Resultados en benchmarks de ciberseguridad frente a rivales estadounidenses

El resultado más destacado de GLM-5.3 es en CyberGym, un benchmark de la Iniciativa de Desarrollo Responsable de IA de la Universidad de California en Berkeley que evalúa si un modelo puede identificar y validar vulnerabilidades reales a partir de código fuente . En esta prueba, GLM-5.3 obtiene un 84,5%, superando por poco tanto a Mythos 5 de Anthropic (83,8%) como a GPT-5.6 Sol de OpenAI (83,6%) .

El panorama cambia en ExploitBench, que exige un razonamiento más profundo sobre cómo se podría explotar realmente una vulnerabilidad y requiere un exploit funcional. GLM-5.3 más que duplica la puntuación de su predecesor, pasando del 24,4% al 54,4% . Sin embargo, Z.ai informa que Mythos 5 obtiene un 78% en ExploitBench y GPT-5.6 Sol un 76,5%, lo que sitúa a GLM-5.3 muy por detrás en esta medida más difícil .

En ExploitGym, que cuenta cuántas tareas de explotación puede completar un modelo en un presupuesto normalizado de dos horas, GLM-5.3 finaliza 105 tareas (frente a 29 de GLM-5.2) . Con un presupuesto de seis horas, la cifra asciende a 130 tareas .

Fuentes:

Detección de vulnerabilidades en el mundo real

Más allá de los benchmarks, GLM-5.3 se ha desplegado en pruebas de seguridad reales con resultados impresionantes:

• 2.436 vulnerabilidades confirmadas encontradas en 269 proyectos de código abierto, con los resultados registrados en un libro de divulgación de seguridad público de Z.ai .
• De ellas, 1.097 fueron clasificadas como críticas o de alta gravedad .
• El modelo encontró errores en software de hace aproximadamente 40 años .
• Poco después de su lanzamiento, también identificó una vulnerabilidad grave en Cursor, el editor de código impulsado por IA .

Principales benchmarks de programación y generales

GLM-5.3 también presenta cifras sólidas en benchmarks de programación y agentes, posicionándose como un modelo líder de pesos abiertos para tareas de ingeniería de software:

• Terminal-Bench 3.0: obtuvo 28,3, la puntuación más alta entre los modelos de pesos abiertos y acercándose a Claude Fable 5 de Anthropic .
• DeepSWE v1.1: saltó de 46,2 a 66,9 .
• Z.ai internal Code Bench (máximo esfuerzo): 34,5% (frente al 23,4% de GLM-5.2), utilizando aproximadamente 75.000 tokens de salida por tarea frente a 96.000 .
• Agents' Last Exam: primer puesto entre los modelos de pesos abiertos .
• World of AI Benchmark composite: clasificado en el puesto #6 con una puntuación compuesta de 81,3, justo detrás de Kimi K3 (81,5) y por delante de GPT-5.6 Terra .
• FrontierSWE: alcanzó 78,1, frente a 67,5 .
• SWE-Marathon: se duplicó de 19,4 a 42,5 .

Por qué se retrasan los pesos abiertos

Z.ai afirma que la capacidad de ciberseguridad del modelo "creció más rápido de lo previsto" durante el post-entrenamiento . Los 740 mil millones de parámetros del modelo base no se reentrenaron; todas las mejoras provinieron de ajustes en el post-entrenamiento . Dado que la capacidad fue una sorpresa emergente, la empresa retiene el lanzamiento de los pesos abiertos durante dos semanas mientras refuerza los controles de seguridad . El modelo ya está disponible a través de la API de Z.ai y mediante integraciones con ZCode, Claude Code y OpenCode .

Advertencias importantes

• Todas las puntuaciones de los benchmarks de GLM-5.3 son reportadas por la empresa y aún no han sido verificadas de forma independiente .
• La ventaja en CyberGym sobre Mythos 5 y GPT-5.6 Sol es estrecha: menos de un punto porcentual .
• En ExploitBench, GLM-5.3 queda muy por detrás de sus rivales estadounidenses (54,4% frente al 78% de Mythos 5 y el 76,5% de GPT-5.6 Sol) .
• Para contextualizar, un agregador de benchmarks de ciberseguridad más amplio sitúa a GPT-5.6 Sol con un 84,5% en CyberGym (igualando a GLM-5.3) y a Mythos 5 con un 83,8%, mientras que muestra un ExploitBench del 73,5% para Sol y del 78% para Mythos 5 .

Resultados en benchmarks de ciberseguridad frente a rivales estadounidenses

El resultado más destacado de GLM-5.3 es en CyberGym, un benchmark de la Iniciativa de Desarrollo Responsable de IA de la Universidad de California en Berkeley que evalúa si un modelo puede identificar y validar vulnerabilidades reales a partir de código fuente . En esta prueba, GLM-5.3 obtiene un 84,5%, superando por poco tanto a Mythos 5 de Anthropic (83,8%) como a GPT-5.6 Sol de OpenAI (83,6%) .

El panorama cambia en ExploitBench, que exige un razonamiento más profundo sobre cómo se podría explotar realmente una vulnerabilidad y requiere un exploit funcional. GLM-5.3 más que duplica la puntuación de su predecesor, pasando del 24,4% al 54,4% . Sin embargo, Z.ai informa que Mythos 5 obtiene un 78% en ExploitBench y GPT-5.6 Sol un 76,5%, lo que sitúa a GLM-5.3 muy por detrás en esta medida más difícil .

En ExploitGym, que cuenta cuántas tareas de explotación puede completar un modelo en un presupuesto normalizado de dos horas, GLM-5.3 finaliza 105 tareas (frente a 29 de GLM-5.2) . Con un presupuesto de seis horas, la cifra asciende a 130 tareas .

Fuentes:

Detección de vulnerabilidades en el mundo real

Más allá de los benchmarks, GLM-5.3 se ha desplegado en pruebas de seguridad reales con resultados impresionantes:

• 2.436 vulnerabilidades confirmadas encontradas en 269 proyectos de código abierto, con los resultados registrados en un libro de divulgación de seguridad público de Z.ai .
• De ellas, 1.097 fueron clasificadas como críticas o de alta gravedad .
• El modelo encontró errores en software de hace aproximadamente 40 años .
• Poco después de su lanzamiento, también identificó una vulnerabilidad grave en Cursor, el editor de código impulsado por IA .

Principales benchmarks de programación y generales

GLM-5.3 también presenta cifras sólidas en benchmarks de programación y agentes, posicionándose como un modelo líder de pesos abiertos para tareas de ingeniería de software:

• Terminal-Bench 3.0: obtuvo 28,3, la puntuación más alta entre los modelos de pesos abiertos y acercándose a Claude Fable 5 de Anthropic .
• DeepSWE v1.1: saltó de 46,2 a 66,9 .
• Z.ai internal Code Bench (máximo esfuerzo): 34,5% (frente al 23,4% de GLM-5.2), utilizando aproximadamente 75.000 tokens de salida por tarea frente a 96.000 .
• Agents' Last Exam: primer puesto entre los modelos de pesos abiertos .
• World of AI Benchmark composite: clasificado en el puesto #6 con una puntuación compuesta de 81,3, justo detrás de Kimi K3 (81,5) y por delante de GPT-5.6 Terra .
• FrontierSWE: alcanzó 78,1, frente a 67,5 .
• SWE-Marathon: se duplicó de 19,4 a 42,5 .

Por qué se retrasan los pesos abiertos

Z.ai afirma que la capacidad de ciberseguridad del modelo "creció más rápido de lo previsto" durante el post-entrenamiento . Los 740 mil millones de parámetros del modelo base no se reentrenaron; todas las mejoras provinieron de ajustes en el post-entrenamiento . Dado que la capacidad fue una sorpresa emergente, la empresa retiene el lanzamiento de los pesos abiertos durante dos semanas mientras refuerza los controles de seguridad . El modelo ya está disponible a través de la API de Z.ai y mediante integraciones con ZCode, Claude Code y OpenCode .

Advertencias importantes

• Todas las puntuaciones de los benchmarks de GLM-5.3 son reportadas por la empresa y aún no han sido verificadas de forma independiente .
• La ventaja en CyberGym sobre Mythos 5 y GPT-5.6 Sol es estrecha: menos de un punto porcentual .
• En ExploitBench, GLM-5.3 queda muy por detrás de sus rivales estadounidenses (54,4% frente al 78% de Mythos 5 y el 76,5% de GPT-5.6 Sol) .
• Para contextualizar, un agregador de benchmarks de ciberseguridad más amplio sitúa a GPT-5.6 Sol con un 84,5% en CyberGym (igualando a GLM-5.3) y a Mythos 5 con un 83,8%, mientras que muestra un ExploitBench del 73,5% para Sol y del 78% para Mythos 5 .