智谱 GLM-5.3：7430 亿参数不变，靠后训练冲击智能编程

智谱 AI 发布了 GLM-5.3，一款拥有 7430 亿参数的开放权重基础模型。与侧重对话问答不同，这一代产品把重点放在编程、软件工程和智能体任务上：模型不仅要生成代码，还要能够调用工具、操作软件，并在较少人工干预的情况下推进多步骤工作流。智谱表示，GLM-5.3 与 GLM-5.2 使用相同的参数规模，主要通过后训练实现能力提升。

从目前披露的数据看，GLM-5.3 最值得关注的并不是参数量，而是它在长流程编程测试中的跃升。智谱称，该模型在自有 Z.ai Code Bench 上的编程表现较 GLM-5.2 提升约 50%；在 Terminal-Bench 3.0 上得分 28.3，在 DeepSWE 1.1 上得分 66.9。不过，这些数字目前仍属于厂商及相关报告披露的结果，是否能稳定复现，还需要更多独立测试和真实开发场景验证。

关键变化：不是做大模型，而是强化后训练

GLM-5.3 的参数规模为 7430 亿，与 GLM-5.2 保持一致。智谱将这次发布描述为一次主要依靠后训练完成的能力升级，而非重新扩大基础模型。

对模型开发而言，这一思路具有一定意义：提升性能并不只有增加参数这一条路径。后训练可以进一步塑造模型的任务规划、工具使用、指令遵循和错误恢复能力，使其更适合处理复杂、连续的工作流程。现有资料支持智谱关于“同一规模、侧重后训练”的说法，但尚不足以独立判断具体哪一种后训练技术贡献了多少提升。

长流程编程，是 GLM-5.3 的主战场

智谱称，GLM-5.3 在 Z.ai Code Bench 上较 GLM-5.2 提升约 50%。在需要模型持续处理软件任务的测试中，升级幅度更加突出：

• Terminal-Bench 3.0： GLM-5.3 得分 28.3，GLM-5.2 为 4.6。
• DeepSWE 1.1： GLM-5.3 得分 66.9，GLM-5.2 为 46.2。
• Agents’ Last Exam（CLI）： GLM-5.3 得分 28.5，上一代为 23.8。

Terminal-Bench 3.0 的意义在于，它不只是评估模型能否给出一段静态代码，还涉及终端和 Shell 环境中的软件操作。DeepSWE 1.1 则更接近完整的软件工程任务，因此更能反映模型处理多步骤开发流程的能力。

智谱表示，GLM-5.3 在发布时的 Terminal-Bench 3.0 得分为开放模型中最高，并领先于月之暗面 Kimi K3。 但这仍是公司披露的排名。比较不同模型时，还需要关注评测版本、提示词、工具配置以及各模型实际运行条件是否一致。

从“写代码”走向“操作软件”

GLM-5.3 的产品方向，是让 AI 编程从回答单个问题进一步发展为执行完整任务。按照智谱的定位，模型可以检查代码仓库、运行命令、分析报错、修改文件，并围绕目标持续推进，而不是只给出一段供开发者手动复制的代码。

这正是“编程智能体”与传统代码助手的区别：前者需要在连续行动中理解环境、使用工具并根据反馈调整策略。Terminal-Bench 和 DeepSWE 的成绩提升与这一方向相符，但单一基准分数并不能证明模型在陌生的生产环境中一定可靠，也不能替代对权限控制、错误恢复和人工审批机制的测试。

智谱还称，GLM-5.3 的编程和智能体能力正在接近 Claude Fable 5，并在真实编程任务上具备优于其他中国模型的实用表现。 这些属于智谱的产品定位和对比性表述，不应直接视为独立排行榜上的最终结论。

网络安全能力带来双重影响

智谱还将 GLM-5.3 的推理和工具调用能力延伸到网络安全场景，包括发现软件漏洞。公开披露的评测信息显示，该模型在 CyberGym 的漏洞发现与验证任务中取得了 84.5% 的结果。

这类能力具有明显的双重用途。更强的代码理解和软件操作能力，可能帮助安全团队识别缺陷；但如果缺乏严格限制，同样可能放大自动化系统执行不安全操作的风险。因此，现有证据最多支持将“漏洞发现”描述为 GLM-5.3 的一项已报告能力，而不能据此断言它已经是可靠的安全审计工具，或能够安全地自主进行漏洞利用。

开发者应该如何看待这次升级

GLM-5.3 的真正看点，不只是 7430 亿参数这个庞大的数字，而是智谱把后训练和长流程任务评测放在了发布叙事的中心。对于准备评估该模型的开发者，以下问题比单看榜单排名更重要：

1. 能否完成端到端任务？ 不要只测试代码补全，还应测试代码仓库修改、调试和命令行操作。
2. 需要多少人工监督？ 重点观察模型能否从失败命令、模糊需求和工具报错中恢复。
3. 基准提升能否复现？ 使用公开记录的提示词和相同的模型访问条件重新测试。
4. 安全边界是否清晰？ 在隔离环境中检查代码执行、密钥处理和安全相关请求的行为。
5. “开放权重”究竟意味着什么？ 在规划自部署或定制化之前，应确认权重是否已经开放、许可条款是什么，以及具体部署条件如何。有关发布时的访问方式，现有报道并不完全一致。

结论

GLM-5.3 是一款拥有 7430 亿参数的模型。智谱 AI 称，它在不扩大 GLM-5.2 基础模型规模的情况下，主要通过后训练提升了编程、软件工程和智能体能力。

从 Terminal-Bench 3.0 的 4.6 提升到 28.3、以及 DeepSWE 1.1 的 46.2 提升到 66.9，模型的主打方向已经十分清楚：处理更长、更复杂的软件任务，而不仅是生成孤立的代码片段。

这组结果足以让开发者和开源模型社区进一步关注 GLM-5.3，尤其是在编程智能体和工具调用工作流方面。但从亮眼的基准成绩到稳定、可控的自主软件操作，中间仍有距离。最终表现还需要独立评测、真实项目测试，以及对安全和部署条件的进一步确认。