GLM-5.3-Flash di Z.ai: licenza MIT, 328 GB di pesi, il resto lo costruite voi

Il 25 agosto 2026, alle 06:43 UTC, l’organizzazione zai-org — Z.ai, ex Zhipu AI — ha pubblicato su Hugging Face GLM-5.3-Flash: primo modello nativamente multimodale della serie GLM-5, licenza MIT, pesi scaricabili senza autenticazione. Per chi valuta un modello di questa taglia da far girare nel proprio perimetro la domanda che conta non è se la licenza permette l’uso commerciale — qui sì, senza soglie né clausole aggiuntive — ma quanto pesa davvero tenerlo in esercizio, e quanto di ciò che il produttore mostra sulla propria piattaforma resta fuori dal file che si scarica. Verifichiamo qui, alla data del 27 agosto.

I fatti, in ordine

Pubblicazione: repository creato il 25 agosto 2026 alle 06:43:14 UTC, ultimo aggiornamento il 26 agosto alle 16:31. Organizzazione zai-org, spunta di verifica assente (isVerified: false) nonostante 152 modelli pubblicati e 19.252 follower — il controllo va fatto scheda per scheda, non per reputazione dell’account.
Accesso: gated: false. Verificato senza autenticarsi: la richiesta di uno shard di pesi risponde con un reindirizzamento diretto al CDN (HTTP 302), non con un rifiuto (401) — nessun accordo da accettare prima del download.
Adozione, oggi: 766 mi piace, 0 download secondo il contatore pubblico, letti il 27 agosto — la cifra dei download resta a zero anche a due giorni dalla pubblicazione, un’anomalia del contatore più che un segnale di scarso interesse, visti i mi piace.
Peso: 321,3 miliardi di parametri totali secondo i metadati del repository (il produttore arrotonda a 320 miliardi, con 18 miliardi attivi per token); il 97,8% dei parametri (314,4 miliardi) è nativo in FP8, il resto in BF16 per i moduli sensibili alla precisione — normalizzazioni, meccanismi di instradamento, indicizzatore. Su disco: 62 file safetensors, 328,3 GB — 305,8 GiB — in tutto.
Architettura: 45 strati, di cui 34 ad attenzione lineare e 11 marcati deepseek_sparse_attention nel file di configurazione — uno ogni quattro; 288 esperti instradati più uno condiviso, otto attivati per ogni token; encoder visivo nativo, integrato e non aggiunto in un secondo tempo. Finestra di contesto dichiarata nel file di configurazione: 1.048.576 token — la stessa cifra già misurata sul predecessore GLM-5.2, non un’estensione.
Base: nessuna. Nessun tag base_model nel repository; la scheda dichiara che il modello «starts from a newly trained base model», parte da un modello di base addestrato da zero — non è un fine-tune, non c’è una catena di licenze a monte da verificare.
Licenza: MIT, testo verificato (HTTP 200), senza allegati aggiuntivi — nessun file di policy d’uso separato: quattro nomi comuni per questo tipo di documento (USE_POLICY.md, NOTICE, MODEL_LICENSE, ACCEPTABLE_USE_POLICY.md) restituiscono tutti 404. Qui la licenza dichiarata è quella che si applica per intero.

Che cos’è, in pratica

GLM-5.3-Flash è pensato, secondo il titolo del rapporto tecnico della famiglia GLM-5, per un uso agentico più che conversazionale: «GLM-5: from Vibe Coding to Agentic Engineering» — da codice scritto a intuito a ingegneria affidata a un agente. L’architettura ibrida che lo caratterizza — attenzione lineare alternata a strati di attenzione sparsa, più una tecnica di connessione che la scheda chiama Manifold-Constrained Hyper-Connections — serve a un solo scopo dichiarato: mantenere la capacità del modello riducendo il costo di servirlo a contesto lungo. Il produttore rivendica prestazioni superiori al proprio GLM-5.2 e vicine a Claude Opus 4.8 su compiti di programmazione e agentici — cifre lette in tabella, non verificate da noi: non abbiamo eseguito il modello.

Il conto che il peso sul disco non fa

328,3 GB è il numero che si vede subito, ed è solo il primo termine del conto. Lo stesso produttore, nella propria documentazione tecnica, individua il vincolo reale non nel calcolo ma nella memoria: rispetto al fratello maggiore GLM-5.3, l’architettura ibrida di questa versione «reduces attention computation and KV cache size by 3.01× and 4.44×, respectively» — riduce il calcolo di attenzione e la dimensione della cache KV, rispettivamente, di 3,01× e 4,44× — un risparmio che ha senso solo se si parte da un contesto vicino al milione di token, dove la cache di attenzione può pesare quanto i pesi stessi. Per servirlo alla propria scala, Z.ai dichiara di aver costruito «a dedicated inference engine for this architecture on top of SGLang», un motore di inferenza dedicato per questa architettura sopra SGLang, con parallelismo tensoriale per l’attenzione lineare, quantizzazione ibrida INT8/FP8/BF16 della cache e un’architettura disaggregata che separa codifica, prefill e decodifica su gruppi di macchine indipendenti — distribuita, sempre per dichiarazione del produttore, su «tens of thousands of domestically developed accelerators», decine di migliaia di acceleratori sviluppati internamente. Pesi scaricabili senza il calcolo che li rende eseguibili non sono sovranità: qui il calcolo mancante non è solo la memoria per caricare 328 GB, è l’ingegneria di sistema che il produttore ha dovuto costruire per servire lo stesso modello alla propria scala — e che la scheda non stima in nessun punto per chi lo installa in proprio.

Pesi scaricati, piattaforma no

Chi scarica questi pesi ottiene un modello di linguaggio e visione: genera testo, legge immagini e video, nient’altro di preconfezionato. La documentazione della piattaforma ospitata di Z.ai elenca, oltre al modello nudo, una ricerca web integrata, agenti dedicati per diapositive, traduzione e montaggio video, e una cache di contesto persistente per le conversazioni lunghe: infrastruttura applicativa costruita sopra il checkpoint, non contenuta nei file safetensors che si scaricano. La finestra di un milione di token è disponibile in entrambi i casi — è nel file di configurazione, non un’esclusiva del servizio — ma orchestrare strumenti, memoria di conversazione e agenti attorno al modello resta un lavoro da rifare in proprio, con licenza libera e nessuna indicazione su quanta capacità di calcolo serva per farlo a quella scala. Del divario fra quello che una scheda dichiara e quello che tace abbiamo già scritto: qui non manca un capitolo di sicurezza, manca la stima di infrastruttura — un vuoto altrettanto concreto per chi deve mettere il modello in produzione.

Quello che non sappiamo

Non abbiamo eseguito il modello: nessuna affermazione nostra su qualità, sicurezza o comportamento reale. I confronti con GLM-5.2 e Claude Opus 4.8 sono numeri di tabella del produttore, non una prova indipendente. L’abstract del rapporto tecnico (arXiv 2602.15763) non specifica provenienza, licenze o composizione del corpus di addestramento dichiarato in 30.000 miliardi di token multimodali: sappiamo la dimensione aggregata, non la fonte. Non diamo qualificazioni giuridiche sulla licenza MIT. E non conosciamo l’hardware minimo per un esercizio più piccolo di quello — enorme — che Z.ai descrive per la propria scala: nessuna scheda GPU, nessuna soglia di memoria è indicata per chi non deve servire milioni di richieste al giorno, come già osservato su un altro modello a pesi aperti pubblicato la settimana scorsa.

Come lo risolviamo noi

Per un modello di questa taglia la verifica non finisce al download: entra nel registro dei modelli come riga datata — versione e digest del file, canale e data di acquisizione, il testo della licenza MIT archiviato così come si leggeva il 27 agosto, gli usi approvati e chi in azienda li ha approvati — pronta da esibire a un’ispezione, a un cliente in gara, a un consiglio di amministrazione. Lo stesso impianto tiene insieme modelli, dati, contratti, archivi e documenti in un modello operativo unico, su cui agenti AI eseguono decisioni con un operatore al comando: per grandi imprese, difesa, pubblica amministrazione e sanità. Sempre on-premise su macchine autonome che non richiedono integrazione profonda nella rete del cliente, oppure cloud dedicato con VPN dedicata e data center in Italia — sempre con gestione condivisa: non dovete già avere in casa chi amministra questi sistemi.

Vedi il servizio · Parlane con un tecnico

Avete già scaricato o state per scaricare 328 GB di pesi aperti e nessuno in azienda sa dire quanta cache, quanta memoria e quale motore di inferenza servano a portarli in produzione? Mezz’ora con un nostro esperto, senza costi: portiamo la stima reale di infrastruttura, licenza e dati dichiarati prima che finisca in un capitolato — le caselle su chi lo ha approvato e con quale hardware restano, per ora, da compilare.