米国競合モデルとのサイバーセキュリティベンチマーク比較

GLM-5.3の最大のニュースは、UCバークレー校の「責任あるAI開発イニシアチブ」が開発したベンチマーク「CyberGym」での結果だ。このベンチマークは、ホワイトボックス（ソースコードが与えられた状態）で実際の脆弱性を発見・検証できるかをテストする。GLM-5.3はここで84.5%を記録し、AnthropicのMythos 5（83.8%）、OpenAIの**GPT-5.6 Sol（83.6%）**を僅かに上回った。

しかし、評価がより深い推論を必要とする「ExploitBench」に変わると状況は一変する。ここでは脆弱性の根本原因を特定し、実際に機能するエクスプロイトを生成する能力が試される。GLM-5.3は54.4%と前世代から倍増したものの、Mythos 5（78%）やGPT-5.6 Sol（76.5%）には遠く及ばない。

3つ目のベンチマーク「ExploitGym」では、2時間の予算内で完了できるエクスプロイトタスクの数で評価される。GLM-5.3は105タスク（前世代は29）を完了し、6時間に延長すると130タスクに達した。

出典:

実環境での脆弱性発見実績

ベンチマークだけではない。GLM-5.3は実際のセキュリティテストでも驚くべき成果を上げている。

• 2,436件の脆弱性が確認され、対象は269のオープンソースプロジェクトに及ぶ。結果はZ.aiの公開セキュリティ開示台帳で追跡可能。
• うち1,097件は重大または高リスクと分類された。
• 発見されたバグの中には、およそ40年前に書かれたソフトウェアのものも含まれる。
• リリース直後には、AI搭載コードエディタであるCursorの深刻な脆弱性も発見している。

主要なコーディングおよび汎用ベンチマーク

サイバーセキュリティ以外でも、GLM-5.3はソフトウェアエンジニアリング分野で一流のオープンウェイトモデルとしての地位を確立している。

• Terminal-Bench 3.0: スコア28.3。オープンウェイトモデル中最高で、AnthropicのClaude Fable 5に迫る。
• DeepSWE v1.1: 前世代の46.2から66.9へと大幅に向上。
• Z.aiの内部Code Bench（最大努力）: 34.5%（GLM-5.2は23.4%）。
• Agents' Last Exam: オープンウェイトモデル中で首位。
• World of AI Benchmark総合: 総合スコア81.3で全体6位。Kimi K3（81.5）に続き、GPT-5.6 Terraを上回る。
• FrontierSWE: 67.5から78.1に上昇。
• SWE-Marathon: 19.4から42.5へ倍増。

なぜオープンウェイトの公開が遅れているのか

Z.aiは、ポストトレーニング中にサイバーセキュリティ能力が「予想よりも急速に成長した」と説明している。ベースモデルのパラメータ（7400億）自体には変更がなく、すべての能力向上はポストトレーニングによるものだという。この能力が創発的で予測不能だったため、同社は安全対策とセキュリティコントロールを強化するために、オープンウェイトのリリースを2週間延期することを決定した。モデル自体はすでにZ.aiのAPI、およびZCode、Claude Code、OpenCodeとの統合を通じて利用可能である。

注意すべき点

• すべてのGLM-5.3のベンチマークスコアは企業による自己報告であり、まだ第三者による独立検証を受けていない。
• CyberGymでのMythos 5およびGPT-5.6 Solに対するアドバンテージはわずか1%未満と極めて薄い。
• ExploitBenchでは、GLM-5.3は米国競合に大きく水をあけられている（54.4% vs. Mythos 5の78%とGPT-5.6 Solの76.5%）。
• 参考までに、総合サイバーセキュリティベンチマーク集約サイトでは、GPT-5.6 SolのCyberGymスコアは84.5%でGLM-5.3と同点、Mythos 5は83.8%とされている。また、ExploitBenchではSolが73.5%、Mythos 5が78%と報告されている。

米国競合モデルとのサイバーセキュリティベンチマーク比較

GLM-5.3の最大のニュースは、UCバークレー校の「責任あるAI開発イニシアチブ」が開発したベンチマーク「CyberGym」での結果だ。このベンチマークは、ホワイトボックス（ソースコードが与えられた状態）で実際の脆弱性を発見・検証できるかをテストする。GLM-5.3はここで84.5%を記録し、AnthropicのMythos 5（83.8%）、OpenAIの**GPT-5.6 Sol（83.6%）**を僅かに上回った。

しかし、評価がより深い推論を必要とする「ExploitBench」に変わると状況は一変する。ここでは脆弱性の根本原因を特定し、実際に機能するエクスプロイトを生成する能力が試される。GLM-5.3は54.4%と前世代から倍増したものの、Mythos 5（78%）やGPT-5.6 Sol（76.5%）には遠く及ばない。

3つ目のベンチマーク「ExploitGym」では、2時間の予算内で完了できるエクスプロイトタスクの数で評価される。GLM-5.3は105タスク（前世代は29）を完了し、6時間に延長すると130タスクに達した。

出典:

実環境での脆弱性発見実績

ベンチマークだけではない。GLM-5.3は実際のセキュリティテストでも驚くべき成果を上げている。

• 2,436件の脆弱性が確認され、対象は269のオープンソースプロジェクトに及ぶ。結果はZ.aiの公開セキュリティ開示台帳で追跡可能。
• うち1,097件は重大または高リスクと分類された。
• 発見されたバグの中には、およそ40年前に書かれたソフトウェアのものも含まれる。
• リリース直後には、AI搭載コードエディタであるCursorの深刻な脆弱性も発見している。

主要なコーディングおよび汎用ベンチマーク

サイバーセキュリティ以外でも、GLM-5.3はソフトウェアエンジニアリング分野で一流のオープンウェイトモデルとしての地位を確立している。

• Terminal-Bench 3.0: スコア28.3。オープンウェイトモデル中最高で、AnthropicのClaude Fable 5に迫る。
• DeepSWE v1.1: 前世代の46.2から66.9へと大幅に向上。
• Z.aiの内部Code Bench（最大努力）: 34.5%（GLM-5.2は23.4%）。
• Agents' Last Exam: オープンウェイトモデル中で首位。
• World of AI Benchmark総合: 総合スコア81.3で全体6位。Kimi K3（81.5）に続き、GPT-5.6 Terraを上回る。
• FrontierSWE: 67.5から78.1に上昇。
• SWE-Marathon: 19.4から42.5へ倍増。

なぜオープンウェイトの公開が遅れているのか

Z.aiは、ポストトレーニング中にサイバーセキュリティ能力が「予想よりも急速に成長した」と説明している。ベースモデルのパラメータ（7400億）自体には変更がなく、すべての能力向上はポストトレーニングによるものだという。この能力が創発的で予測不能だったため、同社は安全対策とセキュリティコントロールを強化するために、オープンウェイトのリリースを2週間延期することを決定した。モデル自体はすでにZ.aiのAPI、およびZCode、Claude Code、OpenCodeとの統合を通じて利用可能である。

注意すべき点

• すべてのGLM-5.3のベンチマークスコアは企業による自己報告であり、まだ第三者による独立検証を受けていない。
• CyberGymでのMythos 5およびGPT-5.6 Solに対するアドバンテージはわずか1%未満と極めて薄い。
• ExploitBenchでは、GLM-5.3は米国競合に大きく水をあけられている（54.4% vs. Mythos 5の78%とGPT-5.6 Solの76.5%）。
• 参考までに、総合サイバーセキュリティベンチマーク集約サイトでは、GPT-5.6 SolのCyberGymスコアは84.5%でGLM-5.3と同点、Mythos 5は83.8%とされている。また、ExploitBenchではSolが73.5%、Mythos 5が78%と報告されている。