Keputusan Penanda Aras Keselamatan Siber vs. Saingan AS

Keputusan utama GLM-5.3 adalah pada CyberGym, penanda aras dari Inisiatif Pembangunan AI Bertanggungjawab UC Berkeley yang menguji sama ada model boleh mengenal pasti dan mengesahkan kelemahan sebenar dari kod sumber . Di sana, GLM-5.3 memperoleh skor 84.5%, mengatasi kedua-dua Mythos 5 daripada Anthropic (83.8%) dan GPT-5.6 Sol daripada OpenAI (83.6%) .

Gambarannya berbeza pada ExploitBench, yang memerlukan penaakulan yang lebih mendalam tentang bagaimana kelemahan sebenar boleh dieksploitasi dan menuntut eksploitasi yang berfungsi. GLM-5.3 menggandakan skor pendahulunya, meningkat dari 24.4% kepada 54.4% . Walau bagaimanapun, Z.ai melaporkan bahawa Mythos 5 memperoleh 78% pada ExploitBench dan GPT-5.6 Sol memperoleh 76.5% — meninggalkan GLM-5.3 jauh ketinggalan pada ukuran yang lebih sukar ini .

Pada ExploitGym, yang mengira berapa banyak tugas eksploitasi yang dapat diselesaikan oleh model dalam belanjawan dua jam yang dinormalisasi, GLM-5.3 menyelesaikan 105 tugas (berbanding 29 untuk GLM-5.2) . Dalam belanjawan enam jam, jumlah itu meningkat kepada 130 tugas .

Sumber:

Pengesanan Kelemahan Dunia Nyata

Di luar penanda aras, GLM-5.3 telah digunakan dalam ujian keselamatan dunia nyata dengan hasil yang mengagumkan:

• 2,436 kelemahan yang disahkan ditemui dalam 269 projek sumber terbuka, dengan hasilnya dijejaki dalam Lejar Pendedahan Keselamatan Z.ai yang awam .
• Daripadanya, 1,097 diklasifikasikan sebagai kritikal atau berisiko tinggi .
• Model ini menemui pepijat dalam perisian yang berusia kira-kira 40 tahun .
• Tidak lama selepas pelancaran, ia juga mengenal pasti kelemahan serius dalam Cursor, editor kod berkuasa AI .

Pengekodan Utama & Penanda Aras Am

GLM-5.3 juga mencatatkan angka kukuh pada penanda aras pengekodan dan ejen, meletakkannya sebagai model sumber terbuka terkemuka untuk tugas kejuruteraan perisian:

• Terminal-Bench 3.0: skor 28.3 — tertinggi dalam kalangan model sumber terbuka dan menghampiri Claude Fable 5 Anthropic .
• DeepSWE v1.1: melonjak dari 46.2 kepada 66.9 .
• Z.ai internal Code Bench (Usaha Maksimum): 34.5% (vs. 23.4% GLM-5.2), menggunakan kira-kira 75,000 token output setiap tugas berbanding 96,000 .
• Ujian Terakhir Ejen: tempat pertama dalam kalangan model sumber terbuka .
• Komposit Penanda Aras World of AI: kedudukan #6 keseluruhan dengan skor komposit 81.3, tepat di belakang Kimi K3 (81.5) dan di hadapan GPT-5.6 Terra .
• FrontierSWE: mencapai 78.1, meningkat dari 67.5 .
• SWE-Marathon: berganda dari 19.4 kepada 42.5 .

Mengapa Pemberat Terbuka Ditangguhkan

Z.ai menyatakan bahawa keupayaan keselamatan siber model "berkembang lebih cepat daripada yang dijangkakan" semasa latihan pasca . 740 bilion parameter model asas tidak dilatih semula — semua peningkatan datang daripada penambahbaikan latihan pasca . Oleh kerana keupayaan itu adalah kejutan yang muncul, syarikat itu menahan pelepasan sumber terbuka selama dua minggu sambil mengukuhkan kawalan keselamatan . Model ini sudah tersedia melalui API Z.ai dan melalui integrasi dengan ZCode, Claude Code, dan OpenCode .

Amaran Penting

• Semua markah penanda aras GLM-5.3 adalah dilaporkan oleh syarikat dan belum disahkan secara bebas .
• Keunggulan CyberGym berbanding Mythos 5 dan GPT-5.6 Sol adalah tipis — kurang daripada satu mata peratusan .
• Pada ExploitBench, GLM-5.3 ketinggalan jauh di belakang saingan AS (54.4% vs. 78% untuk Mythos 5 dan 76.5% untuk GPT-5.6 Sol) .
• Untuk konteks, pengagregat penanda aras keselamatan siber yang lebih luas menyenaraikan GPT-5.6 Sol pada 84.5% pada CyberGym (menyamai GLM-5.3) dan Mythos 5 pada 83.8%, sambil menunjukkan ExploitBench 73.5% untuk Sol dan 78% untuk Mythos 5 .

Keputusan Penanda Aras Keselamatan Siber vs. Saingan AS

Keputusan utama GLM-5.3 adalah pada CyberGym, penanda aras dari Inisiatif Pembangunan AI Bertanggungjawab UC Berkeley yang menguji sama ada model boleh mengenal pasti dan mengesahkan kelemahan sebenar dari kod sumber . Di sana, GLM-5.3 memperoleh skor 84.5%, mengatasi kedua-dua Mythos 5 daripada Anthropic (83.8%) dan GPT-5.6 Sol daripada OpenAI (83.6%) .

Gambarannya berbeza pada ExploitBench, yang memerlukan penaakulan yang lebih mendalam tentang bagaimana kelemahan sebenar boleh dieksploitasi dan menuntut eksploitasi yang berfungsi. GLM-5.3 menggandakan skor pendahulunya, meningkat dari 24.4% kepada 54.4% . Walau bagaimanapun, Z.ai melaporkan bahawa Mythos 5 memperoleh 78% pada ExploitBench dan GPT-5.6 Sol memperoleh 76.5% — meninggalkan GLM-5.3 jauh ketinggalan pada ukuran yang lebih sukar ini .

Pada ExploitGym, yang mengira berapa banyak tugas eksploitasi yang dapat diselesaikan oleh model dalam belanjawan dua jam yang dinormalisasi, GLM-5.3 menyelesaikan 105 tugas (berbanding 29 untuk GLM-5.2) . Dalam belanjawan enam jam, jumlah itu meningkat kepada 130 tugas .

Sumber:

Pengesanan Kelemahan Dunia Nyata

Di luar penanda aras, GLM-5.3 telah digunakan dalam ujian keselamatan dunia nyata dengan hasil yang mengagumkan:

• 2,436 kelemahan yang disahkan ditemui dalam 269 projek sumber terbuka, dengan hasilnya dijejaki dalam Lejar Pendedahan Keselamatan Z.ai yang awam .
• Daripadanya, 1,097 diklasifikasikan sebagai kritikal atau berisiko tinggi .
• Model ini menemui pepijat dalam perisian yang berusia kira-kira 40 tahun .
• Tidak lama selepas pelancaran, ia juga mengenal pasti kelemahan serius dalam Cursor, editor kod berkuasa AI .

Pengekodan Utama & Penanda Aras Am

GLM-5.3 juga mencatatkan angka kukuh pada penanda aras pengekodan dan ejen, meletakkannya sebagai model sumber terbuka terkemuka untuk tugas kejuruteraan perisian:

• Terminal-Bench 3.0: skor 28.3 — tertinggi dalam kalangan model sumber terbuka dan menghampiri Claude Fable 5 Anthropic .
• DeepSWE v1.1: melonjak dari 46.2 kepada 66.9 .
• Z.ai internal Code Bench (Usaha Maksimum): 34.5% (vs. 23.4% GLM-5.2), menggunakan kira-kira 75,000 token output setiap tugas berbanding 96,000 .
• Ujian Terakhir Ejen: tempat pertama dalam kalangan model sumber terbuka .
• Komposit Penanda Aras World of AI: kedudukan #6 keseluruhan dengan skor komposit 81.3, tepat di belakang Kimi K3 (81.5) dan di hadapan GPT-5.6 Terra .
• FrontierSWE: mencapai 78.1, meningkat dari 67.5 .
• SWE-Marathon: berganda dari 19.4 kepada 42.5 .

Mengapa Pemberat Terbuka Ditangguhkan

Z.ai menyatakan bahawa keupayaan keselamatan siber model "berkembang lebih cepat daripada yang dijangkakan" semasa latihan pasca . 740 bilion parameter model asas tidak dilatih semula — semua peningkatan datang daripada penambahbaikan latihan pasca . Oleh kerana keupayaan itu adalah kejutan yang muncul, syarikat itu menahan pelepasan sumber terbuka selama dua minggu sambil mengukuhkan kawalan keselamatan . Model ini sudah tersedia melalui API Z.ai dan melalui integrasi dengan ZCode, Claude Code, dan OpenCode .

Amaran Penting

• Semua markah penanda aras GLM-5.3 adalah dilaporkan oleh syarikat dan belum disahkan secara bebas .
• Keunggulan CyberGym berbanding Mythos 5 dan GPT-5.6 Sol adalah tipis — kurang daripada satu mata peratusan .
• Pada ExploitBench, GLM-5.3 ketinggalan jauh di belakang saingan AS (54.4% vs. 78% untuk Mythos 5 dan 76.5% untuk GPT-5.6 Sol) .
• Untuk konteks, pengagregat penanda aras keselamatan siber yang lebih luas menyenaraikan GPT-5.6 Sol pada 84.5% pada CyberGym (menyamai GLM-5.3) dan Mythos 5 pada 83.8%, sambil menunjukkan ExploitBench 73.5% untuk Sol dan 78% untuk Mythos 5 .