後訓練可以進一步塑造模型的工作方式，例如如何規劃任務、呼叫工具、遵循指令，以及在遇到錯誤後持續完成複雜流程。這也是近年 AI 模型競爭從「誰的參數更多」逐漸延伸至「誰更能把任務做完」的原因之一。

現有報導支持智譜對訓練方向的描述，但尚不足以獨立判定每項進步究竟來自哪一種後訓練技術，或不同訓練環節各自貢獻了多少。

長流程程式設計，是 GLM-5.3 的主戰場

智譜表示，GLM-5.3 在 Z.ai Code Bench 的表現較 GLM-5.2 提升約 50%。 而在要求模型連續處理軟體任務的評測中，差距更為明顯：

• Terminal-Bench 3.0： GLM-5.3 得分 28.3，GLM-5.2 為 4.6。
• DeepSWE 1.1： GLM-5.3 得分 66.9，GLM-5.2 為 46.2。
• Agents’ Last Exam（CLI）： GLM-5.3 得分 28.5，前一代為 23.8。

Terminal-Bench 3.0 特別能反映「代理式程式設計」的方向，因為評測不只看模型能否給出靜態答案，也涉及終端機與 Shell 操作。DeepSWE 1.1 則聚焦較完整的軟體工程任務，因此可作為模型處理開發流程能力的參考。

智譜稱，GLM-5.3 在發布時的 Terminal-Bench 3.0 成績是開放模型中最高，並領先月之暗面（Moonshot AI）的 Kimi K3。 但這屬於公司公布的排名；比較不同模型時，仍須同時確認評測版本、提示詞、推理設定，以及各模型取得資源是否一致。

從「寫程式」走向「操作軟體」

GLM-5.3 背後的產品方向，是讓 AI 不只提出程式碼建議，而是能夠使用工具並完成更長的行動序列。智譜將它描述為可操作軟體、處理複雜任務，並在較少人工介入的情況下持續推進工作。

兩者的差別可以這樣理解：傳統程式助理可能只回答一個明確問題；AI 代理則可能先檢查程式碼庫，再執行指令、診斷錯誤、修改檔案，最後反覆測試，直到接近預定目標。

Terminal-Bench 3.0 和 DeepSWE 1.1 的進步，與這種發展方向相當吻合。但單一基準分數並不能保證模型在陌生的正式生產環境中，仍能安全且穩定地運作。

智譜也表示，GLM-5.3 的程式設計與代理能力已接近 Claude Fable 5，並主張在實際程式開發任務上，比其他中國模型更具實用優勢。 這些屬於智譜的產品定位與比較說法，不應直接視為獨立排行榜已經確認的結論。

網路安全能力同樣受到關注

智譜也把 GLM-5.3 的推理與工具使用能力延伸至網路安全工作，包括辨識軟體漏洞。公開報導的評測數據顯示，模型在 CyberGym 涵蓋漏洞發現與驗證的任務中，得分為 84.5%。

這類能力具有明顯的雙重用途。一方面，更強的程式理解與軟體操作能力，可能協助防守方找出弱點；另一方面，若缺乏適當限制，同樣的能力也可能讓不安全的自主操作帶來更大風險。

因此，現有證據可以支持「漏洞發現是 GLM-5.3 宣稱的能力領域」這個說法，但不能據此認定它已是可靠的資安稽核工具，更不能視為它能安全地自主進行攻擊或漏洞利用。

開發者真正需要測試的是什麼？

GLM-5.3 最重要的訊號，不只是 7430 億參數，而是智譜把重點放在後訓練，以及模型能否持續完成多步驟軟體任務。

對開發者而言，評估模型時可優先關注以下幾點：

1. 能否完成端到端任務？ 不要只測試單段程式碼生成，也應測試程式庫修改、除錯及命令列工作流程。
2. 需要多少人工監督？ 觀察模型如何處理失敗指令、模糊需求與工具錯誤，並記錄它是否能自行恢復。
3. 基準提升能否重現？ 使用公開記錄的提示詞與相同模型存取條件重新測試，再比較結果。
4. 安全界線在哪裡？ 應在隔離環境中測試程式執行、機密資訊處理，以及涉及資安的請求。
5. 「開放權重」實際代表什麼？ 在規劃自行部署或客製化前，務必確認權重是否可取得、授權條款為何，以及部署條件如何。發布初期的存取資訊並不完全一致。

結論：更像是一次「訓練配方」的展示

GLM-5.3 是一款 7430 億參數模型。智譜 AI 表示，它的主要性能增長來自後訓練，而不是更大的基礎模型。從 Terminal-Bench 3.0 由 4.6 提升至 28.3，以及 DeepSWE 1.1 由 46.2 提升至 66.9 來看，這次發布的主打訊息十分清楚：開放模型正朝著能處理更長軟體流程的程式設計代理發展。

這些結果值得進一步測試，特別是對正在評估開放模型程式設計與代理工作流程的團隊而言。然而，強勁的基準成績與可靠的自主操作之間，仍存在一段需要獨立驗證的距離。

後訓練可以進一步塑造模型的工作方式，例如如何規劃任務、呼叫工具、遵循指令，以及在遇到錯誤後持續完成複雜流程。這也是近年 AI 模型競爭從「誰的參數更多」逐漸延伸至「誰更能把任務做完」的原因之一。

現有報導支持智譜對訓練方向的描述，但尚不足以獨立判定每項進步究竟來自哪一種後訓練技術，或不同訓練環節各自貢獻了多少。

長流程程式設計，是 GLM-5.3 的主戰場

智譜表示，GLM-5.3 在 Z.ai Code Bench 的表現較 GLM-5.2 提升約 50%。 而在要求模型連續處理軟體任務的評測中，差距更為明顯：

• Terminal-Bench 3.0： GLM-5.3 得分 28.3，GLM-5.2 為 4.6。
• DeepSWE 1.1： GLM-5.3 得分 66.9，GLM-5.2 為 46.2。
• Agents’ Last Exam（CLI）： GLM-5.3 得分 28.5，前一代為 23.8。

Terminal-Bench 3.0 特別能反映「代理式程式設計」的方向，因為評測不只看模型能否給出靜態答案，也涉及終端機與 Shell 操作。DeepSWE 1.1 則聚焦較完整的軟體工程任務，因此可作為模型處理開發流程能力的參考。

智譜稱，GLM-5.3 在發布時的 Terminal-Bench 3.0 成績是開放模型中最高，並領先月之暗面（Moonshot AI）的 Kimi K3。 但這屬於公司公布的排名；比較不同模型時，仍須同時確認評測版本、提示詞、推理設定，以及各模型取得資源是否一致。

從「寫程式」走向「操作軟體」

GLM-5.3 背後的產品方向，是讓 AI 不只提出程式碼建議，而是能夠使用工具並完成更長的行動序列。智譜將它描述為可操作軟體、處理複雜任務，並在較少人工介入的情況下持續推進工作。

兩者的差別可以這樣理解：傳統程式助理可能只回答一個明確問題；AI 代理則可能先檢查程式碼庫，再執行指令、診斷錯誤、修改檔案，最後反覆測試，直到接近預定目標。

Terminal-Bench 3.0 和 DeepSWE 1.1 的進步，與這種發展方向相當吻合。但單一基準分數並不能保證模型在陌生的正式生產環境中，仍能安全且穩定地運作。

智譜也表示，GLM-5.3 的程式設計與代理能力已接近 Claude Fable 5，並主張在實際程式開發任務上，比其他中國模型更具實用優勢。 這些屬於智譜的產品定位與比較說法，不應直接視為獨立排行榜已經確認的結論。

網路安全能力同樣受到關注

智譜也把 GLM-5.3 的推理與工具使用能力延伸至網路安全工作，包括辨識軟體漏洞。公開報導的評測數據顯示，模型在 CyberGym 涵蓋漏洞發現與驗證的任務中，得分為 84.5%。

這類能力具有明顯的雙重用途。一方面，更強的程式理解與軟體操作能力，可能協助防守方找出弱點；另一方面，若缺乏適當限制，同樣的能力也可能讓不安全的自主操作帶來更大風險。

因此，現有證據可以支持「漏洞發現是 GLM-5.3 宣稱的能力領域」這個說法，但不能據此認定它已是可靠的資安稽核工具，更不能視為它能安全地自主進行攻擊或漏洞利用。

開發者真正需要測試的是什麼？

GLM-5.3 最重要的訊號，不只是 7430 億參數，而是智譜把重點放在後訓練，以及模型能否持續完成多步驟軟體任務。

對開發者而言，評估模型時可優先關注以下幾點：

1. 能否完成端到端任務？ 不要只測試單段程式碼生成，也應測試程式庫修改、除錯及命令列工作流程。
2. 需要多少人工監督？ 觀察模型如何處理失敗指令、模糊需求與工具錯誤，並記錄它是否能自行恢復。
3. 基準提升能否重現？ 使用公開記錄的提示詞與相同模型存取條件重新測試，再比較結果。
4. 安全界線在哪裡？ 應在隔離環境中測試程式執行、機密資訊處理，以及涉及資安的請求。
5. 「開放權重」實際代表什麼？ 在規劃自行部署或客製化前，務必確認權重是否可取得、授權條款為何，以及部署條件如何。發布初期的存取資訊並不完全一致。

結論：更像是一次「訓練配方」的展示

GLM-5.3 是一款 7430 億參數模型。智譜 AI 表示，它的主要性能增長來自後訓練，而不是更大的基礎模型。從 Terminal-Bench 3.0 由 4.6 提升至 28.3，以及 DeepSWE 1.1 由 46.2 提升至 66.9 來看，這次發布的主打訊息十分清楚：開放模型正朝著能處理更長軟體流程的程式設計代理發展。

這些結果值得進一步測試，特別是對正在評估開放模型程式設計與代理工作流程的團隊而言。然而，強勁的基準成績與可靠的自主操作之間，仍存在一段需要獨立驗證的距離。