Z.ai GLM-5.3: Il modello cinese che supera i rivali USA nei test di cybersicurezza (ma non su tutti i fronti)
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri. GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
Pubblicato daModificato con DeepSeek-V4-FlashImmagini generate con GPT Image 1.5
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri.
GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
Nel mondo reale, il modello ha già identificato 2.436 vulnerabilità confermate in 269 progetti open source, tra cui 1.097 classificate come critiche o ad alta gravità.
I punteggi di GLM 5.3 sono tutti auto dichiarati da Z.ai e non ancora verificati in modo indipendente.
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
Il 14 agosto 2026, Zhipu AI — che ora opera a livello internazionale come Z.ai — ha lanciato GLM-5.3, un modello open-weight da 740 miliardi di parametri che offre prestazioni di codifica circa del 50% migliori rispetto a GLM-5.2 e, inaspettatamente, capacità di cybersicurezza emergenti molto potenti . Il modello è così abile nel trovare e sfruttare falle di sicurezza che Z.ai ha deciso di ritardare di due settimane il rilascio pubblico dei suoi pesi per effettuare test di sicurezza aggiuntivi .
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: Il modello cinese che supera i rivali USA nei test di cybersicurezza (ma non su tutti i fronti)"?
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri.
What are the key points to validate first?
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri. GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
What should I do next in practice?
Nel mondo reale, il modello ha già identificato 2.436 vulnerabilità confermate in 269 progetti open source, tra cui 1.097 classificate come critiche o ad alta gravità.
Z.ai GLM-5.3: Il modello cinese che supera i rivali USA nei test di cybersicurezza (ma non su tutti i fronti)
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri. GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
Pubblicato daModificato con DeepSeek-V4-FlashImmagini generate con GPT Image 1.5
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri.
GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
Nel mondo reale, il modello ha già identificato 2.436 vulnerabilità confermate in 269 progetti open source, tra cui 1.097 classificate come critiche o ad alta gravità.
I punteggi di GLM 5.3 sono tutti auto dichiarati da Z.ai e non ancora verificati in modo indipendente.
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
Il 14 agosto 2026, Zhipu AI — che ora opera a livello internazionale come Z.ai — ha lanciato GLM-5.3, un modello open-weight da 740 miliardi di parametri che offre prestazioni di codifica circa del 50% migliori rispetto a GLM-5.2 e, inaspettatamente, capacità di cybersicurezza emergenti molto potenti . Il modello è così abile nel trovare e sfruttare falle di sicurezza che Z.ai ha deciso di ritardare di due settimane il rilascio pubblico dei suoi pesi per effettuare test di sicurezza aggiuntivi .
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: Il modello cinese che supera i rivali USA nei test di cybersicurezza (ma non su tutti i fronti)"?
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri.
What are the key points to validate first?
Il 14 agosto 2026, Z.ai (ex Zhipu AI) ha lanciato GLM 5.3, un modello open weight da 740 miliardi di parametri. GLM 5.3 ha più che raddoppiato il punteggio di GLM 5.2 su ExploitBench (dal 24,4% al 54,4%), un test più complesso che richiede la creazione di exploit funzionanti.
What should I do next in practice?
Nel mondo reale, il modello ha già identificato 2.436 vulnerabilità confermate in 269 progetti open source, tra cui 1.097 classificate come critiche o ad alta gravità.
Risultati dei benchmark di cybersicurezza a confronto con i rivali USA
Il risultato più eclatante di GLM-5.3 arriva da CyberGym, un benchmark sviluppato dall'iniziativa Responsible AI Development dell'Università di Berkeley che verifica la capacità di un modello di identificare e validare vulnerabilità reali a partire dal codice sorgente . Qui, GLM-5.3 ottiene un punteggio dell'84,5%, superando di poco sia Mythos 5 di Anthropic (83,8%) che GPT-5.6 Sol di OpenAI (83,6%) .
Il quadro cambia drasticamente con ExploitBench, che richiede un ragionamento più profondo su come una vulnerabilità potrebbe essere effettivamente sfruttata e pretende la creazione di un exploit funzionante. GLM-5.3 ha più che raddoppiato il punteggio del suo predecessore, passando dal 24,4% al 54,4%. Tuttavia, Z.ai stessa riporta che Mythos 5 raggiunge il 78% su ExploitBench e GPT-5.6 Sol il 76,5% — lasciando GLM-5.3 molto indietro su questa metrica più difficile .
Su ExploitGym, che conta quanti task di sfruttamento un modello può completare in un budget normalizzato di due ore, GLM-5.3 termina 105 task (rispetto ai 29 di GLM-5.2) . Con un budget di sei ore, il numero sale a 130 task .
Benchmark
Cosa misura
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
Scoperta e validazione di vulnerabilità da codice sorgente
84,5%
83,8%
83,6%
ExploitBench
Ragionamento sulla causa principale e creazione di exploit funzionante
54,4%
78%
76,5%
ExploitGym (budget 2 ore)
Completamento di exploit sotto budget normalizzato
105 task
Non dichiarato
Non dichiarato
Fonti:
Rilevamento di vulnerabilità nel mondo reale
Oltre ai benchmark, GLM-5.3 è stato impiegato in test di sicurezza reali con risultati notevoli:
2.436 vulnerabilità confermate trovate in 269 progetti open-source, con risultati tracciati in un registro pubblico di Z.ai chiamato Security Disclosure Ledger .
Di queste, 1.097 sono state classificate come critiche o ad alta gravità.
Il modello ha trovato bug in software risalenti a circa 40 anni fa.
Subito dopo il lancio, ha anche identificato una grave vulnerabilità in Cursor, l'editor di codice basato sull'IA .
Punteggi chiave nella codifica e nei benchmark generali
GLM-5.3 mostra anche numeri solidi nei benchmark di codifica e agentici, posizionandosi come un modello open-weight leader per le attività di ingegneria del software:
Terminal-Bench 3.0: ha ottenuto 28,3 — il punteggio più alto tra i modelli open-weight e vicino a quello di Claude Fable 5 di Anthropic .
DeepSWE v1.1: è passato da 46,2 a 66,9.
Z.ai internal Code Bench (Max effort): 34,5% (rispetto al 23,4% di GLM-5.2), utilizzando circa 75.000 token di output per task contro i 96.000 .
Agents' Last Exam: primo posto tra i modelli open-weight .
World of AI Benchmark composite: classificato #6 assoluto con un punteggio composito di 81,3, appena dietro Kimi K3 (81,5) e davanti a GPT-5.6 Terra .
FrontierSWE: ha raggiunto 78,1, in aumento rispetto a 67,5 .
SWE-Marathon: è raddoppiato, passando da 19,4 a 42,5.
Perché il rilascio dei pesi open-weight è stato ritardato
Z.ai ha dichiarato che la capacità di cybersicurezza del modello "è cresciuta più velocemente del previsto" durante la fase di post-training . I 740 miliardi di parametri del modello base non sono stati riaddestrati — tutti i miglioramenti sono arrivati dagli ottimizzamenti del post-training . Poiché questa capacità è emersa in modo inaspettato, l'azienda ha deciso di trattenere il rilascio open-weight per due settimane, il tempo di rafforzare i controlli di sicurezza . Il modello è già disponibile tramite l'API di Z.ai e attraverso integrazioni con ZCode, Claude Code e OpenCode .
Avvertenze importanti
Tutti i punteggi dei benchmark di GLM-5.3 sono auto-dichiarati dall'azienda e non sono ancora stati verificati in modo indipendente .
Il vantaggio su CyberGym rispetto a Mythos 5 e GPT-5.6 Sol è minimo — meno di un punto percentuale .
Su ExploitBench, GLM-5.3 è nettamente dietro ai rivali USA (54,4% contro il 78% di Mythos 5 e il 76,5% di GPT-5.6 Sol) .
Per contesto, un aggregatore di benchmark di cybersicurezza più ampio mostra GPT-5.6 Sol all'84,5% su CyberGym (alla pari con GLM-5.3) e Mythos 5 all'83,8%, mentre per ExploitBench segnala il 73,5% per Sol e il 78% per Mythos 5 .
x.com
Preparing GLM-5.3 for Open Release: A Responsible Path to Cyber ...
Risultati dei benchmark di cybersicurezza a confronto con i rivali USA
Il risultato più eclatante di GLM-5.3 arriva da CyberGym, un benchmark sviluppato dall'iniziativa Responsible AI Development dell'Università di Berkeley che verifica la capacità di un modello di identificare e validare vulnerabilità reali a partire dal codice sorgente . Qui, GLM-5.3 ottiene un punteggio dell'84,5%, superando di poco sia Mythos 5 di Anthropic (83,8%) che GPT-5.6 Sol di OpenAI (83,6%) .
Il quadro cambia drasticamente con ExploitBench, che richiede un ragionamento più profondo su come una vulnerabilità potrebbe essere effettivamente sfruttata e pretende la creazione di un exploit funzionante. GLM-5.3 ha più che raddoppiato il punteggio del suo predecessore, passando dal 24,4% al 54,4%. Tuttavia, Z.ai stessa riporta che Mythos 5 raggiunge il 78% su ExploitBench e GPT-5.6 Sol il 76,5% — lasciando GLM-5.3 molto indietro su questa metrica più difficile .
Su ExploitGym, che conta quanti task di sfruttamento un modello può completare in un budget normalizzato di due ore, GLM-5.3 termina 105 task (rispetto ai 29 di GLM-5.2) . Con un budget di sei ore, il numero sale a 130 task .
Benchmark
Cosa misura
GLM-5.3
Anthropic Mythos 5
OpenAI GPT-5.6 Sol
CyberGym
Scoperta e validazione di vulnerabilità da codice sorgente
84,5%
83,8%
83,6%
ExploitBench
Ragionamento sulla causa principale e creazione di exploit funzionante
54,4%
78%
76,5%
ExploitGym (budget 2 ore)
Completamento di exploit sotto budget normalizzato
105 task
Non dichiarato
Non dichiarato
Fonti:
Rilevamento di vulnerabilità nel mondo reale
Oltre ai benchmark, GLM-5.3 è stato impiegato in test di sicurezza reali con risultati notevoli:
2.436 vulnerabilità confermate trovate in 269 progetti open-source, con risultati tracciati in un registro pubblico di Z.ai chiamato Security Disclosure Ledger .
Di queste, 1.097 sono state classificate come critiche o ad alta gravità.
Il modello ha trovato bug in software risalenti a circa 40 anni fa.
Subito dopo il lancio, ha anche identificato una grave vulnerabilità in Cursor, l'editor di codice basato sull'IA .
Punteggi chiave nella codifica e nei benchmark generali
GLM-5.3 mostra anche numeri solidi nei benchmark di codifica e agentici, posizionandosi come un modello open-weight leader per le attività di ingegneria del software:
Terminal-Bench 3.0: ha ottenuto 28,3 — il punteggio più alto tra i modelli open-weight e vicino a quello di Claude Fable 5 di Anthropic .
DeepSWE v1.1: è passato da 46,2 a 66,9.
Z.ai internal Code Bench (Max effort): 34,5% (rispetto al 23,4% di GLM-5.2), utilizzando circa 75.000 token di output per task contro i 96.000 .
Agents' Last Exam: primo posto tra i modelli open-weight .
World of AI Benchmark composite: classificato #6 assoluto con un punteggio composito di 81,3, appena dietro Kimi K3 (81,5) e davanti a GPT-5.6 Terra .
FrontierSWE: ha raggiunto 78,1, in aumento rispetto a 67,5 .
SWE-Marathon: è raddoppiato, passando da 19,4 a 42,5.
Perché il rilascio dei pesi open-weight è stato ritardato
Z.ai ha dichiarato che la capacità di cybersicurezza del modello "è cresciuta più velocemente del previsto" durante la fase di post-training . I 740 miliardi di parametri del modello base non sono stati riaddestrati — tutti i miglioramenti sono arrivati dagli ottimizzamenti del post-training . Poiché questa capacità è emersa in modo inaspettato, l'azienda ha deciso di trattenere il rilascio open-weight per due settimane, il tempo di rafforzare i controlli di sicurezza . Il modello è già disponibile tramite l'API di Z.ai e attraverso integrazioni con ZCode, Claude Code e OpenCode .
Avvertenze importanti
Tutti i punteggi dei benchmark di GLM-5.3 sono auto-dichiarati dall'azienda e non sono ancora stati verificati in modo indipendente .
Il vantaggio su CyberGym rispetto a Mythos 5 e GPT-5.6 Sol è minimo — meno di un punto percentuale .
Su ExploitBench, GLM-5.3 è nettamente dietro ai rivali USA (54,4% contro il 78% di Mythos 5 e il 76,5% di GPT-5.6 Sol) .
Per contesto, un aggregatore di benchmark di cybersicurezza più ampio mostra GPT-5.6 Sol all'84,5% su CyberGym (alla pari con GLM-5.3) e Mythos 5 all'83,8%, mentre per ExploitBench segnala il 73,5% per Sol e il 78% per Mythos 5 .
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