Kết quả kiểm chuẩn an ninh mạng so với đối thủ Mỹ

Kết quả đáng chú ý nhất của GLM-5.3 là trên chuẩn CyberGym, một bài kiểm tra của Sáng kiến Phát triển AI có trách nhiệm thuộc Đại học California, Berkeley, đánh giá khả năng xác định và xác thực các lỗ hổng thực tế từ mã nguồn . Tại đây, GLM-5.3 đạt 84.5%, nhỉnh hơn cả Mythos 5 (83.8%) của Anthropic và GPT-5.6 Sol (83.6%) của OpenAI .

Tuy nhiên, bức tranh thay đổi hoàn toàn ở ExploitBench—bài kiểm tra đòi hỏi khả năng suy luận sâu hơn về cách khai thác một lỗ hổng thực sự và yêu cầu đưa ra được mã khai thác có hiệu quả. GLM-5.3 đã tăng hơn gấp đôi điểm số so với người tiền nhiệm, từ 24.4% lên 54.4% . Tuy nhiên, Z.ai báo cáo rằng Mythos 5 đạt 78% trên ExploitBench và GPT-5.6 Sol đạt 76.5% — để GLM-5.3 tụt lại phía sau đáng kể ở bài kiểm tra khó khăn hơn này .

Trên ExploitGym, bài kiểm tra đếm số lượng nhiệm vụ khai thác mà một mô hình có thể hoàn thành trong ngân sách hai giờ tiêu chuẩn hóa, GLM-5.3 hoàn thành nhiệm vụ 105 (tăng từ 29 so với GLM-5.2) . Trong ngân sách sáu giờ, con số này tăng lên 130 nhiệm vụ .

Nguồn:

Phát hiện lỗ hổng trong thế giới thực

Ngoài các bài kiểm chuẩn, GLM-5.3 đã được triển khai trong các bài kiểm tra bảo mật thực tế với kết quả ấn tượng:

• 2.436 lỗ hổng đã được xác nhận được tìm thấy trên 269 dự án mã nguồn mở, kết quả được theo dõi trong Sổ đăng ký Tiết lộ Bảo mật công khai của Z.ai .
• Trong số đó, 1.097 lỗi được phân loại là nghiêm trọng hoặc có mức độ ảnh hưởng cao .
• Mô hình đã tìm thấy lỗi trong các phần mềm có tuổi đời lên tới khoảng 40 năm .
• Ngay sau khi ra mắt, nó cũng đã xác định một lỗ hổng nghiêm trọng trong Cursor, trình soạn thảo mã được hỗ trợ bởi AI .

Các bài kiểm chuẩn lập trình và tổng hợp chính

GLM-5.3 cũng đạt điểm số mạnh mẽ trên các bài kiểm chuẩn về lập trình và tác tử (agentic), khẳng định vị thế là mô hình mã nguồn mở hàng đầu cho các tác vụ kỹ thuật phần mềm:

• Terminal-Bench 3.0: đạt 28.3 — cao nhất trong số các mô hình mã nguồn mở và tiệm cận với Claude Fable 5 của Anthropic .
• DeepSWE v1.1: nhảy vọt từ 46.2 lên 66.9 .
• Z.ai Code Bench nội bộ (Max effort): 34.5% (so với 23.4% của GLM-5.2), sử dụng khoảng 75.000 token đầu ra mỗi nhiệm vụ so với 96.000 token của đối thủ .
• Agents' Last Exam: vị trí đầu tiên trong số các mô hình mã nguồn mở .
• World of AI Benchmark composite: xếp hạng thứ 6 tổng thể với điểm tổng hợp 81.3, ngay sau Kimi K3 (81.5) và xếp trên GPT-5.6 Terra .
• FrontierSWE: đạt 78.1, tăng từ 67.5 .
• SWE-Marathon: tăng gấp đôi từ 19.4 lên 42.5 .

Lý do trì hoãn phát hành mã nguồn mở

Z.ai cho biết khả năng an ninh mạng của mô hình đã "phát triển nhanh hơn dự kiến" trong quá trình huấn luyện sau (post-training) . 740 tỷ tham số của mô hình nền tảng không được huấn luyện lại — tất cả sự cải thiện đều đến từ các cải tiến trong huấn luyện sau . Vì khả năng này xuất hiện một cách đột biến ngoài dự kiến, công ty đã tạm thời giữ lại bản phát hành mã nguồn mở trong hai tuần để tăng cường các biện pháp kiểm soát an toàn và bảo mật . Mô hình hiện đã có sẵn thông qua API của Z.ai và thông qua các tích hợp với ZCode, Claude Code và OpenCode .

Những lưu ý quan trọng

• Tất cả điểm benchmark của GLM-5.3 đều do chính công ty báo cáo và chưa được xác minh độc lập .
• Lợi thế trên CyberGym so với Mythos 5 và GPT-5.6 Sol là rất mong manh — chưa đầy một điểm phần trăm .
• Trên ExploitBench, GLM-5.3 tụt lại khá xa so với các đối thủ Mỹ (54.4% so với 78% của Mythos 5 và 76.5% của GPT-5.6 Sol) .
• Để có bối cảnh đầy đủ, một trình tổng hợp điểm benchmark an ninh mạng rộng hơn liệt kê GPT-5.6 Sol ở mức 84.5% trên CyberGym (ngang bằng GLM-5.3) và Mythos 5 ở mức 83.8%, trong khi điểm ExploitBench của Sol là 73.5% và của Mythos 5 là 78% .

Kết quả kiểm chuẩn an ninh mạng so với đối thủ Mỹ

Kết quả đáng chú ý nhất của GLM-5.3 là trên chuẩn CyberGym, một bài kiểm tra của Sáng kiến Phát triển AI có trách nhiệm thuộc Đại học California, Berkeley, đánh giá khả năng xác định và xác thực các lỗ hổng thực tế từ mã nguồn . Tại đây, GLM-5.3 đạt 84.5%, nhỉnh hơn cả Mythos 5 (83.8%) của Anthropic và GPT-5.6 Sol (83.6%) của OpenAI .

Tuy nhiên, bức tranh thay đổi hoàn toàn ở ExploitBench—bài kiểm tra đòi hỏi khả năng suy luận sâu hơn về cách khai thác một lỗ hổng thực sự và yêu cầu đưa ra được mã khai thác có hiệu quả. GLM-5.3 đã tăng hơn gấp đôi điểm số so với người tiền nhiệm, từ 24.4% lên 54.4% . Tuy nhiên, Z.ai báo cáo rằng Mythos 5 đạt 78% trên ExploitBench và GPT-5.6 Sol đạt 76.5% — để GLM-5.3 tụt lại phía sau đáng kể ở bài kiểm tra khó khăn hơn này .

Trên ExploitGym, bài kiểm tra đếm số lượng nhiệm vụ khai thác mà một mô hình có thể hoàn thành trong ngân sách hai giờ tiêu chuẩn hóa, GLM-5.3 hoàn thành nhiệm vụ 105 (tăng từ 29 so với GLM-5.2) . Trong ngân sách sáu giờ, con số này tăng lên 130 nhiệm vụ .

Nguồn:

Phát hiện lỗ hổng trong thế giới thực

Ngoài các bài kiểm chuẩn, GLM-5.3 đã được triển khai trong các bài kiểm tra bảo mật thực tế với kết quả ấn tượng:

• 2.436 lỗ hổng đã được xác nhận được tìm thấy trên 269 dự án mã nguồn mở, kết quả được theo dõi trong Sổ đăng ký Tiết lộ Bảo mật công khai của Z.ai .
• Trong số đó, 1.097 lỗi được phân loại là nghiêm trọng hoặc có mức độ ảnh hưởng cao .
• Mô hình đã tìm thấy lỗi trong các phần mềm có tuổi đời lên tới khoảng 40 năm .
• Ngay sau khi ra mắt, nó cũng đã xác định một lỗ hổng nghiêm trọng trong Cursor, trình soạn thảo mã được hỗ trợ bởi AI .

Các bài kiểm chuẩn lập trình và tổng hợp chính

GLM-5.3 cũng đạt điểm số mạnh mẽ trên các bài kiểm chuẩn về lập trình và tác tử (agentic), khẳng định vị thế là mô hình mã nguồn mở hàng đầu cho các tác vụ kỹ thuật phần mềm:

• Terminal-Bench 3.0: đạt 28.3 — cao nhất trong số các mô hình mã nguồn mở và tiệm cận với Claude Fable 5 của Anthropic .
• DeepSWE v1.1: nhảy vọt từ 46.2 lên 66.9 .
• Z.ai Code Bench nội bộ (Max effort): 34.5% (so với 23.4% của GLM-5.2), sử dụng khoảng 75.000 token đầu ra mỗi nhiệm vụ so với 96.000 token của đối thủ .
• Agents' Last Exam: vị trí đầu tiên trong số các mô hình mã nguồn mở .
• World of AI Benchmark composite: xếp hạng thứ 6 tổng thể với điểm tổng hợp 81.3, ngay sau Kimi K3 (81.5) và xếp trên GPT-5.6 Terra .
• FrontierSWE: đạt 78.1, tăng từ 67.5 .
• SWE-Marathon: tăng gấp đôi từ 19.4 lên 42.5 .

Lý do trì hoãn phát hành mã nguồn mở

Z.ai cho biết khả năng an ninh mạng của mô hình đã "phát triển nhanh hơn dự kiến" trong quá trình huấn luyện sau (post-training) . 740 tỷ tham số của mô hình nền tảng không được huấn luyện lại — tất cả sự cải thiện đều đến từ các cải tiến trong huấn luyện sau . Vì khả năng này xuất hiện một cách đột biến ngoài dự kiến, công ty đã tạm thời giữ lại bản phát hành mã nguồn mở trong hai tuần để tăng cường các biện pháp kiểm soát an toàn và bảo mật . Mô hình hiện đã có sẵn thông qua API của Z.ai và thông qua các tích hợp với ZCode, Claude Code và OpenCode .

Những lưu ý quan trọng

• Tất cả điểm benchmark của GLM-5.3 đều do chính công ty báo cáo và chưa được xác minh độc lập .
• Lợi thế trên CyberGym so với Mythos 5 và GPT-5.6 Sol là rất mong manh — chưa đầy một điểm phần trăm .
• Trên ExploitBench, GLM-5.3 tụt lại khá xa so với các đối thủ Mỹ (54.4% so với 78% của Mythos 5 và 76.5% của GPT-5.6 Sol) .
• Để có bối cảnh đầy đủ, một trình tổng hợp điểm benchmark an ninh mạng rộng hơn liệt kê GPT-5.6 Sol ở mức 84.5% trên CyberGym (ngang bằng GLM-5.3) và Mythos 5 ở mức 83.8%, trong khi điểm ExploitBench của Sol là 73.5% và của Mythos 5 là 78% .