编程能力开源SOTA，网络安全提升2倍！智谱发布GLM-5.3

专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！

智谱发布了GLM-5.3，编程能力大幅提升，743B参数模型，在公开基准中则达到开源模型SOTA。

而且，涌现出非常强的网络安全能力，网络安全方面基准得分是GLM-5.2的两倍以上。

底座模型与GLM-5.2完全相同，全部提升来自后训练（post-training）缩放。

在自研Z.ai Code Bench上比GLM-5.2提升50%，Terminal Bench 3.0和Agents' Last Exam等拿下开源SOTA。模型自己学会了规划完整利用链，配合国内安全团队在真实代码库里找出2436个漏洞，最年长的一个生于1981年，睡了45年。

GLLM-5.3沿用GLM-5.2的底座，靠一个月后训练缩放，把coding与长程任务能力抬了一大截，顺带解锁涌现式网络能力。

更接近真实工作的coding

公开基准之外，团队自研了Z.ai Code Bench，专门在真实用户场景里评估coding Agent。

任务覆盖多种类别，把Agent放进复杂的本地开发环境，在不同effort档位下端到端任务完成率和细粒度清单准确率。私有基准还降低了公开测试集带来的污染风险，更贴近真实用户体验。

Z.ai Code Bench上，GLM-5.3在每个档位都用更少的输出token拿到更强成绩。

Max档位，每个任务约75K输出token，完成率34.5%，GLM-5.2用96K token只有23.4%。High档位，约50K token拿到31.4%，超过Claude Opus 4.8用120K token拿到的29.5%。排在GLM-5.3前面的是Claude Fable 5，Max档位39.5%。

5个模型在6项基准上对比如下。

GLM-5.3在6项上全部领先开源对比模型，部分项目越过闭源模型。

AutomationBench拿48.2，压过Fable 5的46.2和GPT-5.6 Sol的45.8。GDPVal-AA v2拿1769分，同样是全场最高。

Agents' Last Exam拿28.5，比GPT-5.6 Sol的28.6低0.1，高于Fable 5的23.8。Terminal Bench 3.0和DeepSWE离两个闭源模型还有距离，相比上一代模型，幅度最大的增益恰恰出在这里。

完整性能对比表如下，编程，网络安全，Agent上，相较于上一代各项基准都有大幅提升。

Terminal Bench 2.1拿88.2，贴着GPT-5.6 Sol的88.8，FrontierSWE拿78.1，SWE-Marathon v1.1拿42.5与GPT-5.6 Sol持平。

agentic项目里，Toolathlon Verified拿73.0，HLE w/ Tools拿62.5，都是开源组最高分。

涌现出的cyber能力

把漏洞发现数据和环境混进后训练时，团队的预期只是让模型更会找漏洞、更会推理漏洞。实际增速超出预期，模型开始跨多个利用阶段做推理，把完整利用链串成连贯计划。

CyberGym从白盒源码出发，考模型能否识别漏洞并触发故障验证，GLM-5.3拿84.5%，高于GLM-5.2的77.2%，是基准上的最好成绩，超越了Fable 5的83.8%和GPT-5.6 Sol的83.6%。

ExploitBench要求对真实漏洞和利用方式做更深推理，GLM-5.3拿54.4%，比GLM-5.2的24.4%翻倍还多，同项Fable 5为78.0%，GPT-5.6 Sol为76.5%。

ExploitGym按时间归一化预算看能完成多少利用任务，预算按各模型吞吐归一，GLM-5.3两小时完成105个任务，6小时完成130个，GLM-5.2只有29和39，Fable 5以181和247保持领先。

基准在利用链上的位置越靠后，GLM-5.3相对GLM-5.2的增益越大，与闭源前沿的差距也越宽。能力增长最快的地方，正是落后最多的地方。

从GLM-5.2开始，团队就与国内几家安全团队合作，把模型放到真实代码库上跑。

经专家审查、筛选、去重后，模型在269个项目里识别出2436个漏洞，其中1097个为中高危。发现遍布系统内核、操作系统、浏览器引擎、开源基础设施、Web应用和网络协议，许多漏洞潜伏数年甚至数十年，最年长的一个引入于1981年，全部发现横跨45年，漏洞平均潜伏26.6年才被发现。

这项工作已经变成一项持续的披露计划。团队建了安全漏洞披露台账（cvd.z.ai），一份公开记录，跟进披露流程，区分已公开和仍在披露中的问题，已公开的问题记录受影响项目、严重等级、CVE编号（如有）、漏洞在代码库中潜伏的时长。

增益全来自后训练

一个月，团队在同一套栈上继续缩放，更多环境，更多样任务，更多算力。

缩放的任务远离编程练习，更靠近真实专家工作。有的任务相当于经验丰富的工程师几天的工作量。

一类ML基础设施任务里，模型拿到与工程师相同的工作环境，能访问计算集群、存储系统、内部文档、代码库和实验结果，要诊断训练栈各层的瓶颈，实现优化，跑实验，在保证正确性的同时交付可测量的端到端提速。

RL策略沿用GLM-5.2的SAO加compaction，保证增益在长程任务上也站得住，不只对短任务有效。

公开基准测试，Terminal-Bench 3.0从4.6到28.3，DeepSWE v1.1从46.2到66.9，Agents' Last Exam从23.8到28.5。

以上全部跑在slime上，一个面向RL缩放的开源后训练框架，训练侧用Megatron，rollout侧用SGLang。设计上把训练、rollout、数据缓冲放在同一条数据流上，数学、代码、沙箱、验证器、长程Agent环境都作为数据生成接入，不改训练循环。

算法侧，slime新增了top-p mask、top-k与全词表OPD，以及提升训练与rollout一致性的配置，含R3式配置和两条路径的完全数值对齐。训练与rollout一致性评测中，logprob（对数概率）平均差异控制在1e-7量级，比此前配置降低99.99%以上。

资源侧，本地存储成为额外缓存层，分层存放模型状态和数据，省下主机内存。受益最大的是多教师OPD，动态切换教师加预取，几位教师共用一套资源，不必每位教师各起一个长驻推理服务。

面向agentic和异步负载，router与slime之间的联合调度和负载均衡做了改进，工作负载感知的启发式方法从各rollout环境特征推导prefill/decode资源比、并发设置等吞吐配置。长程coding RL任务上，系统级优化把端到端RL训练吞吐提升2.3倍以上。

GLM-5.3目前只处理文本模态，上下文窗口1M，最大输出128K token。

思考功能始终开启，分low、high、max三档，不支持关闭。

等安全评估和加固完成，权重将在发布2周后开源。

参考资料：

https://z.ai/blog/glm-5.3

https://docs.bigmodel.cn/cn/guide/models/text/glm-5.3