與美國對手的網路安全評測對比

GLM-5.3最受矚目的成績來自 CyberGym 評測。該評測由加州大學柏克萊分校的「負責任AI發展倡議」設計，旨在測試模型是否能從白箱原始碼中辨識並驗證真實的漏洞 。在此項評測中，GLM-5.3獲得了 84.5% 的成績，微幅領先 Anthropic 的 Mythos 5 (83.8%) 和 OpenAI 的 GPT-5.6 Sol (83.6%) 。

然而，在更需要深度推理能力的 ExploitBench 評測上，情況則有所不同。ExploitBench 考驗模型是否能理解漏洞的根本原因，並實際產出可運作的攻擊程式。GLM-5.3 的成績雖較前代倍增，從 24.4% 提升至 54.4% ，但 Z.ai 公佈的數據顯示，Mythos 5 在此項評測中獲得 78%，GPT-5.6 Sol 則為 76.5%，GLM-5.3 仍有一段不小的差距 。

在 ExploitGym 評測中，該評測計算模型在標準化的兩小時預算內能完成多少項入侵任務，GLM-5.3 完成了 105 項任務（GLM-5.2 為 29 項）。若將預算延長至六小時，則可完成 130 項任務 。

資料來源：

真實世界的漏洞檢測

除了評測之外，GLM-5.3 在實際的資安測試中也表現出色：

• 在 269 個開源專案中，共發現 2,436 個已確認的漏洞，相關結果皆記錄在 Z.ai 公開的「安全揭露總帳」中 。
• 其中，1,097 個被歸類為嚴重或高風險等級 。
• 該模型甚至發現了存在於約 40 年歷史的軟體中的漏洞 。
• 在發佈後不久，它也立即在 AI 程式碼編輯器 Cursor 中發現了一個嚴重漏洞 。

關鍵程式碼與通用評測成績

GLM-5.3 在程式碼與 AI 代理（Agent）相關的評測上也表現強勁，確立了其在軟體工程領域中領先開源模型的地位：

• Terminal-Bench 3.0：獲得 28.3 分，是所有開源權重模型中的最高分，已接近 Anthropic 的 Claude Fable 5 。
• DeepSWE v1.1：成績從 46.2 躍升至 66.9 。
• Z.ai 內部 Code Bench (最高效能模式)：獲得 34.5%（GLM-5.2 為 23.4%），且每個任務平均僅使用約 75,000 個輸出 token，少於前代的 96,000 個 。
• Agents' Last Exam：在所有開源權重模型中排名第一 。
• World of AI Benchmark 綜合評比：以 81.3 的綜合成績排名 第 6，僅次於 Kimi K3 (81.5)，並領先 GPT-5.6 Terra 。
• FrontierSWE：達到 78.1，高於前代的 67.5 。
• SWE-Marathon：成績從 19.4 翻倍至 42.5 。

開源權重為何延遲發佈？

Z.ai 表示，模型在後期訓練（post-training）階段，其網路安全能力的「成長速度超出預期」。必須強調的是，模型的 7400 億參數基礎模型 並未重新訓練，所有能力的提升皆來自於後期訓練的改良 。由於這項能力是「湧現性」的，並非公司原先設定的目標，因此 Z.ai 決定將開源權重的釋出延後兩週，以便強化安全與控制措施 。目前該模型已可透過 Z.ai API 以及與 ZCode、Claude Code、OpenCode 的整合來使用 。

重要的注意事項

• 所有 GLM-5.3 的評測成績皆為 公司自行公佈，尚未經由第三方獨立驗證 。
• GLM-5.3 在 CyberGym 上 對 Mythos 5 和 GPT-5.6 Sol 的領先優勢非常微小——差距不到一個百分點 。
• 在 ExploitBench 評測中，GLM-5.3 (54.4%) 與美國對手 (Mythos 5 的 78% 和 GPT-5.6 Sol 的 76.5%) 的差距仍然很大 。
• 作為對照，一個更廣泛的網路安全評測彙整平台 顯示，GPT-5.6 Sol 在 CyberGym 上的成績同樣為 84.5%（與 GLM-5.3 持平），Mythos 5 則為 83.8%；而在 ExploitBench 上，Sol 和 Mythos 5 分別獲得 73.5% 和 78% 。

與美國對手的網路安全評測對比

GLM-5.3最受矚目的成績來自 CyberGym 評測。該評測由加州大學柏克萊分校的「負責任AI發展倡議」設計，旨在測試模型是否能從白箱原始碼中辨識並驗證真實的漏洞 。在此項評測中，GLM-5.3獲得了 84.5% 的成績，微幅領先 Anthropic 的 Mythos 5 (83.8%) 和 OpenAI 的 GPT-5.6 Sol (83.6%) 。

然而，在更需要深度推理能力的 ExploitBench 評測上，情況則有所不同。ExploitBench 考驗模型是否能理解漏洞的根本原因，並實際產出可運作的攻擊程式。GLM-5.3 的成績雖較前代倍增，從 24.4% 提升至 54.4% ，但 Z.ai 公佈的數據顯示，Mythos 5 在此項評測中獲得 78%，GPT-5.6 Sol 則為 76.5%，GLM-5.3 仍有一段不小的差距 。

在 ExploitGym 評測中，該評測計算模型在標準化的兩小時預算內能完成多少項入侵任務，GLM-5.3 完成了 105 項任務（GLM-5.2 為 29 項）。若將預算延長至六小時，則可完成 130 項任務 。

資料來源：

真實世界的漏洞檢測

除了評測之外，GLM-5.3 在實際的資安測試中也表現出色：

• 在 269 個開源專案中，共發現 2,436 個已確認的漏洞，相關結果皆記錄在 Z.ai 公開的「安全揭露總帳」中 。
• 其中，1,097 個被歸類為嚴重或高風險等級 。
• 該模型甚至發現了存在於約 40 年歷史的軟體中的漏洞 。
• 在發佈後不久，它也立即在 AI 程式碼編輯器 Cursor 中發現了一個嚴重漏洞 。

關鍵程式碼與通用評測成績

GLM-5.3 在程式碼與 AI 代理（Agent）相關的評測上也表現強勁，確立了其在軟體工程領域中領先開源模型的地位：

• Terminal-Bench 3.0：獲得 28.3 分，是所有開源權重模型中的最高分，已接近 Anthropic 的 Claude Fable 5 。
• DeepSWE v1.1：成績從 46.2 躍升至 66.9 。
• Z.ai 內部 Code Bench (最高效能模式)：獲得 34.5%（GLM-5.2 為 23.4%），且每個任務平均僅使用約 75,000 個輸出 token，少於前代的 96,000 個 。
• Agents' Last Exam：在所有開源權重模型中排名第一 。
• World of AI Benchmark 綜合評比：以 81.3 的綜合成績排名 第 6，僅次於 Kimi K3 (81.5)，並領先 GPT-5.6 Terra 。
• FrontierSWE：達到 78.1，高於前代的 67.5 。
• SWE-Marathon：成績從 19.4 翻倍至 42.5 。

開源權重為何延遲發佈？

Z.ai 表示，模型在後期訓練（post-training）階段，其網路安全能力的「成長速度超出預期」。必須強調的是，模型的 7400 億參數基礎模型 並未重新訓練，所有能力的提升皆來自於後期訓練的改良 。由於這項能力是「湧現性」的，並非公司原先設定的目標，因此 Z.ai 決定將開源權重的釋出延後兩週，以便強化安全與控制措施 。目前該模型已可透過 Z.ai API 以及與 ZCode、Claude Code、OpenCode 的整合來使用 。

重要的注意事項

• 所有 GLM-5.3 的評測成績皆為 公司自行公佈，尚未經由第三方獨立驗證 。
• GLM-5.3 在 CyberGym 上 對 Mythos 5 和 GPT-5.6 Sol 的領先優勢非常微小——差距不到一個百分點 。
• 在 ExploitBench 評測中，GLM-5.3 (54.4%) 與美國對手 (Mythos 5 的 78% 和 GPT-5.6 Sol 的 76.5%) 的差距仍然很大 。
• 作為對照，一個更廣泛的網路安全評測彙整平台 顯示，GPT-5.6 Sol 在 CyberGym 上的成績同樣為 84.5%（與 GLM-5.3 持平），Mythos 5 則為 83.8%；而在 ExploitBench 上，Sol 和 Mythos 5 分別獲得 73.5% 和 78% 。