智谱AI（Z.ai）发布GLM-5.3，以及超越训练预期的网络攻防能力

GLM-5.3运行在与GLM-5.2完全相同的7430亿参数混合专家基座模型之上^[1]——Z.ai并未进行任何新模型的预训练。相反，所有能力跃升均来自后训练的扩展：更多任务环境、更多环境类型以及在现有基座上进行更长时间的训练。最明显的信号来自Terminal-Bench 3.0，这是一项长视野代码任务基准测试，其得分从GLM-5.2的4.6跃升至GLM-5.3的28.3^[2]，这是目前所有代码基准测试中单次提升幅度最大的一次。Z.ai的后训练架构基于两个开源技术——slime和SAO，并使用模拟真实开发者工作站的沙箱环境^[3]。Interconnects.ai的Nathan Lambert对此方法直言不讳：此次发布中，Z.ai所做的全部工作就是扩大后训练^[4]。一个前沿级别的智能体编码能力跃升，仅通过后训练计算实现，而基座权重完全冻结，这一事实凸显了在真实任务环境中使用类强化学习训练方式，能够将现有模型能力拓展到何种程度。

此次发布中最关键的细节并非某项基准分数，而是一个设计上的意外。Z.ai添加了漏洞发现训练环境，本意是增强模型识别单个漏洞的能力。然而，模型却开始推理多阶段攻击流程，将多个独立弱点串联成连贯、完整的攻击计划，而非仅标记孤立缺陷^[5]——这一能力据称并非公司有意构建。排行榜数据反映了这种“过冲”：CyberGym得分升至84.5%，领先于Claude Mythos 5和GPT-5.6 Sol；ExploitBench得分则从24.4%翻倍至54.4%^[6]。在与中国安全团队合作中，该模型在269个项目中发现了2,436个漏洞，其中一些漏洞已存在数十年，1,097个被评定为严重或高危级别；目前已有53个漏洞被公开披露，其余仍处于保密状态^[6]。据报道，该模型还发现了AI代码编辑器Cursor中的一个严重漏洞，该漏洞由安全研究员Joshua Saxe指出^[7]。Z.ai将开源权重和完整API访问延迟约两周发布，直接归因于对这一进攻性能力的安全评估^[8]——这是实验室因后训练产生超出预期能力而主动放缓发布的罕见明确案例。

Z.ai明确将GLM-5.3定位为缩小与Anthropic和OpenAI在代码生成与智能体能力方面差距的产品^[9]。Nathan Lambert分析中国实验室为何能在整体计算预算较小的情况下保持竞争力，指出这源于结构性因素而非单一突破：更快的发布节奏、对公开基准的高度优化、更窄且常为纯文本的模型范围、中国强化学习数据环境产业的发展，以及清华大学等人才输送渠道^[4]。经济因素进一步强化了这一趋势——据报道，GLM-5.3与GLM-5.2的每token运行成本约为某些美国前沿模型的十分之一，即使在最困难评估中原始基准表现仍落后于封闭的美国系统，也带来了显著的定价压力^[11]。这种竞争压力并非新现象：美国国家标准与技术研究院（NIST）人工智能标准与创新中心此前已判定，GLM-5.2在其发布时可能是当时最强大的开源权重模型^[10]，表明GLM-5.3并非一次性意外突破，而是Z.ai发布节奏持续快于西方实验室缓慢、安全审查更严的发布周期的延续。

外界对GLM-5.3的反应正如同该模型本身一样分裂。在以编程为核心的社区中，情绪偏向兴奋——实际测试者形容该模型速度快，能从单一提示生成完整可运行软件，尤其在代码审计方面表现出色，同时注意到其价格在能力跃升后仍保持不变。相比之下，以聊天和角色扮演为主的用户则认为此次发布对他们影响不大，因为Z.ai的改进完全集中在代码与安全领域，部分用户还指出模型的内容审核机制已收紧。更尖锐的矛盾出现在漏洞发现能力本身：一场活跃讨论正在权衡，通用型零日漏洞发现工具究竟是通过加速补丁修复提升了软件安全性，还是因将相同工具交到攻击者手中而增加了风险，参与者指出，世界此前从未有过通用型零日漏洞发现工具在现实中运行。这场辩论与另一侧对代码能力提升的直接兴奋并行，比任何单一解读都更准确地揭示了此次发布所蕴含的双重用途张力。