Z.ai 推 GLM-5.3：網絡安全測試力壓美國模型，開源權重卻因安全隱憂延遲釋出

不過，去到更深入嘅 ExploitBench 測試——呢個測試要求模型理解漏洞嘅根源，並實際交付可用嘅攻擊程式——情況就唔同晒。GLM-5.3 嘅得分雖然比上代提升超過一倍，由 24.4% 升到 54.4% ，但 Z.ai 報告顯示 Mythos 5 喺呢個測試嘅得分係 78%，而 GPT-5.6 Sol 就係 76.5%——換句話說，GLM-5.3 喺呢個更難嘅測試上仲係遠遠落後 。

至於 ExploitGym，呢個測試係計算模型喺標準化嘅兩小時預算內可以完成幾多個漏洞利用任務。GLM-5.3 完成咗 105 個任務（GLM-5.2 只係做到 29 個）。如果將預算延長到六小時，佢嘅完成量就上升到 130 個任務 。

資料來源：

真實世界漏洞檢測能力

除咗基準測試之外，GLM-5.3 喺真實世界嘅安全測試中都交出咗亮麗嘅成績單：

• 喺 269 個開源項目 中搵到 2,436 個已確認嘅漏洞，相關結果記錄喺公開嘅 Z.ai 安全披露帳簿中 。
• 當中 1,097 個被分類為嚴重或高風險 。
• 模型搵到嘅漏洞涉及嘅軟件，最舊嘅可以追溯到大概 40 年前 。
• 喺推出後冇幾耐，佢仲喺人工智能程式碼編輯器 Cursor 入面發現咗一個 嚴重漏洞 。

重點編碼及通用基準測試結果

GLM-5.3 喺編碼同代理型基準測試上都表現強勁，令佢成為軟件工程領域中領先嘅開源權重模型：

• Terminal-Bench 3.0：得分 28.3——喺開源權重模型中最高，接近 Anthropic 嘅 Claude Fable 5 。
• DeepSWE v1.1：由 46.2 大幅躍升至 66.9 。
• Z.ai 內部 Code Bench（最大努力模式）：34.5%（GLM-5.2 係 23.4%），每個任務大約使用 75,000 個輸出 token，而 GLM-5.2 就用 96,000 個 。
• Agents' Last Exam：喺開源權重模型中排第一 。
• World of AI Benchmark 綜合排名：以 81.3 嘅綜合得分排 第 6 位，僅次於 Kimi K3（81.5），領先 GPT-5.6 Terra 。
• FrontierSWE：達到 78.1，高過之前嘅 67.5 。
• SWE-Marathon：由 19.4 翻倍至 42.5 。

點解會延遲開放權重？

Z.ai 解釋話，模型嘅網絡安全能力喺後期訓練階段「增長得比預期快」。基礎模型嘅 7400 億參數 冇重新訓練過——所有嘅進步都係嚟自後期訓練嘅改進 。由於呢個能力係突然湧現嘅，公司決定將開源權重嘅發布延遲兩個星期，以便加強安全同保安控制 。目前，模型已經可以透過 Z.ai API，以及 ZCode、Claude Code 同 OpenCode 嘅整合使用 。

重要注意事項

• 所有 GLM-5.3 嘅基準測試分數都係 公司自行報告，尚未經過獨立第三方驗證 。
• CyberGym 上 相對於 Mythos 5 同 GPT-5.6 Sol 嘅優勢好細——唔夠一個百分點 。
• 喺 ExploitBench 測試中，GLM-5.3 遠遠落後於美國對手（54.4% 對比 Mythos 5 嘅 78% 同 GPT-5.6 Sol 嘅 76.5%）。
• 作為參考，一個更廣泛嘅網絡安全基準聚合網站 benchlm.ai 顯示，GPT-5.6 Sol 喺 CyberGym 嘅得分係 84.5%（同 GLM-5.3 一樣），Mythos 5 係 83.8%；而喺 ExploitBench 上，Sol 嘅得分係 73.5%，Mythos 5 係 78% 。