AnswersPublished24 sources
GLM-5.3 arriva poche ore dopo il “sooooooon” di Zhipu e rilancia coding e cybersecurity
Zhipu avrebbe rilasciato GLM 5.3 poche ore dopo che il capo scienziato Tang Jie aveva risposto “sooooooon” a una domanda sul modello. Il modello mantiene una base da circa 743 miliardi di parametri, ma punta a ottenere più capacità tramite un post training ampliato.
Pubblicato daModificato con GPT-5.6 LunaImmagini generate con GPT Image 1.5
Research answer
Key takeaways
- Zhipu avrebbe rilasciato GLM 5.3 poche ore dopo che il capo scienziato Tang Jie aveva risposto “sooooooon” a una domanda sul modello.
- Il modello mantiene una base da circa 743 miliardi di parametri, ma punta a ottenere più capacità tramite un post training ampliato.
- I risultati dichiarati riguardano soprattutto coding su attività lunghe, uso del terminale, agenti software e ricerca di vulnerabilità.
- Su CyberGym GLM 5.3 ha ottenuto 84,5, davanti ai risultati riportati per Mythos 5 e GPT 5.6 Sol.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What happened when Zhipu AI chief scientist Tang Jie responded “sooooooon” to a user asking about GLM-5.3, and what did Zhipu’s subsequently. Article summary: Tang Jie’s “sooooooon” proved unusually literal: Zhipu released GLM-5.3 only hours later, positioning it as a coding, agentic, and cyber-defence upgrade built on GLM-5.2’s base rather than a larger pretrained model. [1][. Topic tags: general, general web, user generated. 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 with fa
La promessa era stata allungata con un enigmatico “sooooooon”. Ma, nel caso di Tang Jie, capo scienziato di Zhipu AI, l’attesa si è rivelata sorprendentemente breve: secondo i resoconti sul lancio, GLM-5.3 è arrivato poche ore dopo quella risposta. 12
La rapidità dell’annuncio è solo il dettaglio più curioso. GLM-5.3 è stato presentato come un modello progettato soprattutto per la programmazione, gli agenti software capaci di usare strumenti e terminali e la cybersecurity. La sua storia tecnica è altrettanto interessante: Zhipu sostiene di aver mantenuto la stessa base da circa 743 miliardi di parametri di GLM-5.2, attribuendo i miglioramenti soprattutto a un post-training più esteso, anziché a un nuovo addestramento preliminare su un modello più grande. 1
4
20
Più capacità dalla stessa base
Il lancio mette quindi il post-training al centro della strategia di Zhipu. Nel settore dei modelli linguistici, i progressi vengono spesso associati all’aumento delle dimensioni o a cicli di pretraining completamente nuovi. GLM-5.3 propone invece un’altra strada: specializzare e potenziare una base già esistente con un addestramento successivo più intenso.
Nei confronti pubblicati da Zhipu, i miglioramenti più evidenti riguardano attività di sviluppo software complesse e ricche di strumenti:
- SWE-Marathon: da 19,4 a 42,5;
- FrontierSWE: da 67,5 a 78,1;
- Terminal-Bench 3.0: da 4,6 a 28,3;
- DeepSWE v1.1: da 46,2 a 66,9.
I valori provengono dai confronti pubblicati da Zhipu e dalle analisi secondarie di quei risultati. 1
3
6
7
Il salto di Terminal-Bench è particolarmente vistoso in termini di punti percentuali. Tuttavia, partire da un punteggio basso e aumentarlo molto non dimostra automaticamente che il modello sia il migliore in ogni attività di ingegneria del software. Su SWE-Marathon, per esempio, il 42,5 riportato per GLM-5.3 resta sotto i risultati indicati per Kimi K3 e Opus 4.8. 6
9
CyberGym è il risultato che ha fatto più rumore
Il dato più sorprendente riguarda CyberGym, un benchmark che misura la capacità di trovare e validare vulnerabilità partendo dal codice sorgente. GLM-5.3 avrebbe ottenuto 84,5, appena sopra l’83,8 attribuito a Mythos 5 e l’83,6 riportato per GPT-5.6 Sol. 2
5
6
Non si tratta semplicemente di suggerire come rendere più sicuro un programma. Il compito descritto comprende l’identificazione delle debolezze, la costruzione di attacchi e la verifica dei loro effetti: un esercizio più vicino alla scoperta delle vulnerabilità e al ragionamento su una catena di sfruttamento che al normale completamento del codice. 12
17
È questa differenza ad aver attirato l’attenzione delle testate specializzate in sicurezza informatica. The Register ha riportato la tesi di Zhipu secondo cui i progressi del modello non riguarderebbero soltanto l’individuazione di singoli difetti, ma anche il ragionamento su più fasi consecutive di una possibile catena di exploit. 17
Il termine “leader”, però, va letto con cautela. I confronti disponibili sono descritti soprattutto come risultati dichiarati dai fornitori e non esiste ancora una replica indipendente su larga scala. 2
4
6
I test su codice reale
Oltre a CyberGym, Zhipu avrebbe collaborato con team di sicurezza per testare i propri modelli su basi di codice reali. Il registro pubblicato dall’azienda conterrebbe 2.436 vulnerabilità individuate in 269 progetti open source, tra cui 1.097 falle classificate come critiche o ad alta gravità. Secondo i resoconti, la vulnerabilità più vecchia risalirebbe al 1981 e i problemi sarebbero rimasti senza soluzione per una media di 26,6 anni. 21
31
Questi numeri mostrano il tipo di flusso di lavoro di sicurezza che Zhipu vuole associare a GLM-5.3, ma non devono essere interpretati come misurazioni sottoposte a un audit indipendente. Le fonti disponibili attribuiscono il registro a Zhipu e, più in generale, il quadro dei benchmark resta basato in larga parte su dati divulgati dalla stessa azienda.
Non solo codice: la scommessa sugli agenti
Il posizionamento di GLM-5.3 va oltre la generazione di singoli frammenti di codice. Zhipu lo ha pensato per agenti capaci di lavorare a lungo, usare strumenti, operare nel terminale e portare a termine attività di sviluppo composte da più passaggi.
Tra i risultati dichiarati figurano 73,0 in Toolathlon Verified, contro 59,9 per GLM-5.2, e 48,2 in AutomationBench, rispetto a 26,2. 1
7 Altri confronti pubblicati riportano 28,5 in Agents’ Last Exam.
11
La distinzione pratica è importante: il possibile vantaggio del modello non consisterebbe soltanto nel produrre uno snippet plausibile, ma nel compiere una sequenza di azioni all’interno di un repository, di un terminale o di un ambiente dotato di strumenti. Trasformare questi risultati in sviluppo software affidabile in produzione richiede comunque permessi ben configurati, test adeguati, revisione umana e una valutazione concreta del tasso di errore sul singolo progetto.
Che cosa dimostrano davvero i risultati
Le prove disponibili sostengono una conclusione più circoscritta rispetto all’idea che “GLM-5.3 superi ogni modello di frontiera”. I dati di Zhipu indicano un netto miglioramento dichiarato rispetto a GLM-5.2 su diversi benchmark di coding e di comportamento agentico, oltre a un punteggio CyberGym ai vertici delle tabelle pubblicate dall’azienda e riprese dalla stampa. 2
5
6
Non dimostrano però che GLM-5.3 sia uniformemente superiore in ogni attività di programmazione, ragionamento, sicurezza o uso generale. Su alcuni benchmark di coding i concorrenti risultano ancora avanti, mentre i risultati disponibili non sono stati replicati in modo esteso da valutatori indipendenti. 6
9
La lezione più rilevante è forse metodologica. GLM-5.3 presenta il post-training su larga scala come un modo per estrarre capacità specializzate da una grande base già esistente. Se i test indipendenti confermeranno questi progressi, l’investimento nel post-training e la valutazione su flussi di lavoro reali di sviluppo e sicurezza potrebbero diventare importanti almeno quanto il semplice confronto tra il numero di parametri.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "GLM-5.3 arriva poche ore dopo il “sooooooon” di Zhipu e rilancia coding e cybersecurity"?
Zhipu avrebbe rilasciato GLM 5.3 poche ore dopo che il capo scienziato Tang Jie aveva risposto “sooooooon” a una domanda sul modello.
What are the key points to validate first?
Zhipu avrebbe rilasciato GLM 5.3 poche ore dopo che il capo scienziato Tang Jie aveva risposto “sooooooon” a una domanda sul modello. Il modello mantiene una base da circa 743 miliardi di parametri, ma punta a ottenere più capacità tramite un post training ampliato.
What should I do next in practice?
I risultati dichiarati riguardano soprattutto coding su attività lunghe, uso del terminale, agenti software e ricerca di vulnerabilità.
Sources
pandaily.comGLM-5.3 Arrives Hours After Tang Jie's 'sooooooon' — Zhipu's Coding and Security Model Doubles SWE-Marathon, Tops CyberGym
cheapestinference.comGLM-5.3 API — status, specs & subscription | CheapestInference
global.chinadaily.com.cnChinese startup launches new AI model