“곧”이라더니 몇 시간 만에… Zhipu GLM-5.3, 코딩·사이버보안 성능 도약

탕제의 길게 늘인 “sooooooon”은 말 그대로였다. GLM-5.3 출시를 묻는 질문에 대한 답변이 나온 뒤 불과 몇 시간 만에 Zhipu가 새 모델을 공개한 것으로 전해졌다. 12

이번 출시는 단순한 버전 업데이트 이상의 의미를 갖는다. GLM-5.3은 일반적인 대화형 모델보다 코딩, 도구를 사용하는 AI 에이전트, 사이버보안에 초점을 맞춘 모델로 소개됐다. 특히 GLM-5.2와 같은 약 7,430억 파라미터 기반을 유지하면서 성능 향상의 핵심을 대규모 사전학습이 아닌 **확장된 후훈련(post-training)**에 뒀다는 점이 눈에 띈다. 1420

같은 기반에서 성능을 끌어올린 GLM-5.3

AI 모델의 성능 개선은 흔히 더 많은 파라미터나 새로운 사전학습 데이터와 연결된다. 반면 Zhipu는 GLM-5.3에서 기존 기반을 유지한 채 후훈련을 확대하는 전략을 전면에 내세웠다.

Zhipu가 공개한 GLM-5.2와의 비교에서 특히 큰 폭의 개선이 나타난 분야는 복잡한 소프트웨어 작업과 도구 활용이었다.

• 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

위 수치는 Zhipu가 발표한 비교 자료와 이를 분석한 후속 보도에 기반한다. 1367

특히 Terminal-Bench 3.0은 4.6에서 28.3으로 크게 상승했다. 다만 출발점이 낮을수록 점수의 상대적 증가 폭은 커질 수 있다. 따라서 이 결과만으로 GLM-5.3이 모든 소프트웨어 개발 작업에서 가장 뛰어나다고 단정하기는 어렵다. SWE-Marathon에서는 GLM-5.3의 42.5점이 Kimi K3의 48.1점과 Opus 4.8의 48.8점보다 낮았다. 69

가장 주목받은 기록은 사이버보안

GLM-5.3의 출시에서 가장 큰 관심을 끈 수치는 취약점 탐지 벤치마크 CyberGym 84.5점이었다. Zhipu의 비교표 기준으로는 Mythos 5의 83.8점과 GPT-5.6 Sol의 83.6점을 근소하게 앞선 결과다. 256

CyberGym은 단순히 보안성이 높은 코드를 작성하는 시험이 아니다. 소스코드에서 취약점을 찾아내고, 공격을 구성한 뒤, 실제 영향이 발생하는지 검증하는 과정을 평가한다. 일반적인 코드 자동완성보다는 취약점 발견과 공격 경로 분석에 가까운 작업이다. 1217

이 때문에 여러 사이버보안 전문 매체가 해당 결과를 주목했다. 《더 레지스터》는 Zhipu가 GLM-5.3의 개선이 단일 취약점을 찾는 수준을 넘어, 여러 단계로 이어지는 공격 체인을 추론하는 능력까지 확장됐다고 설명했다고 보도했다. 17

다만 “최고 기록”이라는 표현에는 전제가 붙는다. 현재 비교 자료는 주로 기업이 직접 실행해 공개한 결과이며, 대규모 독립 재현은 아직 충분히 이뤄지지 않았다. 246

실제 코드베이스에서 찾았다는 보안 문제 2,436건

Zhipu는 CyberGym 외에도 보안팀과 함께 실제 오픈소스 코드베이스를 대상으로 모델을 시험했다고 밝혔다. 회사가 공개한 기록에는 269개 오픈소스 프로젝트에서 2,436건의 보안 문제를 발견했다는 내용이 담겼다. 이 가운데 심각 또는 높음 등급은 1,097건으로 제시됐다. 가장 오래된 문제는 1981년까지 거슬러 올라가며, 해당 취약점들이 발견되기까지 평균 26.6년이 걸렸다고 회사는 설명했다. 2131

이 수치는 Zhipu가 GLM-5.3을 어떤 보안 업무와 연결하려는지 보여주는 자료로는 의미가 있다. 그러나 독립적인 감사를 거친 측정치로 받아들여서는 안 된다. 현재 제공된 보도에서 해당 기록은 Zhipu의 자체 집계로 소개됐으며, 관련 벤치마크 역시 대부분 회사 공개 자료에 의존하고 있다.

코드를 생성하는 모델에서 작업을 수행하는 에이전트로

GLM-5.3의 목표는 코드 한두 줄을 제안하는 데 그치지 않는다. 저장소를 살펴보고, 터미널과 각종 도구를 사용하며, 여러 단계의 개발 작업을 이어가는 장기 실행형 에이전트를 겨냥한다.

공개된 비교 결과에서 Toolathlon Verified는 59.9점에서 73.0점으로, AutomationBench는 26.2점에서 48.2점으로 상승했다. Agents’ Last Exam은 28.5점으로 제시됐다. 1711

이 벤치마크들이 보여주는 차이는 실용적인 측면에서 분명하다. 중요한 것은 그럴듯한 코드 조각을 내놓는 능력만이 아니라, 실제 저장소와 터미널 환경에서 일련의 작업을 끝까지 수행하는 능력이다.

물론 현업 개발 환경에서의 신뢰성은 별개의 문제다. 도구 권한 설정, 테스트 범위, 코드 리뷰 절차, 특정 코드베이스에서의 실패율에 따라 결과는 크게 달라질 수 있다.

이번 출시가 증명한 것과 증명하지 않은 것

현재 근거가 뒷받침하는 결론은 “GLM-5.3이 모든 프런티어 모델을 앞섰다”라기보다 좁고 구체적이다. Zhipu가 공개한 결과에 따르면 GLM-5.3은 GLM-5.2보다 여러 코딩·에이전트 벤치마크에서 큰 폭의 상승을 기록했고, Zhipu와 관련 보도가 제시한 비교표에서는 CyberGym 최고 점수도 차지했다. 256

반면 모든 프로그래밍, 추론, 안전성, 범용 작업에서 일관되게 우수하다는 뜻은 아니다. 일부 코딩 벤치마크에서는 경쟁 모델이 더 높은 점수를 기록했으며, 현재 결과는 독립 평가기관에 의해 광범위하게 재현되지 않았다. 69

GLM-5.3의 더 중요한 메시지는 방법론에 있다. 대규모 기반 모델을 새로 사전학습하지 않고도, 후훈련에 집중해 특정 작업에 특화된 능력을 크게 끌어올릴 수 있다는 주장이다. 향후 독립 테스트에서 이 성과가 확인된다면, AI 경쟁의 기준은 파라미터 수뿐 아니라 후훈련 투자 규모와 실제 소프트웨어·보안 업무를 반영한 평가 방식으로 더욱 이동할 수 있다.