GLM-5.3：Z.ai 的後訓練實驗催生了非預期的網安能力

2026 年 8 月 14 日，北京的 Z.ai 發布了 GLM-5.3。這個小版本更新背後的故事，是今年最不尋常的案例之一：基礎模型與 GLM-5.2 完全相同——同樣的 7,430 億參數、同一次預訓練。所有進步全數來自後訓練（post-training）。這個決策造就了一個在 Z.ai 測試中成為最強開放權重編碼模型的系統，而且更令人意外的是：一個攻擊性資安能力超出了訓練者原本規劃的模型。

Z.ai 究竟發布了什麼

從技術上說，GLM-5.3 是疊加在 GLM-5.2 基礎模型之上的後訓練升級。Z.ai 的論述很直接：與其把巨量算力投入新的預訓練，不如專注在強化學習環境，特別是長程（long-horizon）代理式編碼任務，以及——關鍵所在——漏洞挖掘環境。代理式基準測試的結果十分驚人：

• Terminal-Bench 3.0：GLM-5.3 從 4.6 躍升至 28.3。作為對照，Z.ai 自己的基準表顯示 GPT-5.6 Sol 為 34.6、Claude Fable 5 為 33.7，因此 GLM-5.3 縮小了與閉源前沿的差距，但在這項基準上尚未追平。
• Z.ai Code Bench（內部基準）：較 GLM-5.2 提升 50%。在 High 推理等級下，GLM-5.3 拿下 31.4%，每個任務消耗約 5 萬個輸出 token——小勝 Claude Opus 4.8 的 29.5%。調到 Max 推理等級時達到 34.5%，每個任務約 7.5 萬個輸出 token。
• 最長程編碼基準：編碼增益集中在任務最長的區段，達到 84.5%——證明後訓練明確瞄準的是持續性、多步驟的代理工作，而非一次性補全。
• 獨立測試：MindStudio 的評測讓 GLM-5.3 在一項獨立編碼基準上拿到 91%，超越 Opus 5 與 Kimi K3，並在困難的 3D 與 UI 任務上追平 Fable 5。

效率面的故事值得停下來細看。GLM-5.3 在一項綜合評測中得到 1,769 分，同時以每任務約 5 萬輸出 token 的消耗報出 31.4% 的成績。在頂級推理模型動輒在難題上燒掉六位數 token 的市場裡，以更低的 token 消耗追平 Opus 級編碼表現，對成本會隨每一步累積的代理工作負載來說，是真正的差異化優勢。

超出訓練規劃的網安能力

這次發布最被熱議的面向，是 Z.ai 把漏洞挖掘環境引入後訓練後發生的事。他們預期模型會更擅長找軟體缺陷——確實如此，而且幅度驚人：

• CyberGym（從原始碼進行白箱漏洞識別與驗證）：GLM-5.3 拿下 84.5%，居所有模型之冠——些微領先 Mythos 5 的 83.8% 與 GPT-5.6 Sol 的 83.6%。
• ExploitBench：從 24.4% 翻倍至 54.4%。

但根據 TechTimes 的報導，後訓練過程產出了 Z.ai 明言從未刻意規劃的完整漏洞利用鏈（exploit chains）——這是湧現（emergent）的攻擊能力，而非被訓練進去的技能。在評估期間，該模型據報找到了 1,097 個嚴重漏洞，而且據 VentureBeat 報導，它已被認定在 AI 程式編輯器 Cursor 中發現了一個「可能相當嚴重」的漏洞。

這正踩在一個微妙的監管時點上。讓 GLM-5.3 對防禦方彌足珍貴的同一批特性——自主找到並驗證真實軟體中的真實漏洞——一旦權重落入不當之手，就變得危險。TechTimes 指出，GLM-5.2 已開放的權重，早就讓任何威脅行為者能以低至 46 美元的成本，取得接近前沿的自主攻擊能力（每次完整網攻模擬）。而 GLM-5.3 恰好在這方面強了一大截。

分階段的開放權重時程

這解釋了發布當天引發最多社群討論的限制：GLM-5.3 並未立即開放。上市時它僅透過 GLM Coding Plan 與 ZCode 提供，一般 API 存取與開放權重將随后推出。Z.ai 已承諾在 8 月 14 日發布後約兩週、待評估完成後釋出開放權重。

這是一個刻意的兩步走：先變現並評估，其次再開放權重。對一個以開放權重發布建立聲譽的實驗室而言，這個暫停很說明問題——等於默認「具備湧現網安能力的前沿編碼模型」屬於與過往 GLM 世代不同的風險等級。批評者會指出其中的矛盾：值得審慎以對的能力，恰恰就是發布頁面上拿來宣傳的能力。

為什麼重要

關於 GLM-5.3 的三個重點：

1. 後訓練已成為一線的前沿槓桿。 不動基礎模型就在 Terminal-Bench 3.0 上取得六倍改善（4.6 → 28.3），是迄今最強的證據，說明近期的前沿增益來自 RL 環境，而非原始參數量或全新的預訓練資料。可以預期每一家實驗室都會仔細研究這個結果。

2. 網安能力正成為頭條基準。 CyberGym 與 ExploitBench 的分數在 GLM-5.3 的發布材料中，與編碼基準佔有同等篇幅。當模型開始找出四位數量的嚴重漏洞、以及廣泛使用工具中的線上漏洞，攻擊性資安就從小眾評測轉變為核心競爭軸線——而且有明顯的雙重用途（dual-use）疑慮。

3. 開放權重遭遇能力延遲。 權重發布前約兩週的評估窗口，對大型開放權重實驗室而言是新模式。這會不會成為標準做法——以及政府是否會推動更長的窗口——可能定調 2026 年剩餘時間的開源 AI 論戰。

GLM-5.3 今天還不會在終端代理排行榜上取代 GPT-5.6 Sol 或 Claude Fable 5 的頂端地位。但作為一個「能力增益究竟從何而來」的數據點——以及當這些增益出現在沒人完整規劃過的領域時會發生什麼——它是本季最有趣的發布之一。