Z.ai GLM-5.3：网络安全基准测试力压 Mythos 5 和 GPT-5.6 Sol，但 ExploitBench 仍落后

然而，在更具挑战性的 ExploitBench 上，情况截然不同。ExploitBench 要求模型对漏洞进行更深层次的推理并生成可用的漏洞利用代码。GLM-5.3 的得分较前代翻了一番多，从 24.4% 提升至 54.4% 。但 Z.ai 报告称，Mythos 5 在该测试中得分 78%，GPT-5.6 Sol 得分 76.5%，GLM-5.3 的差距依然明显 。

在 ExploitGym 上，该测试衡量模型在标准化两小时预算内能完成多少利用任务。GLM-5.3 完成了 105 项任务（前代 GLM-5.2 为 29 项）。若将预算延长至六小时，完成任务数则升至 130 项 。

数据来源：

真实世界的漏洞检测

除了基准测试，GLM-5.3 在实际安全测试中的表现同样引人注目：

• 在 269 个开源项目中发现了 2436 个已确认的漏洞，所有结果均记录在 Z.ai 公开的安全披露分类账中 。
• 其中，1097 个被归类为严重或高危漏洞 。
• 该模型发现可追溯至约 40 年前 的软件漏洞 。
• 发布后不久，它还在 AI 代码编辑器 Cursor 中发现了一个严重漏洞 。

关键编程与通用基准测试

GLM-5.3 在编程和智能体（Agent）基准测试中也表现强劲，使其成为软件开发任务中领先的开源权重模型：

• Terminal-Bench 3.0：得分 28.3，是所有开源权重模型中最高的，接近 Anthropic 的 Claude Fable 5 。
• DeepSWE v1.1：得分从 46.2 跃升至 66.9 。
• Z.ai 内部 Code Bench（最高努力模式）：得分 34.5%（GLM-5.2 为 23.4%），每项任务输出约 75000 个 tokens，对比前代的 96000 个 。
• Agents' Last Exam：在开源权重模型中排名第一 。
• World of AI Benchmark 综合排名：以 81.3 的综合得分位列 第 6 名，紧随 Kimi K3（81.5）之后，领先于 GPT-5.6 Terra 。
• FrontierSWE：得分达到 78.1，高于之前的 67.5 。
• SWE-Marathon：得分从 19.4 翻倍至 42.5 。

为何延迟发布开源权重

Z.ai 表示，该模型的网络安全能力在后期训练中“增长速度快于预期”。基础模型的 7400 亿参数并未重新训练——所有性能提升均来自后期训练的改进 。由于这种能力是“突现”的，公司决定将开源权重的发布推迟两周，以便加强安全与安保控制措施 。该模型目前已通过 Z.ai API、ZCode、Claude Code 和 OpenCode 的集成提供服务 。

重要注意事项

• 所有 GLM-5.3 的基准测试分数均为公司自行报告，尚未得到独立验证 。
• 在 CyberGym 上对 Mythos 5 和 GPT-5.6 Sol 的优势非常微弱——不到一个百分点 。
• 在 ExploitBench 上，GLM-5.3 远远落后于美国竞争对手（54.4% 对比 Mythos 5 的 78% 和 GPT-5.6 Sol 的 76.5%）。
• 作为背景信息，一个更广泛的网络安全基准聚合器显示，GPT-5.6 Sol 在 CyberGym 上得分为 84.5%（与 GLM-5.3 持平），Mythos 5 为 83.8%；而在 ExploitBench 上，Sol 得分为 73.5%，Mythos 5 为 78% 。