Direktvergleich

Beam vs GLM 5.3

0:12

Beam gewinnt 0 von 12 gemeinsamen Benchmarks

Fazit

GLM 5.3 ist auf dem Papier eindeutig stärker. Das Modell liegt bei allen 12 gemeinsamen Benchmarks vorne, mit deutlichem Vorsprung bei DeepSWE, SWE Atlas und AutomationBench und mit weniger als einem Punkt Vorsprung bei AA-LCR. Beide GLM-Modelle sind MoE-Modelle mit 753 Milliarden Parametern und etwa 40 Milliarden aktiven Parametern pro Token. Beams Argument gegenüber GLM 5.3 beruht also auf der geringeren Zahl aktiver Parameter und den Kosten pro Token, nicht auf den Ergebnissen.

Benchmark für Benchmark

Benchmark	Beam	GLM 5.3	Differenz
DeepSWE v1.1	44,4	61,0	-16,6
SWE-Bench Pro v2-Hard	77,2	84,3	-7,1
Terminal-Bench v2.1	80,1	88,2	-8,1
SWE Atlas Codebase QnA	34,6	61,0	-26,4
Humanity's Last Exam (no tools)	36,2	42,3	-6,1
SciCode	49,7	59,0	-9,3
CritPt (AA)	16,3	19,1	-2,8
GPQA Diamond	90,5	91,7	-1,2
AutomationBench (public)	37,0	48,2	-11,2
MCP Atlas	78,7	84,2	-5,5
AA-LCR (long context)	79,3	79,7	-0,4
AA Omniscience index (public split)	13,0	22,6	-9,6

Alle Werte stammen aus der Ankündigung von Reflection (überarbeitete Fassung vom 8. Oktober 2026). Die Werte für GLM 5.3 sind die von Reflection zitierten Angaben von Artificial Analysis und DataCurve.

Die beiden Modelle

	Beam	GLM 5.3
Entwickler	Reflection AI	Z.ai (Zhipu AI)
Sitz	Vereinigte Staaten	China
Parameter (gesamt / aktiv)	501B / 23B	753B / 40B
Gewichte	Apache 2.0, für später im Oktober 2026 angekündigt	GLM-5.3 License (MIT-like, review above $10B revenue)
Veröffentlicht	5. Oktober 2026	27. August 2026
Zugriff	Beta-API mit Warteliste; Gewichte folgen	Hugging Face, Z.ai API, OpenRouter