GLM-5.3はなぜ注目されたのか？ 同じ基盤モデルを後訓練で強化したZhipuの勝負

Tang Jie氏の引き伸ばした「sooooooon（もうすぐ）」という返答は、文字どおりの意味になった。報道によると、Zhipu AIはその投稿からわずか数時間後にGLM-5.3をリリースしたという。12

ただし、注目点は発表の速さだけではない。GLM-5.3は、一般的なチャット用途よりも、コード開発、ツールを操作するAIエージェント、サイバーセキュリティに重点を置いたモデルとして打ち出された。

同じ基盤モデルから、後訓練で性能を引き出す

GLM-5.3の技術的に特徴的な点は、GLM-5.2と同じ約7430億パラメータの基盤モデルを維持し、主な性能向上をポストトレーニング、つまり事前学習後の追加訓練によって実現したとZhipuが説明していることだ。1420

AIモデルの性能向上というと、より大きなモデルを新たに学習させる方法が注目されがちだ。GLM-5.3は、それとは異なる「既存の大規模基盤を、特定の仕事に合わせてさらに鍛える」方向性を示している。

Zhipuが公表したGLM-5.2との比較では、ツールやターミナルを使う難度の高いソフトウェア開発タスクで、次のような伸びが報告された。

• SWE-Marathon：19.4 → 42.5
• FrontierSWE：67.5 → 78.1
• Terminal-Bench 3.0：4.6 → 28.3
• DeepSWE v1.1：46.2 → 66.9

これらはZhipuの公表比較と、それをもとにした二次分析による数値だ。1367

特にTerminal-Bench 3.0は、4.6から28.3へと大きく伸びた。ただし、低い初期値からの上昇幅が大きいからといって、あらゆるソフトウェア開発タスクで最も優れていると判断することはできない。SWE-Marathonでは、比較表上、Kimi K3の48.1やOpus 4.8の48.8がGLM-5.3の42.5を上回っている。69

最大の見せ場はCyberGymの84.5

GLM-5.3の発表で最も大きな反響を呼んだのが、脆弱性の発見と検証を測るベンチマーク「CyberGym」での84.5というスコアだ。Zhipuの比較では、Mythos 5の83.8、GPT-5.6 Solの83.6をわずかに上回った。256

CyberGymは、安全なコードを書けるかだけを試すテストではない。ソースコードを調べて脆弱性を見つけ、攻撃方法を組み立て、その影響を検証するという、脆弱性発見から攻撃チェーンの構築までを含む課題と説明されている。1217

そのため、この結果は通常のコード補完性能とは別の文脈で受け止める必要がある。The Registerは、ZhipuがGLM-5.3について、単独のバグを見つけるだけでなく、複数段階にわたる攻撃チェーンを推論する能力も向上したと説明していると報じた。17

もっとも、「首位」という表現にも注意が必要だ。現時点で広く流通している比較の多くはベンダーによる測定結果で、大規模な独立再現はまだ行われていないとされている。246

実際のコードベースでの検証も主張

CyberGym以外にも、Zhipuはセキュリティチームと協力し、実際のオープンソースコードベースを対象にモデルを試験したと説明している。

同社が公表した台帳によると、269件のオープンソースプロジェクトで2,436件のセキュリティ上の発見があり、そのうち1,097件がCriticalまたはHighに分類される重大度の高い脆弱性だったという。さらに、最も古い発見は1981年にさかのぼり、脆弱性は平均26.6年間見つからないまま残っていたと報じられている。2131

これらの数字は、ZhipuがGLM-5.3をどのようなセキュリティ作業に結び付けようとしているかを示す材料にはなる。一方で、提供された報道では同社の台帳に基づく数値であり、独立監査済みの測定結果として扱うことはできない。

コードを書くモデルから、作業を進めるエージェントへ

GLM-5.3の売りは、コード片を生成することだけではない。ターミナルを操作し、ツールを呼び出し、リポジトリ内で複数の手順を踏みながら、長時間にわたる開発作業を進めるAIエージェントとして位置付けられている。

報告されたエージェント系ベンチマークの数値は、次のとおりだ。

• Toolathlon Verified：73.0（GLM-5.2は59.9）
• AutomationBench：48.2（同26.2）
• Agents’ Last Exam：28.5

1711

これらが示すのは、単にもっともらしいコードを返す能力と、開発環境の中で一連の作業を完遂する能力は別物だということだ。実際の開発現場で信頼性を確保できるかどうかは、ツールへの権限設定、テストの網羅性、人間によるレビュー、対象コードベースでの失敗率などにも左右される。

この発表から分かること、まだ分からないこと

現時点で最も慎重に導ける結論は、「GLM-5.3がすべての最先端モデルを上回った」ということではない。Zhipuの発表によれば、GLM-5.2から複数のコード開発・エージェント系ベンチマークで大幅な伸びを見せ、CyberGymでは比較表上の首位となった、ということだ。256

一方、プログラミング、推論、安全性、汎用タスクのすべてで一貫して優れていることを示したわけではない。個別のコード開発ベンチマークでは競合モデルが上回る例もあり、今回の数値は独立評価機関によって広範に再現されたものでもない。69

GLM-5.3のより重要な意味は、モデルの大型化だけに頼らず、ポストトレーニングへの大規模な投資によって専門能力を引き出せる可能性を示した点にある。今後、独立した評価で今回の伸びが確認されれば、AIモデルの競争軸はパラメータ数だけでなく、実際のソフトウェア開発やセキュリティ作業に合わせた訓練と検証へ、さらに移っていくかもしれない。