Especificações técnicas do GLM-5.3
| Especificação | GLM-5.3 |
|---|---|
| Desenvolvedora | Z.ai / Zhipu AI |
| Lançamento | 14 de agosto de 2026 |
| Tipo de modelo | Modelo base carro-chefe |
| Entrada | Texto |
| Saída | Texto |
| Janela de contexto | 1,000,000 tokens |
| Saída máxima | 128,000 tokens |
| Raciocínio | Múltiplos modos |
| Transmissão contínua | Sim |
| Chamada de funções | Sim |
| Saída estruturada | Sim |
| Cache de contexto | Sim |
| MCP | Sim |
| Aplicações principais | Programação, agentes, engenharia, cibersegurança |
Os repositórios públicos de modelos da Z.ai ainda mostram em destaque o GLM-5.2, e não um artefato do GLM-5.3 para download, portanto as especificações que ainda não foram publicadas devem permanecer explicitamente marcadas como não confirmadas.
O que é o GLM-5.3?
O GLM-5.3 é a geração mais recente da família GLM da Z.ai e representa uma mudança em direção a sistemas de IA capazes de executar tarefas complexas de segurança e engenharia de forma autônoma.
O anúncio é particularmente notável porque a cibersegurança não está sendo apresentada apenas como mais uma categoria de benchmark. A Z.ai está usando o GLM-5.3 para demonstrar um sistema de IA capaz de descobrir vulnerabilidades de software e participar de fluxos de trabalho de desenvolvimento de ataques.
A Reuters relata que a Z.ai planeja liberar o modelo publicamente após concluir avaliações de segurança, enquanto capacidades mais avançadas serão inicialmente restritas por meio de um mecanismo de acesso confiável.
Isso representa uma mudança significativa de ênfase em relação ao GLM-5.2.
O GLM-5.2 foi posicionado principalmente em engenharia de software de longo horizonte e codificação orientada a agentes. A página de pesquisa de junho da Z.ai descreve o GLM-5.2 como "Construído para tarefas de longo horizonte".
O GLM-5.3 leva essa filosofia orientada a agentes para um domínio consideravelmente mais sensível:
engenharia de software → descoberta de vulnerabilidades → defesa cibernética → segurança ofensiva controlada
Quais são os principais recursos do GLM-5.3?
Raciocínio centrado em cibersegurança
O recurso de destaque é a cibersegurança.
O GLM-5.3 atingiu:
84.5% no CyberGym
O CyberGym avalia a capacidade de um sistema de IA identificar vulnerabilidades de software. O resultado supera ligeiramente os 83.8% do Mythos 5.
Isso é importante porque cibersegurança exige mais do que gerar código sintaticamente correto.
Um agente de segurança capaz precisa:
- Entender código desconhecido.
- Identificar superfícies de ataque.
- Formar hipóteses sobre vulnerabilidades.
- Rastrear fluxos de dados e de controle.
- Validar a hipótese.
- Desenvolver uma prova de conceito apropriada.
- Determinar se a vulnerabilidade é de fato explorável.
A pontuação do GLM-5.3 no CyberGym sugere progresso significativo nas primeiras etapas dessa cadeia.
Descoberta de vulnerabilidades sólida
A pontuação de 84.5% no CyberGym é possivelmente o resultado inicial mais impressionante.
Ela coloca o GLM-5.3 ligeiramente à frente do Mythos 5 na identificação de vulnerabilidades:
| Modelo | CyberGym |
|---|---|
| GLM-5.3 | 84.5% |
| Mythos 5 | 83.8% |
A margem é de apenas 0.7 pontos percentuais, então seria enganoso descrever o GLM-5.3 como decisivamente superior.
O ponto mais interessante é que um modelo de pesos abertos da Z.ai está entrando na mesma faixa de desempenho de um sistema de cibersegurança altamente restrito.
O desenvolvimento de exploits ainda é uma fraqueza
O GLM-5.3 não domina todas as tarefas de cibersegurança.
No ExploitBench:
| Modelo | ExploitBench |
|---|---|
| GLM-5.3 | 54.4% |
| Mythos 5 | 78.0% |
Isso é um hiato de 23.6 pontos.
Isso revela uma distinção importante:
Encontrar uma vulnerabilidade não é o mesmo que explorá-la de forma confiável.
O GLM-5.3 parece altamente capaz de identificar fragilidades, mas os resultados iniciais indicam que converter essas descobertas em desenvolvimento de exploits de forma consistente permanece consideravelmente mais difícil.
Para equipes de segurança corporativa, isso torna o modelo interessante como um assistente defensivo de análise de vulnerabilidades, em vez de simplesmente um motor de automação ofensiva.
GLM-5.3 vs GLM-5.2
O GLM-5.2 fornece a base confirmada mais útil.
| Recurso | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Status | Lançado | Anunciado |
| Posicionamento principal | Agentes de longo horizonte | Cibersegurança + agentes |
| Programação | Excelente | Espera-se que permaneça forte |
| Cibersegurança | Potencial forte | Foco principal explícito |
| CyberGym | — | 84.5% |
| ExploitBench | — | 54.4% |
| Contexto | 1M | Não confirmado |
| Parâmetros | ~753B | Não confirmado |
| Licença | MIT | Pesos abertos anunciados |
| Preços da API | Publicados | Ainda não publicados |
| Pesos públicos | Disponíveis | Planejados |
A arquitetura confirmada do GLM-5.2 é de aproximadamente 753B parâmetros, e seu catálogo público de modelos ainda lista o modelo de 753B e a versão FP8.
O GLM-5.2 também obteve 81.0 no Terminal-Bench 2.1 e 62.1 no SWE-bench Pro segundo reportagens de terceiros baseadas em materiais de avaliação de modelos da Z.ai.
Mas esses números devem permanecer como benchmarks do GLM-5.2, e não ser atribuídos ao GLM-5.3.
GLM-5.3 vs Mythos 5
Esta é atualmente a comparação de benchmark mais significativa.
| Benchmark | GLM-5.3 | Mythos 5 | Diferença |
|---|---|---|---|
| CyberGym | 84.5% | 83.8% | +0.7 pp |
| ExploitBench | 54.4% | 78.0% | −23.6 pp |
O resultado produz uma conclusão nuançada.
O GLM-5.3 vence na identificação de vulnerabilidades.
Mas:
O Mythos 5 permanece substancialmente mais forte no desenvolvimento de exploits.
Portanto, dizer "GLM-5.3 supera o Mythos 5" seria uma interpretação imprecisa dos dados disponíveis.
Uma descrição melhor é:
O GLM-5.3 atinge desempenho de nível Mythos 5 na descoberta de vulnerabilidades, mas permanece atrás no desenvolvimento de exploits.