Z.ai GLM-5.3: Model AI China Kalahkan AS di Benchmark Keamanan Siber, Tapi Masih Tertinggal di Tes yang Lebih Sulit

Pada 14 Agustus 2026, Zhipu AI — yang kini melakukan rebranding internasional sebagai Z.ai — meluncurkan GLM-5.3, sebuah model open-weight dengan 740 miliar parameter yang memberikan peningkatan performa coding sekitar 50% lebih baik dari GLM-5.2 dan, yang mengejutkan, memiliki kemampuan keamanan siber emergent yang kuat . Model ini sangat mahir dalam menemukan dan mengeksploitasi celah keamanan sehingga Z.ai menunda rilis publik bobot (weights)nya selama dua minggu untuk pengujian keamanan tambahan .

Hasil Benchmark Keamanan Siber vs. Pesaing AS

Hasil utama GLM-5.3 ada di CyberGym, sebuah benchmark dari Inisiatif Pengembangan AI yang Bertanggung Jawab milik UC Berkeley yang menguji kemampuan model untuk mengidentifikasi dan memvalidasi kerentanan nyata dari kode sumber white-box . Di sana, GLM-5.3 mencetak 84,5%, unggul tipis atas Mythos 5 (83,8%) milik Anthropic dan GPT-5.6 Sol (83,6%) milik OpenAI .

Gambaran berubah di ExploitBench, yang membutuhkan penalaran lebih dalam tentang bagaimana kerentanan nyata benar-benar dapat dieksploitasi dan menuntut pembuatan eksploit yang berfungsi. GLM-5.3 lebih dari dua kali lipat skor pendahulunya, naik dari 24,4% menjadi 54,4% . Namun, Z.ai melaporkan bahwa Mythos 5 mencetak 78% di ExploitBench dan GPT-5.6 Sol mencetak 76,5% — membuat GLM-5.3 tertinggal jauh pada metrik yang lebih sulit ini .

Di ExploitGym, yang menghitung berapa banyak tugas eksploitasi yang dapat diselesaikan model dalam anggaran dua jam yang dinormalisasi, GLM-5.3 menyelesaikan 105 tugas (naik dari 29 untuk GLM-5.2) . Dalam anggaran enam jam, angka itu naik menjadi 130 tugas .

Benchmark	Apa yang Diukur	GLM-5.3	Anthropic Mythos 5	OpenAI GPT-5.6 Sol
CyberGym	Penemuan & validasi kerentanan white-box dari kode sumber	84,5%	83,8%	83,6%
ExploitBench	Penalaran akar masalah + menghasilkan eksploit yang berfungsi	54,4%	78%	76,5%
ExploitGym (anggaran 2 jam)	Penyelesaian eksploitasi dalam anggaran yang dinormalisasi	105 tugas	Tidak diungkapkan	Tidak diungkapkan

Sumber:

Deteksi Kerentanan di Dunia Nyata

Di luar benchmark, GLM-5.3 telah digunakan dalam pengujian keamanan dunia nyata dengan hasil yang mengesankan:

• 2.436 kerentanan terkonfirmasi ditemukan di 269 proyek open-source, dengan hasil yang dilacak dalam Buku Besar Pengungkapan Keamanan Z.ai publik .
• Dari jumlah tersebut, 1.097 diklasifikasikan sebagai kritis atau severity tinggi .
• Model ini menemukan bug di perangkat lunak yang berusia sekitar 40 tahun .
• Tak lama setelah peluncuran, model ini juga mengidentifikasi kerentanan serius di Cursor, editor kode bertenaga AI .

Tolok Ukur Coding & Umum Utama

GLM-5.3 juga mencatatkan angka-angka kuat pada benchmark coding dan agentic, memposisikannya sebagai model open-weight terdepan untuk tugas-tugas rekayasa perangkat lunak:

• Terminal-Bench 3.0: mencetak 28,3 — tertinggi di antara model open-weight dan mendekati Claude Fable 5 milik Anthropic .
• DeepSWE v1.1: melonjak dari 46,2 menjadi 66,9 .
• Z.ai internal Code Bench (Max effort): 34,5% (vs. 23,4% GLM-5.2), menggunakan sekitar 75.000 token output per tugas versus 96.000 .
• Agents' Last Exam: peringkat pertama di antara model open-weight .
• World of AI Benchmark composite: peringkat #6 secara keseluruhan dengan skor komposit 81,3, tepat di belakang Kimi K3 (81,5) dan di atas GPT-5.6 Terra .
• FrontierSWE: mencapai 78,1, naik dari 67,5 .
• SWE-Marathon: berlipat ganda dari 19,4 menjadi 42,5 .

Mengapa Bobot Open Ditunda

Z.ai mengatakan kemampuan keamanan siber model "tumbuh lebih cepat dari yang diantisipasi" selama pasca-pelatihan . 740 miliar parameter model dasar tidak dilatih ulang — semua peningkatan berasal dari perbaikan pasca-pelatihan . Karena kemampuan tersebut merupakan kejutan yang muncul, perusahaan menahan rilis open-weight selama dua minggu sambil memperkuat kontrol keamanan dan keselamatan . Model ini sudah tersedia melalui API Z.ai dan melalui integrasi dengan ZCode, Claude Code, dan OpenCode .

Catatan Penting

• Semua skor benchmark GLM-5.3 dilaporkan oleh perusahaan dan belum diverifikasi secara independen .
• Keunggulan CyberGym atas Mythos 5 dan GPT-5.6 Sol sangat tipis — kurang dari satu poin persentase .
• Di ExploitBench, GLM-5.3 tertinggal jauh dari pesaing AS (54,4% vs. 78% untuk Mythos 5 dan 76,5% untuk GPT-5.6 Sol) .
• Sebagai konteks, agregator benchmark keamanan siber yang lebih luas menempatkan GPT-5.6 Sol di 84,5% pada CyberGym (menyamai GLM-5.3) dan Mythos 5 di 83,8%, sementara menunjukkan ExploitBench 73,5% untuk Sol dan 78% untuk Mythos 5 .