Especificaciones técnicas de GLM-5.3
| Especificación | GLM-5.3 |
|---|---|
| Desarrollador | Z.ai / Zhipu AI |
| Lanzamiento | 14 de agosto de 2026 |
| Tipo de modelo | Modelo fundacional insignia |
| Entrada | Texto |
| Salida | Texto |
| Ventana de contexto | 1,000,000 tokens |
| Salida máxima | 128,000 tokens |
| Razonamiento | Múltiples modos |
| Streaming | Sí |
| Llamadas a funciones | Sí |
| Salida estructurada | Sí |
| Caché de contexto | Sí |
| MCP | Sí |
| Aplicaciones principales | Programación, agentes, ingeniería, ciberseguridad |
Los repositorios públicos de modelos de Z.ai aún muestran de forma destacada GLM-5.2, en lugar de un artefacto descargable de GLM-5.3, por lo que las especificaciones que aún no se hayan publicado deben permanecer explícitamente marcadas como no confirmadas.
¿Qué es GLM-5.3?
GLM-5.3 es la última generación de la familia GLM de Z.ai y representa un cambio hacia sistemas de IA capaces de realizar de forma autónoma tareas complejas de seguridad e ingeniería.
El anuncio es particularmente notable porque la ciberseguridad no se presenta simplemente como otra categoría de evaluación. Z.ai está utilizando GLM-5.3 para demostrar un sistema de IA capaz de descubrir vulnerabilidades de software y participar en flujos de trabajo de desarrollo de ataques.
Reuters informa que Z.ai planea lanzar el modelo públicamente tras completar las evaluaciones de seguridad, mientras que las capacidades más avanzadas estarán inicialmente restringidas mediante un mecanismo de acceso confiable.
Esto supone un cambio de énfasis importante respecto a GLM-5.2.
GLM-5.2 se posicionó principalmente en torno a la ingeniería de software de largo horizonte y la programación basada en agentes. La página de investigación de Z.ai de junio describe GLM-5.2 como "Built for Long-Horizon Tasks".
GLM-5.3 lleva esa filosofía basada en agentes a un dominio considerablemente más sensible:
ingeniería de software → descubrimiento de vulnerabilidades → defensa cibernética → seguridad ofensiva controlada
¿Cuáles son las principales características de GLM-5.3?
Razonamiento centrado en ciberseguridad
La capacidad destacada es la ciberseguridad.
GLM-5.3 alcanzó:
84.5% en CyberGym
CyberGym evalúa la capacidad de un sistema de IA para identificar vulnerabilidades de software. El resultado supera ligeramente el 83.8% reportado de Mythos 5.
Eso es importante porque la ciberseguridad requiere más que generar código sintácticamente correcto.
Un agente de seguridad competente necesita:
- Entender código no familiar.
- Identificar superficies de ataque.
- Formular hipótesis sobre vulnerabilidades.
- Rastrear el flujo de datos y de control.
- Validar la hipótesis.
- Desarrollar una prueba de concepto adecuada.
- Determinar si la vulnerabilidad es realmente explotable.
El puntaje de GLM-5.3 en CyberGym sugiere un progreso significativo en la primera parte de esta cadena.
Descubrimiento de vulnerabilidades sólido
El 84.5% en CyberGym es posiblemente el resultado temprano más impresionante.
Sitúa a GLM-5.3 ligeramente por delante de Mythos 5 en identificación de vulnerabilidades:
| Modelo | CyberGym |
|---|---|
| GLM-5.3 | 84.5% |
| Mythos 5 | 83.8% |
El margen es de solo 0.7 puntos porcentuales, por lo que sería engañoso describir a GLM-5.3 como claramente superior.
Lo más interesante es que un modelo de pesos abiertos de Z.ai está entrando en el mismo vecindario de desempeño que un sistema de ciberseguridad altamente restringido.
El desarrollo de exploits sigue siendo una debilidad
GLM-5.3 no domina todas las tareas de ciberseguridad.
En ExploitBench:
| Modelo | ExploitBench |
|---|---|
| GLM-5.3 | 54.4% |
| Mythos 5 | 78.0% |
Es una brecha de 23.6 puntos.
Esto revela una distinción importante:
Encontrar una vulnerabilidad no es lo mismo que explotarla de forma fiable.
GLM-5.3 parece altamente capaz de identificar debilidades, pero los resultados iniciales indican que convertir esos hallazgos en un desarrollo de exploits fiable sigue siendo considerablemente más difícil.
Para los equipos de seguridad empresarial, esto en realidad hace que el modelo sea interesante como asistente defensivo de análisis de vulnerabilidades, más que como un simple motor de automatización ofensiva.
GLM-5.3 vs GLM-5.2
GLM-5.2 ofrece la línea base confirmada más útil.
| Característica | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Estado | Lanzado | Anunciado |
| Posicionamiento principal | Agentes de largo horizonte | Ciberseguridad + agentes |
| Programación | Excelente | Se espera que siga siendo sólida |
| Ciberseguridad | Potencial sólido | Enfoque insignia explícito |
| CyberGym | — | 84.5% |
| ExploitBench | — | 54.4% |
| Contexto | 1M | No confirmado |
| Parámetros | ~753B | No confirmado |
| Licencia | MIT | Pesos abiertos anunciados |
| Precios de API | Publicados | Aún no publicados |
| Pesos públicos | Disponibles | Planificados |
La arquitectura confirmada de GLM-5.2 es de aproximadamente 753B parámetros, y su catálogo público de modelos aún enumera el modelo de 753B y la versión FP8.
GLM-5.2 también logró 81.0 en Terminal-Bench 2.1 y 62.1 en SWE-bench Pro según informes de terceros basados en los materiales de evaluación de modelos de Z.ai.
Pero esos números deben seguir siendo métricas de GLM-5.2, no atribuirse a GLM-5.3.
GLM-5.3 vs Mythos 5
Esta es actualmente la comparación de benchmark más significativa.
| Benchmark | GLM-5.3 | Mythos 5 | Diferencia |
|---|---|---|---|
| CyberGym | 84.5% | 83.8% | +0.7 p.p. |
| ExploitBench | 54.4% | 78.0% | −23.6 p.p. |
El resultado produce una conclusión matizada.
GLM-5.3 gana en identificación de vulnerabilidades.
Pero:
Mythos 5 sigue siendo sustancialmente más fuerte en desarrollo de exploits.
Por lo tanto, decir "GLM-5.3 supera a Mythos 5" sería una interpretación inexacta de los datos disponibles.
Una descripción mejor es:
GLM-5.3 alcanza un desempeño al nivel de Mythos 5 en descubrimiento de vulnerabilidades, mientras se mantiene por detrás en desarrollo de exploits.
Eso es mucho más defendible y más útil para los desarrolladores.