GLM-5.3 の技術仕様
| 仕様 | GLM-5.3 |
|---|---|
| 開発元 | Z.ai |
| モデルファミリー | GLM-5 |
| バージョン | 5.3 |
| 発表 | 2026年8月14日 |
| モデルタイプ | 先端エージェント型 LLM |
| 主な焦点 | サイバーセキュリティ、コーディング、自律エージェント |
| オープンウェイト | はい／発表済み |
| パラメータ | 未公表 |
| アクティブパラメータ | 未公表 |
| アーキテクチャ | 未公表 |
| コンテキストウィンドウ | 未公表 |
| 最大出力 | 未公表 |
| ネイティブ・ビジョン対応 | 未確認 |
| CyberGym | 84.5% |
| ExploitBench | 54.4% |
| 公開ウェイト | 計画中 |
| 一般公開 | 発表からおよそ2週間後 |
| API モデル ID | まだ公表されていない |
| API 価格 | 未発表 |
| アドバンストアクセス | 信頼/検証済みユーザー |
| 最適なユースケース | サイバーセキュリティ、コーディングエージェント、脆弱性研究 |
Z.ai の公開モデルリポジトリには依然としてダウンロード可能な GLM-5.3 のアーティファクトではなく、目立つ形で GLM-5.2 が表示されているため、未公表の仕様は明確に未確認として扱うべきです。
GLM-5.3 とは？
GLM-5.3 は Z.ai の GLM ファミリーの最新世代であり、複雑なセキュリティおよびエンジニアリングタスクを自律的に実行できる AI システムへのシフトを体現しています。
この発表が特に注目されるのは、サイバーセキュリティが単なるベンチマークの一カテゴリとして提示されているわけではないからです。Z.ai は GLM-5.3 を用いて、ソフトウェアの脆弱性を発見し、攻撃開発ワークフローに参加できる AI システムを実証しています。
Reuters は、Z.ai がセキュリティ評価を完了した後にモデルを公開する計画である一方、より高度な機能は当初は信頼されたアクセスメカニズムを通じて制限されると報じています。
これは GLM-5.2 からの重要な重点変更です。
GLM-5.2 は主として長期的なソフトウェアエンジニアリングとエージェント型コーディングに焦点を当てて位置づけられていました。Z.ai の6月のリサーチページでは、GLM-5.2 を "Built for Long-Horizon Tasks." と説明しています。
GLM-5.3 はそのエージェント哲学を、はるかにセンシティブな領域へと持ち込みます。
software engineering → vulnerability discovery → cyber defense → controlled offensive security
GLM-5.3 の主な特徴は？
サイバーセキュリティ中心の推論
目玉機能はサイバーセキュリティです。
GLM-5.3 は達成しました：
CyberGym で 84.5%
CyberGym は、AI システムがソフトウェアの脆弱性を特定する能力を評価します。この結果は、Mythos 5 の報告値 83.8% をわずかに上回ります。
これは重要です。なぜなら、サイバーセキュリティには構文的に正しいコードを生成する以上のものが要求されるからです。
有能なセキュリティエージェントには以下が必要です。
- 見慣れないコードを理解する。
- 攻撃面を識別する。
- 脆弱性に関する仮説を立てる。
- データおよび制御フローをトレースする。
- 仮説を検証する。
- 適切な PoC を作成する。
- その脆弱性が実際に搾取可能かどうかを判断する。
GLM-5.3 の CyberGym スコアは、この連鎖の前半部分における意味のある進歩を示唆しています。
強力な脆弱性発見能力
84.5% の CyberGym スコア は、初期結果として最も印象的と言えるでしょう。
これは、脆弱性の識別において GLM-5.3 を Mythos 5 よりわずかに前に置きます。
| モデル | CyberGym |
|---|---|
| GLM-5.3 | 84.5% |
| Mythos 5 | 83.8% |
差はわずか 0.7 パーセンテージポイント なので、GLM-5.3 が決定的に優れていると表現するのは誤解を招きます。
より興味深い点は、Z.ai のオープンウェイトモデルが、厳しく制限されたサイバーセキュリティシステムと同等の性能領域に入りつつあることです。
エクスプロイト開発は依然として弱み
GLM-5.3 はあらゆるサイバーセキュリティタスクで圧倒的というわけではありません。
ExploitBench において：
| モデル | ExploitBench |
|---|---|
| GLM-5.3 | 54.4% |
| Mythos 5 | 78.0% |
その差は 23.6 ポイント です。
ここには重要な区別があります。
脆弱性を見つけることと、それを確実に悪用することは同じではない。
GLM-5.3 は弱点の特定に非常に長けているように見受けられますが、初期結果は、それらの発見を信頼性の高いエクスプロイト開発へと転換することが依然としてかなり難しいことを示しています。
エンタープライズのセキュリティチームにとって、これは同モデルが単なる攻撃自動化エンジンではなく、むしろ防御的な脆弱性分析アシスタントとして興味深い存在であることを意味します。
GLM-5.3 と GLM-5.2 の比較
GLM-5.2 が最も有用な確認済みベースラインを提供します。
| 機能 | GLM-5.2 | GLM-5.3 |
|---|---|---|
| ステータス | リリース済み | 発表済み |
| 主な位置づけ | 長期タスク志向のエージェント | サイバーセキュリティ＋エージェント |
| コーディング | 優秀 | 引き続き強力と想定 |
| サイバーセキュリティ | 高いポテンシャル | 明確な旗艦分野 |
| CyberGym | — | 84.5% |
| ExploitBench | — | 54.4% |
| コンテキスト | 1M | 未確認 |
| パラメータ | ~753B | 未確認 |
| ライセンス | MIT | オープンウェイト発表済み |
| API 価格 | 公開済み | 未公開 |
| 公開ウェイト | 利用可能 | 計画中 |
GLM-5.2 の確認済みアーキテクチャはおよそ 753B パラメータ であり、公開モデルカタログには 753B モデルと FP8 バージョンが引き続き掲載されています。
また、GLM-5.2 は第三者による Z.ai のモデル評価資料に基づく報告で、Terminal-Bench 2.1 で 81.0、SWE-bench Pro で 62.1 を達成しています。
ただし、これらの数値はあくまで GLM-5.2 のベンチマーク として扱うべきであり、GLM-5.3 に帰属させるべきではありません。
GLM-5.3 と Mythos 5 の比較
現時点で最も意味のあるベンチマーク比較です。
| ベンチマーク | GLM-5.3 | Mythos 5 | 差分 |
|---|---|---|---|
| CyberGym | 84.5% | 83.8% | +0.7 pp |
| ExploitBench | 54.4% | 78.0% | −23.6 pp |
この結果は、含意のある結論を導きます。
GLM-5.3 は脆弱性発見で優位
しかし：
エクスプロイト開発では Mythos 5 の方が依然として大幅に強力
したがって、"GLM-5.3 beats Mythos 5" と言うのは、利用可能なデータの解釈として不正確です。
より適切な表現は次のとおりです：
GLM-5.3 は脆弱性発見では Mythos 5 と同水準の性能に到達している一方、エクスプロイト開発では依然として後塵を拝している。