GLM 5.3 API

GLM-5.3 的技術規格

Z.ai 的公開模型倉庫仍然顯著展示著 GLM-5.2，而非可下載的 GLM-5.3 構件，因此，尚未發佈的規格應明確標註為未確證。

什麼是 GLM-5.3？

GLM-5.3 是 Z.ai 的 GLM 家族的最新一代，代表著正向能夠自主執行複雜安全與工程任務的 AI 系統轉型。

此項宣佈尤為引人注目，因為網路安全並非僅被當作另一個基準分類。Z.ai 正以 GLM-5.3 展示一個能夠發現軟體漏洞並參與攻擊開發工作流程的 AI 系統。

路透社報導，Z.ai 計畫在完成安全評估後公開釋出該模型，而更先進的能力將初期透過一種「受信任存取機制」加以限制。

這與 GLM-5.2 的重點相比是顯著的轉變。

GLM-5.2 主要定位於「長期軌跡的軟體工程與代理式編碼」。Z.ai 六月的研究頁面將 GLM-5.2 描述為「為 Long-Horizon Tasks 而建」。

GLM-5.3 將這一代理式理念帶入敏感得多的領域：

軟體工程 → 漏洞發掘 → 網路防禦 → 受控攻擊性安全

---

GLM-5.3 的主要特性是什麼？

以網路安全為核心的推理

主打能力是網路安全。

GLM-5.3 取得：

CyberGym 84.5%

CyberGym 用於評估 AI 系統識別軟體漏洞的能力。該結果略高於 Mythos 5 報告的 83.8%。

這很重要，因為網路安全不僅僅是產生語法正確的程式碼。

一個有能力的安全代理需要能夠：

1. 理解不熟悉的程式碼。
2. 識別攻擊面。
3. 對漏洞形成假設。
4. 追蹤資料與控制流程。
5. 驗證該假設。
6. 開發適當的概念驗證。
7. 判定該漏洞是否實際可被利用。

GLM-5.3 在 CyberGym 的成績顯示，該模型在這條鏈的前半段已有實質進展。

強大的漏洞發掘能力

這個 84.5% 的 CyberGym 成績 可以說是最令人印象深刻的早期結果。

這使 GLM-5.3 在漏洞識別方面略勝 Mythos 5 一籌：

差距僅有 0.7 個百分點，因此將 GLM-5.3 描述為決定性領先會有誤導之嫌。

更有趣的是，Z.ai 的開放權重模型正進入與一個高度受限的資安系統相近的表現區間。

漏洞利用開發仍是弱項

GLM-5.3 並未在所有網路安全任務中占優。

在 ExploitBench 上：

差距為 23.6 個百分點。

這揭示了一個重要的區別：

發現漏洞並不等同於能夠可靠地加以利用。

GLM-5.3 似乎在識別弱點方面能力很強，但早期結果顯示，將這些發現轉化為可靠的漏洞利用開發要困難得多。

對企業安全團隊而言，這反而使該模型作為一個「防禦性漏洞分析助理」更具吸引力，而不僅僅是單純的攻擊自動化引擎。

GLM-5.3 對比 GLM-5.2

GLM-5.2 提供了最有用且已確認的基準。

GLM-5.2 經確認的架構約為 753B 參數，其公開模型目錄仍列示 753B 模型與 FP8 版本。

根據第三方基於 Z.ai 模型評測材料的報導，GLM-5.2 還在 Terminal-Bench 2.1 取得 81.0，並在 SWE-bench Pro 取得 62.1。

但這些數據應保留為 GLM-5.2 的基準，不應歸因於 GLM-5.3。

GLM-5.3 對比 Mythos 5

這目前是最具意義的基準比較。

這帶來一個更為細緻的結論。

GLM-5.3 在漏洞識別上勝出。

但是：

Mythos 5 在漏洞利用開發上仍顯著更強。

因此，說 「GLM-5.3 擊敗 Mythos 5」 會是對現有資料的不準確解讀。

更好的描述是：

GLM-5.3 在漏洞發掘方面達到接近 Mythos 5 的水準，但在漏洞利用開發上仍然落後。