GLM-5.3：编程能力与网络安全能力
来自 Z.ai Research · 期号 2026-08-14
摘要
智谱AI发布GLM-5.3，基座模型与GLM-5.2相同，但通过极致的后训练Scaling大幅提升了智能上界。 GLM-5.3的编程能力是最大亮点。在Terminal-Bench 3.0上得分从4.6提升至28.3，在DeepSWE v1.1上从46.2提升至66.9。自研的Z.ai Code Bench显示，在High档位下，GLM-5.3准确率31.4%，超过Claude Opus 4.8最高档位的29.5%，且每项任务平均输出约5万tokens，远少于后者的12万tokens。 模型还涌现出网络安全能力。在CyberGym测试中，GLM-5.3得分84.5%，高于GLM-5.2的77.2%，也略高于Mythos 5的83.8%。但在更深入的ExploitBench中，GLM-5.3得分54.4%，仍低于Mythos 5的78.0%。越接近漏洞利用链前端，提升越明显；越深入完整利用，与闭源前沿模型的差距越大。 智谱联合多家安全团队进行了密集红队测试，累计发现2,436个漏洞，其中1,097个为中高危，最早可追溯至约45年前。这些漏洞创造的经济价值据估算达3000万元。 模型权重将在两周后开源。智谱同步启动“开源的盾”计划，为重点开源项目提供免费安全审计，并向开源社区免费提供模型额度。 本文是技术博客，详细介绍了模型能力、安全评估结果与开源计划。
深读
导读 智谱 AI 发布 GLM-5.3，基座模型与 5.2 相同，但通过极致的后训练 Scaling 大幅提升了智能上界。其最大亮点是编程能力跃升至开源模型第一，并涌现出网络安全能力，在代码审计和漏洞发现上接近闭源前沿模型。读完本文，你将了解 GLM-5.3 在关键基准测试上的具体成绩、其安全能力的边界，以及智谱提出的“开源的盾”安全计划。 关键信息 - 编程能力：在 Terminal-Bench 3.0 上得分从 4.6 提升至 28.3；在 DeepSWE v1.1 上从 46.2 提升至 66.9。 - Token 效率：在自研 Z.ai Code Bench 的 High 档位下，GLM-5.3 准确率 31.4%，超过 Claude Opus 4.8 最高档位的 29.5%，且每项任务平均输出约 5 万 tokens，远少于后者的 12 万 tokens。 - 网络安全能力：在 CyberGym 测试中得分 84.5%，高于 GLM-5.2 的 77.2% 和 Mythos 5 的 83.8%。但在更深入的 ExploitBench 中得分 54.4%，仍低于 Mythos 5 的 78.0%。 - 安全评估成果：联合多家安全团队累计发现漏洞 2,436 个，其中 1,097 个为中高危，覆盖系统内核、浏览器引擎、互联网协议等 269 个项目，据估算经济价值达 3000 万元。 - 开源计划：模型权重将在发布两周后开放，此前需完成安全加固。同步启动“开源的盾”计划，向开源社区免费提供安全审计和模型额度。 逐节讲解 编程能力：开源第一，效率领先 GLM-5.3 的编程能力提升全部来自后训练 Scaling，基座模型与 5.2 相同。在多项基准测试中，它成为排名最高的开源模型。在 Terminal-Bench 3.0（真实终端环境复杂任务）上，得分从 4.6 提升至 28.3；在 DeepSWE v1.1（长程软件工程与持续代码修改）上，从 46.2 提升至 66.9；在 Agents' Last Exam（跨工具协作与长程任务）上，从 23.8 提升至 28.5。 自研的 Z.ai Code Bench 模拟真实编程场景，将模型置于复杂本地开发环境，在不同思考档位下执行端到端任务。在 High 档位下，GLM-5.3 准确率 31.4%，超过 Claude Opus 4.8 最高档位的 29.5%，且每项任务平均输出约 5 万 tokens，而 Opus 4.8 需要约 12 万 tokens。训练环境不仅限于编程题，还扩展到接近真实专家工作的完整流程，例如让模型使用与算法工程师相同的计算集群和代码库，端到端实现可量化的提速。 涌现的网络安全能力 GLM-5.3 在网络安全领域的表现超出预期，文章认为安全工作本质上是约束严格的编程能力。模型能力在漏洞…