GLM-5.3 vraagt nieuwe afspraken in het ICT-onderwijs

Z.ai heeft GLM-5.3 aangekondigd, een nieuw taalmodel dat volgens het bedrijf vooral sterker is in programmeren, langdurige agenttaken en cyberbeveiliging. Het model heeft een contextvenster van één miljoen tokens en is al beschikbaar via het GLM Coding Plan; de API volgt later.

Voor ICT-onderwijs is vooral de combinatie belangrijk. Een coding agent kan meer code en documentatie tegelijk verwerken en langer zelfstandig doorwerken, maar kan ook fouten op grotere schaal doorvoeren. De gemelde cybercapaciteiten maken bovendien duidelijke grenzen nodig tussen veilig oefenen, beoordelen en werken met echte systemen.

Wat er nieuw is

Z.ai kondigde GLM-5.3 op 14 augustus 2026 aan. Volgens de bijbehorende modeldocumentatie gebruikt het model dezelfde basis als GLM-5.2 en komen de verbeteringen uit verdere training na de basistraining. Z.ai positioneert het model voor complexe softwareontwikkeling en agenttaken en noemt een contextvenster van één miljoen tokens en maximaal 128.000 uitvoertokens.

De gewichten zijn op het moment van deze publicatie nog niet openbaar. Z.ai stelde de publicatie twee weken uit om eerst extra veiligheidsevaluaties en hardening af te ronden. Dat onderscheid is belangrijk: het bedrijf spreekt over een toekomstige open-weightpublicatie, niet over gewichten die nu al vrij te downloaden zijn. Gebruik via het Coding Plan is volgens Z.ai al wel mogelijk; de API is nog aangekondigd als ‘binnenkort’.

Z.ai meldt een verbetering van 50 procent tegenover GLM-5.2 op zijn eigen Z.ai Code Bench. Het bedrijf publiceert daarnaast scores voor onder meer Terminal-Bench 3.0, DeepSWE en Agents' Last Exam. Dit zijn claims en evaluaties van Z.ai zelf; ze zijn niet onafhankelijk bevestigd en zeggen niet rechtstreeks hoe betrouwbaar het model in een klas, practicum of schoolnetwerk is.

Wat één miljoen tokens verandert

Een groot contextvenster kan een agent in één sessie veel broncode, requirements, logboeken en documentatie laten meenemen. In een opleiding kan dat helpen bij het analyseren van een grotere oefenrepository, het vergelijken van implementaties of het uitleggen van samenhang tussen onderdelen van een systeem. Het kan ook docenten ondersteunen bij het maken van oefenmateriaal rond refactoring en code-review.

Meer context is echter geen garantie dat het model alles correct begrijpt of alle informatie even zorgvuldig gebruikt. Een lange invoer maakt fouten juist lastiger te zien: de agent kan een onjuiste aanname door meerdere bestanden heen toepassen. Laat studenten daarom vastleggen welke bestanden en eisen zij meegaven, welke wijzigingen de agent voorstelde en welke controles zij zelf uitvoerden.

Zet geen persoonsgegevens, toetsen, toegangssleutels, productieconfiguraties of vertrouwelijke repositories in een externe modeldienst zonder goedgekeurde afspraken over verwerking, opslag en toegang. Gebruik voor lessen bij voorkeur afgeschermde oefenrepositories met synthetische data en ingetrokken voorbeeldsleutels.

Sterkere coding agents vragen om andere toetsing

Wanneer een agent langere ontwikkeltaken kan plannen, code kan aanpassen, tests kan draaien en fouten kan herstellen, bewijst een werkend eindproduct steeds minder wat een student zelf begrijpt. Een verbod op hulpmiddelen lost dat niet voor iedere opdracht op. Maak het toegestane gebruik expliciet en beoordeel ook het proces.

Laat studenten bijvoorbeeld belangrijke ontwerpkeuzes mondeling toelichten, een onbekende wijziging ter plekke uitvoeren en uitleggen waarom tests een fout wel of niet vinden. Vraag om een beknopt logboek van prompts, agentacties, handmatige correcties en geraadpleegde bronnen. Combineer een productbeoordeling met code-review, reflectie en een individueel controlemoment. Zo blijft zichtbaar of iemand architectuur, beveiliging en foutafhandeling begrijpt.

Voor beginnende programmeurs kan een krachtige agent te veel stappen overslaan. Geef daarom opdrachten met afgebakende hulpmiddelen: eerst zelf een ontwerp of hypothese, daarna ondersteuning door de agent, en ten slotte een vergelijking tussen de eigen aanpak en de gegenereerde oplossing. Dat maakt verantwoord AI-gebruik onderdeel van het leerdoel.

Cybercapaciteiten: alleen in een veilige leeromgeving

Z.ai meldt dat GLM-5.3 84,5 procent scoort op CyberGym, een benchmark voor het vinden en valideren van kwetsbaarheden in broncode. Het bedrijf zegt ook dat het model op exploitbenchmarks ruim beter presteert dan GLM-5.2. Axios beschreef het uitstel van de gewichten in de context van deze cybercapaciteiten. Ook deze cijfers komen uit Z.ai's evaluaties en zijn geen onafhankelijke garantie voor prestaties in andere omgevingen.

Voor cybersecurityonderwijs kan een capabele agent helpen bij defensieve code-review, het herkennen van kwetsbare patronen en het verbeteren van tests. Beperk oefeningen tot systemen waarvoor de onderwijsinstelling expliciet toestemming heeft: geïsoleerde labs, oefen-CTF's en bewust kwetsbare applicaties zonder koppeling met productie of internet. Gebruik geen echte doelwitten, accounts of gegevens.

Leg vooraf een duidelijke scope vast, beperk netwerktoegang en rechten, registreer agentacties en zorg dat een docent een taak kan stoppen. Beoordeel niet alleen of een kwetsbaarheid wordt gevonden, maar ook of de student het risico kan uitleggen, een veilige reparatie kan maken en kan controleren dat die reparatie geen nieuwe fouten veroorzaakt. Zo staat verdediging centraal, niet het automatiseren van misbruik.

Mediawijsheid bij benchmarkclaims

De aankondiging laat goed zien waarom leerlingen en medewerkers benchmarkgrafieken kritisch moeten lezen. Vraag wie de test uitvoerde, welke versie en instellingen zijn gebruikt, hoeveel pogingen meetellen en of een score de eigen onderwijspraktijk vertegenwoordigt. Z.ai vermeldt veel evaluatie-instellingen, maar blijft tegelijk aanbieder van het beoordeelde model.

Vergelijk claims daarom niet alleen op één ranglijst. Test een model met representatieve, niet-gevoelige opdrachten en vooraf afgesproken criteria, zoals correcte code, uitlegbaarheid, brongebruik, beveiliging, kosten en toegankelijkheid. Documenteer ook mislukkingen. Een model dat hoog scoort op coding- of cyberbenchmarks kan nog steeds onbetrouwbare uitleg geven of ongeschikt zijn voor een specifieke doelgroep.

Wat teams nu kunnen afspreken

• Leg per vak en toets vast welke agentfuncties zijn toegestaan en welk bewijs van eigen begrip nodig is.
• Gebruik afgeschermde oefenrepositories en synthetische data; deel geen sleutels, persoonsgegevens of productiecode.
• Laat AI-gegenereerde wijzigingen altijd beoordelen met tests, code-review en een menselijke verantwoordelijke.
• Richt cyberoefeningen defensief in, met schriftelijke toestemming, een beperkte scope, logging en geïsoleerde systemen.
• Beoordeel proces en begrip naast het eindproduct, bijvoorbeeld via een logboek, mondelinge toelichting en een individuele wijzigingsopdracht.
• Controleer benchmarkclaims op afzender, methode en toepasbaarheid en presenteer Z.ai's cijfers niet als onafhankelijk vastgesteld.
• Evalueer opnieuw zodra de gewichten werkelijk verschijnen; beschikbaarheid, licentie en veiligheidsinformatie kunnen dan veranderen.

De kern

GLM-5.3 maakt volgens Z.ai een duidelijke sprong in coding agents, lang contextgebruik en cybercapaciteiten. Voor ICT-onderwijs biedt dat bruikbare mogelijkheden voor analyse, code-review en defensieve beveiligingsoefeningen. De praktische opdracht is tegelijk helder: toets aantoonbaar begrip, scherm data en systemen af en behandel zowel modeluitvoer als benchmarkgrafieken als bewijs dat gecontroleerd moet worden.