que tu equipo legal no va a discutir.

Haz las cuentas de hardware antes de descargar nada. Un punto de control FP8 de 755,7 GB repartido en 141 fragmentos no es un proyecto de estación de trabajo, y ocho tarjetas son el suelo, no una meta cómoda. Alquila capacidad por horas para evaluarlo y solo después calcula el coste de tener las máquinas.

El resultado del posentrenamiento es la lección transferible. El mismo modelo base, ajustado de otra forma, movió Terminal-Bench 3.0 de 4,6 a 28,3. Si estás presupuestando tu propio trabajo con modelos, eso apunta a gastar en posentrenamiento y evaluación antes de buscar una base mayor.

Por último, observa el patrón de licencias más que este documento concreto. Un laboratorio encontró una fuerte capacidad de hallar vulnerabilidades en su propio modelo, retrasó la publicación y luego la sacó con una cláusula de revisión. Espera más pesos con condiciones así, y que "¿es MIT?" pase a ser tu primera pregunta.