Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli.
Mallin kyberkyvyt yllättivät jopa sen kehittäjät: ExploitBench testissä tulos yli kaksinkertaistui 24,4 %:sta 54,4 %:iin, ja todellisissa testauksissa se löysi 2 436 vahvistettua haavoittuvuutta 269 avoimen lähdekoodi...
Vaikka GLM 5.3 päihittää yhdysvaltalaiset kilpailijat CyberGymissä, se jää selvästi jälkeen ExploitBench testissä, jossa Mythos 5 sai 78 % ja GPT 5.6 Sol 76,5 %.
What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity tZ.ai GLM-5.3 benchmark comparison against Anthropic Mythos 5 and OpenAI GPT-5.6 Sol on CyberGym and ExploitBench.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity t. Article summary: On August 14, 2026, Zhipu AI (now branding as **Z.ai**) launched **GLM-5.3**, a 740-billion-parameter open-weight model that delivers roughly 50% better coding performance than GLM-5.2 and unexpectedly strong emergent cy. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
openai.com
elokuuta 2026 kiinalainen tekoälylaboratorio Z.ai (entinen Zhipu AI) julkaisi GLM-5.3 -mallin, joka on 740 miljardin parametrin avoimen painon malli . Malli tarjoaa noin 50 % paremman koodauskyvyn kuin edeltäjänsä GLM-5.2, ja sen kyberkyvyt yllättivät jopa kehittäjät . Malli on niin taitava etsimään ja hyödyntämään tietoturva-aukkoja, että Z.ai lykkää sen avoimen lähdekoodin painojen julkistamista kahdella viikolla turvallisuustarkastusten vuoksi .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Z.ai GLM-5.3: Kiinalainen tekoälymalli yllättää kyberkyvyillään – vertailussa Mythos 5 ja GPT-5.6 Sol"?
Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli.
What are the key points to validate first?
Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli. Mallin kyberkyvyt yllättivät jopa sen kehittäjät: ExploitBench testissä tulos yli kaksinkertaistui 24,4 %:sta 54,4 %:iin, ja todellisissa testauksissa se löysi 2 436 vahvistettua haavoittuvuutta 269 avoimen lähdekoodi...
What should I do next in practice?
Vaikka GLM 5.3 päihittää yhdysvaltalaiset kilpailijat CyberGymissä, se jää selvästi jälkeen ExploitBench testissä, jossa Mythos 5 sai 78 % ja GPT 5.6 Sol 76,5 %.
Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli.
Mallin kyberkyvyt yllättivät jopa sen kehittäjät: ExploitBench testissä tulos yli kaksinkertaistui 24,4 %:sta 54,4 %:iin, ja todellisissa testauksissa se löysi 2 436 vahvistettua haavoittuvuutta 269 avoimen lähdekoodi...
Vaikka GLM 5.3 päihittää yhdysvaltalaiset kilpailijat CyberGymissä, se jää selvästi jälkeen ExploitBench testissä, jossa Mythos 5 sai 78 % ja GPT 5.6 Sol 76,5 %.
What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity tZ.ai GLM-5.3 benchmark comparison against Anthropic Mythos 5 and OpenAI GPT-5.6 Sol on CyberGym and ExploitBench.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key capabilities and benchmark results of Chinese AI firm Zhipu's newly launched GLM-5.3 model, particularly in cybersecurity t. Article summary: On August 14, 2026, Zhipu AI (now branding as **Z.ai**) launched **GLM-5.3**, a 740-billion-parameter open-weight model that delivers roughly 50% better coding performance than GLM-5.2 and unexpectedly strong emergent cy. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
openai.com
elokuuta 2026 kiinalainen tekoälylaboratorio Z.ai (entinen Zhipu AI) julkaisi GLM-5.3 -mallin, joka on 740 miljardin parametrin avoimen painon malli . Malli tarjoaa noin 50 % paremman koodauskyvyn kuin edeltäjänsä GLM-5.2, ja sen kyberkyvyt yllättivät jopa kehittäjät . Malli on niin taitava etsimään ja hyödyntämään tietoturva-aukkoja, että Z.ai lykkää sen avoimen lähdekoodin painojen julkistamista kahdella viikolla turvallisuustarkastusten vuoksi .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Z.ai GLM-5.3: Kiinalainen tekoälymalli yllättää kyberkyvyillään – vertailussa Mythos 5 ja GPT-5.6 Sol"?
Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli.
What are the key points to validate first?
Kiinalainen Z.ai (entinen Zhipu AI) julkaisi 14. elokuuta 2026 GLM 5.3 mallin, joka on 740 miljardin parametrin avoimen painon malli. Mallin kyberkyvyt yllättivät jopa sen kehittäjät: ExploitBench testissä tulos yli kaksinkertaistui 24,4 %:sta 54,4 %:iin, ja todellisissa testauksissa se löysi 2 436 vahvistettua haavoittuvuutta 269 avoimen lähdekoodi...
What should I do next in practice?
Vaikka GLM 5.3 päihittää yhdysvaltalaiset kilpailijat CyberGymissä, se jää selvästi jälkeen ExploitBench testissä, jossa Mythos 5 sai 78 % ja GPT 5.6 Sol 76,5 %.
Kaikki alla olevat tulokset ovat yhtiön itsensä raportoimia eikä niitä ole vielä vahvistettu riippumattomasti.
Kyberturvallisuustulokset vs. yhdysvaltalaiset kilpailijat
GLM-5.3:n kärkitulos on CyberGym-testissä, jonka on kehittänyt UC Berkeleyn Responsible AI Development Initiative . Testi mittaa, kuinka hyvin malli pystyy tunnistamaan ja vahvistamaan todellisia haavoittuvuuksia lähdekoodista . Siinä GLM-5.3 sai 84,5 % ohittaen niukasti Anthropicin Mythos 5:n (83,8 %) ja OpenAI:n GPT-5.6 Solin (83,6 %).
Tilanne muuttuu ExploitBench-testissä, joka vaatii syvällisempää päättelyä haavoittuvuuksien hyödyntämisestä ja valmiin hyökkäysmenetelmän tuottamista. GLM-5.3 yli kaksinkertaisti edeltäjänsä tuloksen nousten 24,4 %:sta 54,4 %:iin. Z.ai raportoi kuitenkin, että Mythos 5 sai ExploitBenchistä 78 % ja GPT-5.6 Sol 76,5 % – eli GLM-5.3 jää selvästi jälkeen tässä vaativammassa mittarissa .
ExploitGym-testissä, joka mittaa kuinka monta hyökkäystehtävää malli suorittaa normalisoidussa kahden tunnin budjetissa, GLM-5.3 suoritti 105 tehtävää (GLM-5.2 suoritti 29) . Kuuden tunnin budjetilla luku nousi 130 tehtävään .
Testi
Mitä se mittaa
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
Haavoittuvuuksien tunnistus ja vahvistus lähdekoodista
84,5 %
83,8 %
83,6 %
ExploitBench
Päättely ja toimivan hyökkäysmenetelmän tuottaminen
54,4 %
78 %
76,5 %
ExploitGym (2h budjetti)
Suoritettujen hyökkäysten määrä
105 tehtävää
Ei julkistettu
Ei julkistettu
Lähteet:
Haavoittuvuuksien löytäminen todellisessa maailmassa
GLM-5.3 on ehtinyt tehdä vaikutuksen myös todellisessa kyberturvallisuustestauksessa:
2 436 vahvistettua haavoittuvuutta löydetty 269 avoimen lähdekoodin projektista, ja tulokset on kirjattu julkiseen Z.ai Security Disclosure Ledgeriin .
Näistä 1 097 luokiteltiin kriittisiksi tai vakaviksi.
Malli löysi ohjelmointivirheitä jopa noin 40 vuotta vanhasta ohjelmistosta .
Pian julkaisunsa jälkeen se löysi vakavan haavoittuvuuden Cursor-koodieditorista .
Tärkeimmät koodaus- ja yleistestit
GLM-5.3 sai vahvoja tuloksia myös koodaus- ja agenttitesteissä, mikä tekee siitä johtavan avoimen painon mallin ohjelmistokehitystehtävissä:
Terminal-Bench 3.0: sai 28,3 – korkein tulos avoimen painon malleissa ja lähellä Anthropicin Claude Fable 5:tä .
DeepSWE v1.1: nousi 46,2:sta 66,9:ään.
Z.ai:n sisäinen Code Bench (Max effort): 34,5 % (GLM-5.2 sai 23,4 %), käyttäen noin 75 000 ulostulomerkkiä tehtävää kohti verrattuna 96 000:een .
Agents' Last Exam: ensimmäinen sija avoimen painon malleissa .
World of AI Benchmark -koostetulos: sijalla #6 kokonaisuudessaan tuloksella 81,3, heti Kimi K3:n (81,5) takana ja GPT-5.6 Terran edellä .
FrontierSWE: nousi 67,5:stä 78,1:een.
SWE-Marathon: kaksinkertaistui 19,4:stä 42,5:een.
Miksi avoimen painon julkaisua lykätään
Z.ai kertoo, että mallin kyberkyvyt "kasvoivat odotettua nopeammin" jatkokoulutuksen aikana . Perusmallin 740 miljardia parametria eivät vaatineet uudelleenkoulutusta – kaikki parannukset tulivat jatkokoulutuksesta . Koska kyky oli odottamaton, yhtiö pitää avoimen painon julkaisua kaksi viikkoa jäähyllä vahvistaakseen turvallisuus- ja valvontatoimia . Malli on jo saatavilla Z.ai:n API:n kautta ja integraatioilla ZCodeen, Claude Codeen ja OpenCodeen .
Tärkeitä huomautuksia
Kaikki GLM-5.3:n testitulokset ovat yhtiön itsensä raportoimia eikä niitä ole vielä riippumattomasti vahvistettu .
CyberGymin etu Mythos 5:een ja GPT-5.6 Soliin verrattuna on kapea – alle prosenttiyksikön .
ExploitBenchissä GLM-5.3 jää selvästi jälkeen yhdysvaltalaisista kilpailijoista (54,4 % vs. 78 % Mythos 5:llä ja 76,5 % GPT-5.6 Solilla) .
Vertailun vuoksi laajempi kyberturvallisuustestien koostaja listaa GPT-5.6 Solin CyberGym-tulokseksi 84,5 % (sama kuin GLM-5.3) ja Mythos 5:n tulokseksi 83,8 %, kun taas ExploitBenchissä Sol saa 73,5 % ja Mythos 5 78 % .
x.com
Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber ...
Kaikki alla olevat tulokset ovat yhtiön itsensä raportoimia eikä niitä ole vielä vahvistettu riippumattomasti.
Kyberturvallisuustulokset vs. yhdysvaltalaiset kilpailijat
GLM-5.3:n kärkitulos on CyberGym-testissä, jonka on kehittänyt UC Berkeleyn Responsible AI Development Initiative . Testi mittaa, kuinka hyvin malli pystyy tunnistamaan ja vahvistamaan todellisia haavoittuvuuksia lähdekoodista . Siinä GLM-5.3 sai 84,5 % ohittaen niukasti Anthropicin Mythos 5:n (83,8 %) ja OpenAI:n GPT-5.6 Solin (83,6 %).
Tilanne muuttuu ExploitBench-testissä, joka vaatii syvällisempää päättelyä haavoittuvuuksien hyödyntämisestä ja valmiin hyökkäysmenetelmän tuottamista. GLM-5.3 yli kaksinkertaisti edeltäjänsä tuloksen nousten 24,4 %:sta 54,4 %:iin. Z.ai raportoi kuitenkin, että Mythos 5 sai ExploitBenchistä 78 % ja GPT-5.6 Sol 76,5 % – eli GLM-5.3 jää selvästi jälkeen tässä vaativammassa mittarissa .
ExploitGym-testissä, joka mittaa kuinka monta hyökkäystehtävää malli suorittaa normalisoidussa kahden tunnin budjetissa, GLM-5.3 suoritti 105 tehtävää (GLM-5.2 suoritti 29) . Kuuden tunnin budjetilla luku nousi 130 tehtävään .
Testi
Mitä se mittaa
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
Haavoittuvuuksien tunnistus ja vahvistus lähdekoodista
84,5 %
83,8 %
83,6 %
ExploitBench
Päättely ja toimivan hyökkäysmenetelmän tuottaminen
54,4 %
78 %
76,5 %
ExploitGym (2h budjetti)
Suoritettujen hyökkäysten määrä
105 tehtävää
Ei julkistettu
Ei julkistettu
Lähteet:
Haavoittuvuuksien löytäminen todellisessa maailmassa
GLM-5.3 on ehtinyt tehdä vaikutuksen myös todellisessa kyberturvallisuustestauksessa:
2 436 vahvistettua haavoittuvuutta löydetty 269 avoimen lähdekoodin projektista, ja tulokset on kirjattu julkiseen Z.ai Security Disclosure Ledgeriin .
Näistä 1 097 luokiteltiin kriittisiksi tai vakaviksi.
Malli löysi ohjelmointivirheitä jopa noin 40 vuotta vanhasta ohjelmistosta .
Pian julkaisunsa jälkeen se löysi vakavan haavoittuvuuden Cursor-koodieditorista .
Tärkeimmät koodaus- ja yleistestit
GLM-5.3 sai vahvoja tuloksia myös koodaus- ja agenttitesteissä, mikä tekee siitä johtavan avoimen painon mallin ohjelmistokehitystehtävissä:
Terminal-Bench 3.0: sai 28,3 – korkein tulos avoimen painon malleissa ja lähellä Anthropicin Claude Fable 5:tä .
DeepSWE v1.1: nousi 46,2:sta 66,9:ään.
Z.ai:n sisäinen Code Bench (Max effort): 34,5 % (GLM-5.2 sai 23,4 %), käyttäen noin 75 000 ulostulomerkkiä tehtävää kohti verrattuna 96 000:een .
Agents' Last Exam: ensimmäinen sija avoimen painon malleissa .
World of AI Benchmark -koostetulos: sijalla #6 kokonaisuudessaan tuloksella 81,3, heti Kimi K3:n (81,5) takana ja GPT-5.6 Terran edellä .
FrontierSWE: nousi 67,5:stä 78,1:een.
SWE-Marathon: kaksinkertaistui 19,4:stä 42,5:een.
Miksi avoimen painon julkaisua lykätään
Z.ai kertoo, että mallin kyberkyvyt "kasvoivat odotettua nopeammin" jatkokoulutuksen aikana . Perusmallin 740 miljardia parametria eivät vaatineet uudelleenkoulutusta – kaikki parannukset tulivat jatkokoulutuksesta . Koska kyky oli odottamaton, yhtiö pitää avoimen painon julkaisua kaksi viikkoa jäähyllä vahvistaakseen turvallisuus- ja valvontatoimia . Malli on jo saatavilla Z.ai:n API:n kautta ja integraatioilla ZCodeen, Claude Codeen ja OpenCodeen .
Tärkeitä huomautuksia
Kaikki GLM-5.3:n testitulokset ovat yhtiön itsensä raportoimia eikä niitä ole vielä riippumattomasti vahvistettu .
CyberGymin etu Mythos 5:een ja GPT-5.6 Soliin verrattuna on kapea – alle prosenttiyksikön .
ExploitBenchissä GLM-5.3 jää selvästi jälkeen yhdysvaltalaisista kilpailijoista (54,4 % vs. 78 % Mythos 5:llä ja 76,5 % GPT-5.6 Solilla) .
Vertailun vuoksi laajempi kyberturvallisuustestien koostaja listaa GPT-5.6 Solin CyberGym-tulokseksi 84,5 % (sama kuin GLM-5.3) ja Mythos 5:n tulokseksi 83,8 %, kun taas ExploitBenchissä Sol saa 73,5 % ja Mythos 5 78 % .
x.com
Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber ...
axios.comChina's latest open-weight model rivals U.S. models at hacking
daily.devGLM-5.3: Frontier Coding with Emergent Cyber Capabilities | daily.dev
techtimes.comGLM-5.3: Post-Training Produced Exploit Chains Z.ai ... - Tech Times
nationpress.comZhipu GLM-5.3 beats Anthropic Mythos 5 on CyberGym benchmark