Wyniki benchmarków cyberbezpieczeństwa wobec amerykańskich rywali

Najbardziej medialny wynik GLM-5.3 to 84,5% w benchmarku CyberGym, który opracowano w ramach inicjatywy Responsible AI Development Initiative na Uniwersytecie Kalifornijskim w Berkeley. Test sprawdza, czy model potrafi zidentyfikować i potwierdzić rzeczywiste podatności na podstawie kodu źródłowego (tzw. white-box) . To dało GLM-5.3 minimalne prowadzenie przed Mythos 5 od Anthropica (83,8%) i GPT-5.6 Sol od OpenAI (83,6%) .

Obraz zmienia się diametralnie na ExploitBench, który wymaga głębszego rozumowania – model musi nie tylko znaleźć lukę, ale też wykazać, jak można ją faktycznie wykorzystać, i dostarczyć działający exploit. GLM-5.3 ponad dwukrotnie poprawił wynik poprzednika, skacząc z 24,4% na 54,4% . Jednak Z.ai podaje, że Mythos 5 uzyskuje na ExploitBench 78%, a GPT-5.6 Sol 76,5% – co oznacza, że chiński model wciąż wyraźnie odstaje od rywali w tym trudniejszym pomiarze .

Z kolei na ExploitGym, który zlicza, ile zadań eksploatacyjnych model jest w stanie ukończyć w ramach znormalizowanego dwugodzinnego budżetu, GLM-5.3 wykonuje 105 zadań (wobec 29 dla GLM-5.2) . Przy budżecie sześciogodzinnym wynik rośnie do 130 zadań .

Źródła:

Rzeczywiste wykrywanie podatności

Poza testami GLM-5.3 został wdrożony w rzeczywistych testach bezpieczeństwa, przynosząc imponujące rezultaty:

• 2436 potwierdzonych podatności w 269 projektach open source – wyniki są śledzone w publicznym rejestrze ujawnień bezpieczeństwa Z.ai .
• Spośród nich 1097 sklasyfikowano jako krytyczne lub o wysokiej wadze .
• Model znalazł błędy w oprogramowaniu mającym nawet 40 lat .
• Krótko po premierze zidentyfikował również poważną podatność w Cursorze – edytorze kodu opartym na AI .

Kluczowe benchmarki kodowania i ogólne

GLM-5.3 notuje także silne wyniki w testach kodowania i agentowych, pozycjonując się jako wiodący model z otwartymi wagami do zadań inżynierii oprogramowania:

• Terminal-Bench 3.0: wynik 28,3 – najwyższy wśród modeli open-weight i zbliżony do Claude Fable 5 od Anthropica .
• DeepSWE v1.1: skok z 46,2 do 66,9 .
• Wewnętrzny Code Bench Z.ai (Max effort): 34,5% (wobec 23,4% GLM-5.2), przy zużyciu około 75 000 tokenów wyjściowych na zadanie wobec 96 000 .
• Agents' Last Exam: pierwsze miejsce wśród modeli open-weight .
• Złożony benchmark World of AI: 6. miejsce z wynikiem 81,3, tuż za Kimi K3 (81,5) i przed GPT-5.6 Terra .
• FrontierSWE: wynik 78,1, wzrost z 67,5 .
• SWE-Marathon: podwojenie z 19,4 do 42,5 .

Dlaczego publikacja wag jest opóźniona

Z.ai przyznaje, że zdolności cybernetyczne modelu „rosły szybciej niż przewidywano” w trakcie post-treningu . Podstawowe 740 miliardów parametrów modelu nie było przetrenowywane – cały postęp pochodzi z ulepszeń w fazie post-treningu . Ponieważ zdolność ta pojawiła się niespodziewanie, firma wstrzymuje publikację otwartych wag o dwa tygodnie, aby wzmocnić mechanizmy bezpieczeństwa . Model jest już dostępny za pośrednictwem API Z.ai oraz integracji z ZCode, Claude Code i OpenCode .

Ważne zastrzeżenia

• Wszystkie wyniki benchmarków GLM-5.3 pochodzą z raportów firmy i nie zostały jeszcze niezależnie zweryfikowane .
• Przewaga w CyberGym nad Mythos 5 i GPT-5.6 Sol jest minimalna – mniej niż jeden punkt procentowy .
• W ExploitBench GLM-5.3 wyraźnie odstaje od amerykańskich rywali (54,4% wobec 78% Mythos 5 i 76,5% GPT-5.6 Sol) .
• Dla kontekstu: zagregowany benchmark cyberbezpieczeństwa przypisuje GPT-5.6 Sol wynik 84,5% w CyberGym (zrównując go z GLM-5.3), a Mythos 5 – 83,8%, pokazując jednak poziom ExploitBench na 73,5% dla Sol i 78% dla Mythos 5 .

Wyniki benchmarków cyberbezpieczeństwa wobec amerykańskich rywali

Najbardziej medialny wynik GLM-5.3 to 84,5% w benchmarku CyberGym, który opracowano w ramach inicjatywy Responsible AI Development Initiative na Uniwersytecie Kalifornijskim w Berkeley. Test sprawdza, czy model potrafi zidentyfikować i potwierdzić rzeczywiste podatności na podstawie kodu źródłowego (tzw. white-box) . To dało GLM-5.3 minimalne prowadzenie przed Mythos 5 od Anthropica (83,8%) i GPT-5.6 Sol od OpenAI (83,6%) .

Obraz zmienia się diametralnie na ExploitBench, który wymaga głębszego rozumowania – model musi nie tylko znaleźć lukę, ale też wykazać, jak można ją faktycznie wykorzystać, i dostarczyć działający exploit. GLM-5.3 ponad dwukrotnie poprawił wynik poprzednika, skacząc z 24,4% na 54,4% . Jednak Z.ai podaje, że Mythos 5 uzyskuje na ExploitBench 78%, a GPT-5.6 Sol 76,5% – co oznacza, że chiński model wciąż wyraźnie odstaje od rywali w tym trudniejszym pomiarze .

Z kolei na ExploitGym, który zlicza, ile zadań eksploatacyjnych model jest w stanie ukończyć w ramach znormalizowanego dwugodzinnego budżetu, GLM-5.3 wykonuje 105 zadań (wobec 29 dla GLM-5.2) . Przy budżecie sześciogodzinnym wynik rośnie do 130 zadań .

Źródła:

Rzeczywiste wykrywanie podatności

Poza testami GLM-5.3 został wdrożony w rzeczywistych testach bezpieczeństwa, przynosząc imponujące rezultaty:

• 2436 potwierdzonych podatności w 269 projektach open source – wyniki są śledzone w publicznym rejestrze ujawnień bezpieczeństwa Z.ai .
• Spośród nich 1097 sklasyfikowano jako krytyczne lub o wysokiej wadze .
• Model znalazł błędy w oprogramowaniu mającym nawet 40 lat .
• Krótko po premierze zidentyfikował również poważną podatność w Cursorze – edytorze kodu opartym na AI .

Kluczowe benchmarki kodowania i ogólne

GLM-5.3 notuje także silne wyniki w testach kodowania i agentowych, pozycjonując się jako wiodący model z otwartymi wagami do zadań inżynierii oprogramowania:

• Terminal-Bench 3.0: wynik 28,3 – najwyższy wśród modeli open-weight i zbliżony do Claude Fable 5 od Anthropica .
• DeepSWE v1.1: skok z 46,2 do 66,9 .
• Wewnętrzny Code Bench Z.ai (Max effort): 34,5% (wobec 23,4% GLM-5.2), przy zużyciu około 75 000 tokenów wyjściowych na zadanie wobec 96 000 .
• Agents' Last Exam: pierwsze miejsce wśród modeli open-weight .
• Złożony benchmark World of AI: 6. miejsce z wynikiem 81,3, tuż za Kimi K3 (81,5) i przed GPT-5.6 Terra .
• FrontierSWE: wynik 78,1, wzrost z 67,5 .
• SWE-Marathon: podwojenie z 19,4 do 42,5 .

Dlaczego publikacja wag jest opóźniona

Z.ai przyznaje, że zdolności cybernetyczne modelu „rosły szybciej niż przewidywano” w trakcie post-treningu . Podstawowe 740 miliardów parametrów modelu nie było przetrenowywane – cały postęp pochodzi z ulepszeń w fazie post-treningu . Ponieważ zdolność ta pojawiła się niespodziewanie, firma wstrzymuje publikację otwartych wag o dwa tygodnie, aby wzmocnić mechanizmy bezpieczeństwa . Model jest już dostępny za pośrednictwem API Z.ai oraz integracji z ZCode, Claude Code i OpenCode .

Ważne zastrzeżenia

• Wszystkie wyniki benchmarków GLM-5.3 pochodzą z raportów firmy i nie zostały jeszcze niezależnie zweryfikowane .
• Przewaga w CyberGym nad Mythos 5 i GPT-5.6 Sol jest minimalna – mniej niż jeden punkt procentowy .
• W ExploitBench GLM-5.3 wyraźnie odstaje od amerykańskich rywali (54,4% wobec 78% Mythos 5 i 76,5% GPT-5.6 Sol) .
• Dla kontekstu: zagregowany benchmark cyberbezpieczeństwa przypisuje GPT-5.6 Sol wynik 84,5% w CyberGym (zrównując go z GLM-5.3), a Mythos 5 – 83,8%, pokazując jednak poziom ExploitBench na 73,5% dla Sol i 78% dla Mythos 5 .