GLM-5.3 幾乎緊接「sooooooon」登場，智譜押注後訓練攻下編程與網絡安全

Tang Jie 那句拉長版的「sooooooon」，這次幾乎可以按字面理解：據報智譜 AI 首席科學家回覆相關問題後，GLM-5.3 在數小時內便推出。12

這次發布的看點不只是速度。智譜將 GLM-5.3 定位為專注於編程、代理式軟件工程及網絡安全的模型。更特別的是，它沿用 GLM-5.2 的同一個約 7,430 億參數基座；智譜把主要性能提升歸因於擴大後訓練，而不是重新進行更大規模的預訓練。1420

同一個基座，為何可以大幅提升？

在大型語言模型競爭中，性能進步往往令人聯想到更多參數或重新訓練基礎模型。GLM-5.3 的發布則把焦點放在另一條路線：先保留原有基座，再透過後訓練，讓模型更擅長特定而複雜的工作流程。

智譜公布的比較中，較明顯的進步集中在需要長時間操作、調用工具或處理軟件工程任務的測試：

• SWE-Marathon： 19.4 升至 42.5
• FrontierSWE： 67.5 升至 78.1
• Terminal-Bench 3.0： 4.6 升至 28.3
• DeepSWE v1.1： 46.2 升至 66.9

上述數字來自智譜公布的比較，以及對相關結果的二次分析。1367

其中，Terminal-Bench 3.0 由 4.6 升至 28.3，按百分點計算的增幅尤其突出。不過，低基數上的大幅上升，不能直接等同於模型在所有軟件工程任務中都已經領先。以 SWE-Marathon 為例，報告中的 42.5 仍低於 Kimi K3 的 48.1 及 Opus 4.8 的 48.8。69

CyberGym 84.5：最吸睛的成績

GLM-5.3 最受關注的數字，是在 CyberGym 取得 84.5。這項測試著重從原始碼中尋找並驗證漏洞。智譜的比較表把 GLM-5.3 排在 Mythos 5 的 83.8 及 GPT-5.6 Sol 的 83.6 之前。256

CyberGym 並非單純測試模型能否提出較安全的程式碼。據相關報道，任務包括識別弱點、構造攻擊，以及驗證攻擊效果；相比一般程式碼補全，更接近漏洞發掘和推演完整攻擊鏈。1217

這也是為何 CyberGym 成績受到網絡安全媒體注意。《The Register》報道，智譜聲稱模型的進步不只體現在找出單一漏洞，也延伸至理解多個階段的漏洞利用鏈。17

但「領先」仍需要加上限定語。現有報道指出，這些比較主要是廠商公布或根據廠商測試整理，暫時沒有大規模獨立複現。246

公司亦披露現實代碼庫測試

除了 CyberGym，智譜據報表示曾與安全團隊合作，讓模型分析現實世界的代碼庫。公司公布的紀錄列出 269 個開源項目中的 2,436 個安全問題，其中 1,097 個屬嚴重或高危漏洞。報道又指，紀錄中最早的問題可追溯至 1981 年，而這些漏洞平均存在了 26.6 年才被發現。2131

這些資料可以反映智譜希望把 GLM-5.3 與哪一類安全工作流程聯繫起來：不只是檢查程式碼風格，而是從實際項目中找出可驗證的安全問題。不過，相關數字的來源是智譜公布的紀錄，並非獨立審計結果，因此不宜視為已獲外部全面確認的測量數據。

競爭力不只在「寫一段程式」

智譜的宣傳重點也超越單次問答或程式碼生成。GLM-5.3 被定位為可支援長時間運行的 AI 代理，讓模型使用工具、操作終端機，並完成多步驟的工程任務。

據公布結果，GLM-5.3 在 Toolathlon Verified 得分 73.0，高於 GLM-5.2 的 59.9；在 AutomationBench 得分 48.2，高於前代的 26.2。17 其他已發布的比較則列出 Agents’ Last Exam 28.5。11

這些測試所反映的實際差異是：模型的目標不只是產生看似合理的程式碼片段，而是能在代碼庫、終端機或工具環境中連續採取一系列行動。至於這種能力能否穩定轉化為生產環境中的工程成果，仍取決於工具權限、測試覆蓋率、人工審查，以及模型在特定代碼庫中的失敗率。

這次發布真正證明了甚麼？

目前較穩妥的結論，不是「GLM-5.3 已經擊敗所有前沿模型」，而是智譜公布的結果顯示，它相較 GLM-5.2 在多項編程及代理式任務測試中有顯著提升，並在智譜及相關報道所列的 CyberGym 比較中取得領先成績。256

這些結果尚未證明 GLM-5.3 在所有編程、推理、安全性或通用任務上都全面優勝。部分競爭模型在個別編程測試中仍然領先，而目前的成績也未經廣泛獨立評估重現。69

更值得留意的，可能是它所代表的方法論：只要後訓練投入足夠，而且評估目標集中在真實軟件和安全工作流程，同一個大型基座也可能被訓練出更強的專門能力。若日後的獨立測試確認這些增幅，後訓練的規模與質量，或許會和參數數量一樣，成為衡量模型競爭力的重要指標。