GLM-5.3: la apuesta de Zhipu por el postentrenamiento para programar y detectar vulnerabilidades

La promesa de Tang Jie resultó ser bastante literal. Después de responder «sooooooon» a un usuario que preguntaba por GLM-5.3, el científico jefe de Zhipu AI vio cómo la compañía presentaba el nuevo modelo apenas unas horas más tarde. 12

Pero la velocidad del lanzamiento no fue lo más interesante. GLM-5.3 llegó como un modelo especializado principalmente en programación, agentes capaces de ejecutar tareas con herramientas y ciberseguridad. Su particularidad técnica: mantiene la misma base de aproximadamente 743.000 millones de parámetros que GLM-5.2, mientras que Zhipu atribuye las mejoras sobre todo a un postentrenamiento más amplio, no a una nueva fase de preentrenamiento de mayor tamaño. 1420

La idea central: obtener más capacidad con la misma base

En una industria acostumbrada a asociar los avances con modelos cada vez más grandes, GLM-5.3 presenta otra estrategia: invertir más en el postentrenamiento para especializar y afinar una base ya existente.

Las comparaciones publicadas por Zhipu muestran los avances más claros en tareas de ingeniería de software complejas y con uso intensivo de herramientas:

• SWE-Marathon: de 19,4 a 42,5
• FrontierSWE: de 67,5 a 78,1
• Terminal-Bench 3.0: de 4,6 a 28,3
• DeepSWE v1.1: de 46,2 a 66,9

Las cifras proceden de comparaciones difundidas por Zhipu y de análisis secundarios de esos resultados. 1367

El salto de Terminal-Bench 3.0 llama especialmente la atención en puntos porcentuales. Aun así, una mejora muy grande desde una puntuación inicial baja no demuestra por sí sola que el modelo sea el mejor en todas las tareas de ingeniería de software. En SWE-Marathon, por ejemplo, el 42,5 de GLM-5.3 seguía por debajo de los resultados mostrados para Kimi K3 y Opus 4.8. 69

CyberGym, el resultado que acaparó los titulares

La cifra más llamativa de GLM-5.3 fue su 84,5 en CyberGym, una prueba centrada en encontrar y validar vulnerabilidades a partir del código fuente. La comparación de Zhipu situó ese resultado ligeramente por encima del 83,8 de Mythos 5 y del 83,6 de GPT-5.6 Sol. 256

CyberGym no mide simplemente si un modelo puede sugerir código más seguro. La tarea implica detectar debilidades, construir ataques y comprobar sus efectos: un proceso más cercano al descubrimiento de vulnerabilidades y al razonamiento sobre cadenas de explotación que a la generación habitual de código. 1217

Esa diferencia explica el interés de las publicaciones especializadas en seguridad informática. The Register citó la afirmación de Zhipu de que la mejora no se limitaba a localizar fallos aislados, sino que también permitía razonar en varias etapas de una cadena de explotación. 17

Conviene, sin embargo, poner la palabra «líder» en contexto. Las comparaciones disponibles se describen como resultados comunicados por el proveedor y todavía no existe una replicación independiente a gran escala. 246

Pruebas con código real y una advertencia importante

Más allá de CyberGym, Zhipu afirmó haber colaborado con equipos de seguridad para probar sus modelos en bases de código del mundo real. El registro publicado por la compañía contabilizaba 2.436 hallazgos de seguridad en 269 proyectos de código abierto, incluidos 1.097 fallos de gravedad crítica o alta. Según esos reportes, el hallazgo más antiguo se remontaba a 1981 y las vulnerabilidades habían permanecido sin descubrir durante un promedio de 26,6 años. 2131

Estos datos sirven para entender el tipo de flujo de trabajo de seguridad que Zhipu quiere asociar con GLM-5.3, pero no deben interpretarse como mediciones auditadas de forma independiente. La información disponible atribuye el registro a la propia empresa y el conjunto de resultados de seguridad sigue basándose en gran medida en divulgaciones corporativas.

Un modelo pensado para agentes, no solo para completar código

La presentación de GLM-5.3 no se limitó a la programación convencional. Zhipu lo promocionó para agentes capaces de trabajar durante periodos prolongados, utilizar herramientas, operar en terminales y completar tareas de ingeniería con múltiples pasos.

Entre los resultados comunicados figuran 73,0 en Toolathlon Verified, frente a 59,9 de GLM-5.2, y 48,2 en AutomationBench, frente a 26,2. 17 Otras comparaciones publicadas también registraron 28,5 en Agents’ Last Exam. 11

La diferencia práctica es relevante: la ventaja buscada no consiste únicamente en producir un fragmento de código plausible, sino en ejecutar una secuencia de acciones dentro de un repositorio, una terminal o un entorno de herramientas.

Eso no garantiza, por sí mismo, una ingeniería de producción fiable. En un proyecto real también importan los permisos concedidos al agente, la cobertura de las pruebas, los procesos de revisión y la frecuencia con la que el modelo se equivoca en una base de código concreta.

Qué demuestran los resultados —y qué no

La evidencia disponible respalda una conclusión más acotada que «GLM-5.3 supera a todos los modelos de frontera». Los resultados de Zhipu muestran un avance considerable frente a GLM-5.2 en varios benchmarks de programación y agentes, además de una puntuación líder en CyberGym dentro de las tablas comparativas publicadas por la compañía y reproducidas por distintos medios. 256

No demuestran que GLM-5.3 sea superior de forma uniforme en programación, razonamiento, seguridad o tareas generales. Algunos modelos competidores siguen por delante en benchmarks concretos de código y los resultados disponibles todavía no han sido reproducidos ampliamente por evaluadores independientes. 69

La conclusión más importante es metodológica. GLM-5.3 plantea que un postentrenamiento a gran escala puede liberar capacidades especializadas a partir de una base grande ya existente. Si las pruebas independientes confirman estos avances, la inversión en postentrenamiento y la evaluación cuidadosa con software y flujos de seguridad reales podrían ser tan importantes como las comparaciones basadas únicamente en el número de parámetros.