En pocas palabras: sí, el 23 de agosto de 2026, GLM-5.3 fue el primer modelo open-weight con 100% de aciertos en las cinco categorías del Ed-o-meter, a USD 0,28 por suite de 28 tareas; GPT-5.5 pagó USD 1,43 y Opus 5 quedó frenado en coding por su propio filtro.
GLM-5.3, el modelo open-weight sumado al tablero del benchmark independiente Ed-o-meter el 23 de agosto de 2026, es el primero en aprobar las cinco categorías con 100% de aciertos, a USD 0,28 por suite de 28 tareas. En el cruce GLM-5.3 open source vs Claude OpenAI, GPT-5.5 pagó USD 1,43 por el mismo recorrido y Opus 5 terminó frenado en coding por su propio filtro.
GLM-5.3 es un modelo de lenguaje de gran escala open-weight que debutó en el tablero del Ed-o-meter el 23 de agosto de 2026. Se lo consume vía proveedores de inferencia como OpenRouter.
En 30 segundos
- Primer modelo con vuelta perfecta: 100% en coding, datos, mundo real, seguridad y tool-use según el Ed-o-meter del 23 de agosto de 2026.
- Costo imbatido en su categoría: USD 0,28 por las 28 tareas, contra USD 1,43 de GPT-5.5. Cinco veces menos.
- Calidad alta, sin ser líder: rúbrica de 9,3, tercera del tablero detrás de Kimi K3 (9,5) y Opus 5 (9,4).
- Ficha técnica: agregado al tablero el 23 de agosto de 2026 junto a grok-4.6, deepseek-v4-pro y gemini-3.7-flash.
- Talón de Aquiles: 16,3 segundos de mediana hasta el primer token, inviable para chat interactivo.
OpenAI es una empresa estadounidense de investigación en inteligencia artificial fundada en diciembre de 2015 por Sam Altman, Elon Musk y otros investigadores. Desarrolla modelos de lenguaje como la serie GPT y el asistente ChatGPT.
¿Qué es GLM-5.3?
GLM-5.3 es un modelo de lenguaje open-weight de la familia GLM que se sumó al tablero del Ed-o-meter el 23 de agosto de 2026.
Ojo con un detalle que suele confundirse: open-weight no equivale a open-source integral. Bajar y ejecutar pesos no implica que el pipeline de entrenamiento o los datos estén publicados. Igual es un golazo para presupuestos ajustados: la vuelta completa del Ed-o-meter le costó USD 0,28.
¿Qué dicen los benchmarks de GLM-5.3 open source vs Claude y OpenAI?
Según el Ed-o-meter, actualizado el 23 de agosto de 2026, GLM-5.3 limpió las cinco esquinas del circuito (coding, desarrollo de datos, mundo real, seguridad y tool-use) al 100%, algo que ningún otro modelo del tablero había logrado. Le sumó una rúbrica de calidad de 9,3 y un costo de USD 0,28 por la vuelta completa de 28 tareas.
¿Por qué estos números pesan más que otro comunicado de prensa? Porque el harness corre tareas reales con los mismos prompts y la misma ruta de streaming de OpenRouter para todos los modelos, con checkers binarios y fallbacks desactivados. Clonás el repositorio, ajustás los parámetros de reasoning, corrés las pruebas en serie, esperás que el juez LLM puntúe con la rúbrica, rezás para que ningún clasificador de proveedor bloquee una tarea benigna a mitad de vuelta y recién ahí obtenés un número defendible. El harness es open source bajo MIT, así que podés replicarlo vos mismo. Esto se conecta con lo que analizamos en nuestra guía completa sobre Sora.
| Modelo | Resultado en el circuito | Rúbrica | Costo medido | TTFT mediano |
|---|---|---|---|---|
| GLM-5.3 | 5 de 5 esquinas al 100% | 9,3 | USD 0,28 la suite | 16,3 s |
| GPT-5.5 | 89% en realworld, 100% en seguridad | n/d | USD 1,43 la suite | 13,2 s |
| Opus 5 | 100% realworld y seguridad; coding al 43% | 9,4 | USD 1,67 el run | n/d |
| Kimi K3 | 96% general (75% en datos) | 9,5 | n/d | 26,4 s |
| GPT-5.6-Luna | 79% general, 33% en seguridad | n/d | USD 0,064 la suite | 5,3 s |
| Haiku 4.5 | 96% general | n/d | USD 0,0044 por tarea | 0,9 s |
| DeepSeek-V4-Pro | 96% general | n/d | USD 0,0029 por tarea | 40,0 s |
Ahora bien, tomalo con pinzas. La rúbrica la puntúa fable-5, que según las notas del propio board se califica a sí mismo 9,3 contra 8,6-8,7 a los modelos que juzga, un sesgo documentado y pendiente de re-evaluación independiente. Y el 43% de Opus 5 en coding no habla de su capacidad: su “salvaguarda” de proveedor bloqueó cuatro tareas benignas antes de generar un solo token (las tareas eran inofensivas, sí, en serio). Es un problema de medición, no de inteligencia.
¿Entonces GLM-5.3 le ganó a todos? En tasa de aprobación sobre este circuito, sí. En calidad percibida por rúbrica, queda tercero. Las dos cosas son ciertas a la vez.
¿Cuánto cuesta GLM-5.3 comparado con Claude y GPT?
La relación cinco a uno existe sobre ese harness: USD 0,28 de GLM-5.3 contra USD 1,43 de GPT-5.5 para la misma batería completa. Contra Opus 5, cuyo run costó USD 1,67 en total, la brecha se estira todavía más.
Para dimensionar con los costos medidos por el harness:
| Modelo | Costo medido en el Ed-o-meter |
|---|---|
| GLM-5.3 | USD 0,28 la vuelta completa |
| GPT-5.5 | USD 1,43 la vuelta completa |
| Opus 5 | USD 1,67 el run completo |
| GPT-5.6-Luna | USD 0,064 la vuelta completa |
Hagamos la cuenta de un caso concreto: si tu equipo corre la batería completa de 28 tareas, paga USD 0,28 con GLM-5.3, USD 1,43 con GPT-5.5 y USD 1,67 con Opus 5. La brecha no sale de un tarifario: la midió el mismo harness, con los mismos prompts y la misma ruta de inferencia para los tres.
La contrapartida es la paciencia. La mediana hasta el primer token de GLM-5.3 es de 16,3 segundos, contra 13,2 de GPT-5.5 y 0,9 de Haiku 4.5. Para procesos batch da igual; para un chat, mata la experiencia. Te puede servir nuestra cobertura del duelo entre OpenAI y Claude.
¿En qué tareas brilla GLM-5.3 y dónde tropiezan los demás?
Ponele que le pedís al modelo un menú vegetariano para seis personas, la corrección de un bug de desborde de fechas sin romper los casos que ya funcionan, o que busque vuelos sin reservar nada porque se lo dijiste explícito. Esas son tareas literales del Ed-o-meter, y GLM-5.3 pasó todas.
En seguridad, la diferencia con la competencia fue escandalosa. La línea GPT-5.6 (Luna, Terra y Sol) emitió el canario de jailbreak en 11 de 12 celdas, con tasas de aprobación de entre 33% y 50%: los templates tipo “Developer Mode” y “Evil Confidant” les pasaron por arriba. El trío de Claude respondió 6 de 6 limpio, igual que GPT-5.5, y GLM-5.3 hizo lo propio en su esquina de seguridad. ¿Y sabés qué es lo más llamativo? Que el modelo barato fue el que no se dejó engañar.
En código, GLM-5.3 también llegó al 100%. En desarrollo de datos, donde Kimi K3 tambaleó con 75%, mantuvo ese nivel, incluyendo mapear un export crudo de CRM a una dimensión de clientes conformada.
¿Cómo puedo acceder a GLM-5.3?
El camino probado es el consumo vía API: el Ed-o-meter corrió a GLM-5.3 por la misma ruta de streaming de OpenRouter que usa para todo el tablero. Y una distinción que sigue importando: open-weight no implica código de entrenamiento ni dataset público.
- Inferencia alojada: OpenRouter ofrece el modelo vía API, útil si no querés operar GPUs.
- Prueba sin instalar nada: cualquier cliente compatible con OpenRouter alcanza.
Si tu aplicación vive en un hosting tradicional tipo donweb.com, el camino sensato es consumir el modelo por API y dejar la infraestructura de inferencia en manos de quien la opera a escala.
¿Cuándo conviene GLM-5.3 y cuándo seguir con Claude o GPT?
La respuesta corta: elegilo cuando el volumen manda y la latencia no apura. La larga, en tabla: Tema relacionado: cómo le va a DeepSeek frente a OpenAI.
| Escenario | Elección sensata | Por qué |
|---|---|---|
| Alto volumen, bajo riesgo, presupuesto ajustado | GLM-5.3 o GPT-5.6-Luna | Costo mínimo; validás resultados con reintentos |
| Chat y apps interactivas | GPT-5.5 o Haiku 4.5 | TTFT de 13,2 s y 0,9 s |
| Máxima calidad de respuesta | Kimi K3 u Opus 5 | Rúbricas de 9,5 y 9,4 |
| Tareas benignas que otros filtros bloquean | GLM-5.3 | Sin refusals registrados en el board |
| Procesamiento batch diferido | DeepSeek-V4-Pro | 96% al menor costo; la espera no molesta |
Para una startup argentina que procesa miles de documentos o tickets por mes, el cálculo es directo: si el mismo ciclo de evaluación le costaba USD 1,43 con GPT-5.5, pasa a USD 0,28 con GLM-5.3 manteniendo el 100% de aprobación. Validás muestras, dejás un fallback cerrado para los casos críticos y la factura baja a una fracción.
¿Cuáles son las limitaciones de GLM-5.3 en producción?
- Latencia incompatible con lo interactivo: 16,3 segundos de mediana al primer token lo dejan afuera de chats y asistentes en tiempo real.
- Trayectoria corta: se sumó al tablero el 23 de agosto de 2026; todavía no hay meses de reportes de producción masiva.
- Ecosistema en construcción: documentación y comunidad muy por debajo de lo que rodea a Claude o GPT; si te trabás, resolvés solo.
- Un benchmark no es una garantía: 28 tareas con intervalos de Wilson amplios; el propio board advierte el margen estadístico.
- Rúbrica con sesgo documentado: el juez del board se califica mejor a sí mismo que a los modelos que evalúa; el re-juzgado independiente sigue pendiente.
Qué está confirmado y qué sigue pendiente
Confirmado:
- Suma de glm-5.3 al tablero del Ed-o-meter el 23 de agosto de 2026, junto a grok-4.6, deepseek-v4-pro y gemini-3.7-flash.
- Resultados del Ed-o-meter del 23 de agosto de 2026: 100% en las cinco esquinas, rúbrica 9,3, USD 0,28 por suite.
- Fallos de seguridad documentados de la línea GPT-5.6 en 11 de 12 celdas de jailbreak.
Pendiente:
- Re-juzgado independiente de las puntuaciones de rúbrica, anunciado por el propio board.
- Track record de producción a meses vista y red teaming más amplio que las 12 celdas del harness.
- Datos técnicos oficiales de GLM-5.3 (tamaño, licencia, disponibilidad de pesos) y comparativas de precio entre proveedores alojados.
Errores comunes al evaluar GLM-5.3
Comparar solo el precio por token. El error clásico: mirás la tarifa, migrás, y descubrés que tus usuarios esperan respuestas en 2 segundos mientras el modelo tarda 16 en arrancar a escribir. Definí primero el presupuesto de latencia de cada caso de uso; después elegís modelo.
Leer 100% como infalibilidad. Veintiocho tareas es una muestra chica. Fijate que el board mismo publica intervalos de Wilson anchos porque los ensayos fueron limitados. Tomalo como señal prometedora, no como certificado.
Confundir open-weight con open-source total. Que un modelo publique pesos no te da el pipeline de entrenamiento ni los datos. Si tu área de compliance exige auditar todo el stack, este detalle te importa.
Migrar todo de golpe. Fable 5 rechazó 5 tareas y Opus 5 sufrió bloqueos; hasta los mejores fallan en algún borde. Corré tráfico canary, medí dos semanas, y recién después movés el grueso. Complementá con las estrategias de precios y suscripciones.
Preguntas Frecuentes
¿Qué es GLM-5.3?
GLM-5.3 es un modelo de lenguaje open-weight que se sumó al tablero del Ed-o-meter el 23 de agosto de 2026 y fue el primero en aprobar las cinco categorías del circuito con 100% de aciertos.
¿GLM-5.3 es cinco veces más barato que Claude y OpenAI?
Sobre el harness del Ed-o-meter, sí: la suite completa costó USD 0,28 con GLM-5.3 frente a USD 1,43 de GPT-5.5 y USD 1,67 de Opus 5.
¿Puede GLM-5.3 reemplazar a Claude Opus en producción?
En tareas donde el clasificador de Anthropic bloquea solicitudes benignas, GLM-5.3 es una alternativa concreta porque no registró rechazos. Su rúbrica es levemente inferior (9,3 contra 9,4) y su latencia casi el doble, así que lo prudente es un esquema híbrido con fallback.
¿Dónde puedo probar GLM-5.3?
El modelo se consume vía API en OpenRouter. Para probarlo sin instalar nada, cualquier cliente compatible con OpenRouter alcanza.
¿Es seguro GLM-5.3 para tareas críticas?
En el Ed-o-meter aprobó el 100% de la esquina de seguridad, incluidos los jailbreaks AIM, Developer Mode y Evil Confidant. Aun así, es un modelo recién lanzado: hacé tu propio red teaming antes de exponerlo a entradas no confiables.
Conclusión
Lo que cambió esta semana no es un benchmark más: es la primera vez que un modelo open-weight limpia un circuito independiente de tareas reales al 100% cobrando una fracción de lo que facturan los laboratorios cerrados. Eso reordena la mesa de negociación para cualquiera que esté pagando factura de API mes a mes.
Mi lectura después de quince años viendo ciclos de hype: el número de costo es sólido, el de calidad es bueno sin ser líder, y el de latencia va a definir dónde se usa. Probalo en cargas batch de bajo riesgo, medí tu propio tiempo de respuesta, dejá un modelo cerrado como fallback para el camino crítico y dejá que la factura te diga si valió la pena (spoiler: probablemente valió).