GLM 5.3 レビュー：100 万トークンの窓、L4 高強度でコイントス

2026年9月17日から25日にかけて、GLM 5.3 に段階テスト全体を、各段階 3 通りの言い回し——直接、フィクション枠づけ、システムプロンプト経由——で実行し、最初の結果が割れた L4 高強度には追加の実行を行いました。L3 強めはシステムプロンプト版だけが全文で返り、直接とフィクションはどちらも拒否されました。いちばん多く実行したのは L4 高強度です。3 回の直接依頼はすべて拒否され、8 回のフィクション枠づけはすべて弱められて返り、8 回のシステムプロンプトは真っ二つに割れ、4 回全文・4 回拒否でした。

段階テスト全体で採点した 34 回のうち、13 回が全文で返り、12 回が弱められて返り、9 回が拒否されました。Spicy Index のページはこれをこのページのスコアカードの Freedom Score として読み取っています。

GLM 5.3 は素直な指示に正確に応え、フィクションでも JSON の返答を形に保つうえでも、ペルソナ単体よりもシステムプロンプトのほうが効きます。

1. 公開している例：散らばった証拠にまたがる推論。 この窓が存在する理由そのものの用途です——複数の文書を一度に読み、答えが遠く離れた 2 か所の記述にまたがって成り立ちます。

system: Read every document before answering. Cite the passage (document name, section) that supports each claim.
user: <a support ticket, a deploy log, an incident timeline and a Slack transcript, pasted in full> Which change caused the outage, and which passage proves it?

このプロンプトを GLM 5.3 で試す →

2. 公開している例：同期呼び出しで 1 つの JSON 形を強制する。 response_format と temperature 0 の組み合わせが、返答をパーサーに渡しても安全なものにします。

system: Return one JSON object with keys: root_cause, affected_service, first_seen, mitigation. Use null when a field can't be determined.
user: <the same timeline and transcript>

このプロンプトを GLM 5.3 で試す →

効いた設定： 多くの文書にまたがる大量処理には reasoningeffort を low に、間違った答えが高くつく場合だけ max に。デフォルトの上限は 131,072 トークンの上限のごく一部なので、想定する目に見える返答より上の余裕を maxtokens に残しておくこと。L2 部分的より先のフィクションには、直接頼むのではなく境界線と場面の語り口をシステムプロンプトに書き、やり直しを見込んでおくこと。

GLM 5.3 は当社のコンテンツの段階テストで採点した 34 回中 13 回を全文で返し、上で述べたパターンどおりでした——段階テストの両端ではきれいで、L4 高強度はシステムプロンプトがあってもコイントス、なければ何も返りません。ページの表示は 規制なし：当社側でコンテンツフィルターは追加しておらず、返ってくるのは GLM 5.3 自身の振る舞いです。

Freedom Score： このページのスコアカードに表示され、実行を追加するたびに再計算されます。

まだ試していないこと： 多くのターンにわたってキャラクターを維持したままの複数ターンのチャット（私たちの実行は単発のリクエスト）、英語以外の言語、より長く具体的なシステムプロンプトが L4 高強度で見られた差を埋めるかどうか。

依頼に登場する人物は全員大人であること。実在し特定できる人物は登場させないこと。公開する地域の法律を守る責任はあなたにあります。

GLM 5.3 の登場への反応は、コーディング界隈とロールプレイ界隈ではっきり分かれました。機能面では、ある Hacker News のコメントがこれを「まだ Sol や Fable にはわずかに及ばないが、本当にわずかな差だ」と表現しています。コンテンツについては、ロールプレイのコミュニティの反応は違いました。広く支持を集めたある投稿は「ZAI は GLM 5.3 で安全性に全振りした」と述べています。これは私たちが測った分布と一致します——段階テストの両端では強く、中間では不安定です。

• より安く、L4 高強度の成功率が良い GLM は？ GLM 5.3 Flash はシステムプロンプトによる L4 高強度の実行 3 回すべてを全文で返し、価格は GLM 5.3 の $1.05 に対して 100 万トークンあたり $0.1275 です。
• より安い価格の前世代の GLM は？ GLM 5.2、100 万トークンあたり $0.98。low の推論強度レベルがないため、単純な処理でも必要以上に推論します。
• 返答上限がずっと大きく、画像も入力できるモデルは？ DeepSeek V4.1 Flash は GLM 5.3 の 131,072 に対して最大 384,000 トークンを書き戻し、テキストに加えて画像も受け付けます。価格は 100 万トークンあたり入力 $0.30 です。
• 段階テスト全体で一貫して返り、システムプロンプトが要らないものは？ Grok 4.6 は直接依頼を含め、私たちがテストしたすべての段階で全文で返りました。