Z.ai Meluncurkan GLM-5.3 Dengan Kemampuan Coding dan Kemampuan Cyber yang Melebihi Pelatihan

Z.ai merilis GLM-5.3 pada tanggal 14 Agustus 2026, sebuah pembaruan yang menurut perusahaan ini mempertahankan model dasar yang sama dengan GLM-5.2 dan mendapatkan semua kemampuan tambahan dari pelatihan yang ditingkatkan. Hasil utama ada pada coding, di mana Z.ai melaporkan model ini adalah sistem open-weights terkuat yang pernah diukur, dan pada keamanan siber, di mana perusahaan ini mengatakan kemampuan tumbuh lebih cepat dari yang diantisipasi saat pelatihan ditingkatkan. Beratnya belum dipublikasikan: Z.ai mengatakan akan merilisnya dalam waktu dua minggu, setelah evaluasi keamanan dan penguatan selesai.

Menurut pengumuman perusahaan, GLM-5.3 sudah tersedia sekarang melalui API Z.ai dan Rencana Coding GLM, dan telah diterapkan ke semua pelanggan rencana coding yang ada.

Peluncuran ini dilakukan beberapa hari setelah DeepSeek meluncurkan model andalannya sendiri, V4 Pro, dan tabel perbandingan Z.ai menempatkan GLM-5.3 secara langsung melawan DeepSeek-V4 Pro, Kimi K3 Moonshot, dan GPT-5.6 Sol OpenAI di suite coding, siber, dan agen.

Pelatihan Pasca pada Satu Set Lingkungan Kerja yang Lebih Besar

Resepnya, seperti yang dijelaskan oleh Z.ai, adalah penskalaan lingkungan bukan perubahan arsitektur. GLM-5.2 memperkenalkan tumpukan pelatihan (teknik konteks panjang yang disebut IndexShare, metode pembelajaran penguatan untuk tugas horizon panjang yang disebut SAO, dan slime, kerangka kerja open-source untuk RL asinkron skala besar) dan perusahaan ini mengatakan GLM-5.3 berasal dari menghabiskan lebih banyak komputasi pada lebih banyak dan lebih beragam lingkungan tugas yang dibangun di atas tumpukan tersebut.

Lingkungan tersebut dibangun untuk menyerupai unit kerja profesional bukan latihan coding. Dalam satu contoh yang diberikan oleh perusahaan, model ditempatkan dalam lingkungan kerja insinyur infrastruktur ML, dengan akses ke klaster komputasi, dokumentasi internal, basis kode, dan hasil eksperimen, dan harus mendiagnosis bottleneck, mengimplementasikan optimasi, dan menghasilkan percepatan ujung-ke-ujung yang dapat diukur. Beberapa tugas, Z.ai mengatakan, mewakili beberapa hari kerja untuk seorang insinyur berpengalaman. Untuk menghasilkan lingkungan dalam volume, Z.ai membangun pipa di mana agen penelitian mengubah pola tugas dari pekerjaan nyata menjadi lingkungan horizon panjang yang dapat dijalankan, agen penilai memverifikasi setiap tugas benar-benar dapat diselesaikan, dan verifikator disintesis tanpa akses ke solusi referensi. Sinyal reward itu sendiri dihasilkan mesin untuk subset tugas, dengan trajekti solver digunakan untuk menutup shortcut reward. Z.ai mencatat pipa tersebut masih memerlukan kerja manusia yang berarti.

Hasil yang dilaporkan mengikuti pola yang resep tersebut akan prediksi: keuntungan terbesar berada pada evaluasi horizon panjang. Pada Terminal-Bench 3.0, GLM-5.3 bergerak dari 4,6 menjadi 28,3 melawan GLM-5.2; pada DeepSWE v1.1, dari 46,2 menjadi 66,9; pada CLI variant Agents’ Last Exam, dari 23,8 menjadi 28,5. Semua angka adalah vendor-dilaporkan, dengan catatan metode dalam pengumuman yang mencakup harness, panjang konteks, dan pengaturan sampling untuk setiap benchmark.

Melawan model lain, gambarannya adalah campuran. Pada Z.ai Code Bench, perusahaan melaporkan perbaikan 50% dari GLM-5.2 dan mengatakan model ini mengungguli Claude Opus 4.8 pada upaya yang setara sambil mengonsumsi lebih sedikit token output (31,4% pada sekitar 50.000 token output per tugas versus 29,5% pada 120.000) sambil tetap di belakang Anthropic’s Claude Fable 5, yang mencapai 39,5% pada upaya maksimum. Pada suite publik, GLM-5.3 ketinggalan GPT-5.6 Sol dan Fable 5 pada beberapa evaluasi coding yang lebih sulit, termasuk Terminal-Bench 3.0 dan DeepSWE. Sebagai benchmark pribadi, perusahaan ini berargumen, Z.ai Code Bench mengurangi risiko kontaminasi dari set tes publik.

Hasil Siber yang Z.ai Katakan Tidak Direncanakan

Hasil utama kedua adalah yang Z.ai sendiri tandai sebagai tidak terduga. Perusahaan ini memperkenalkan data penemuan kerentanan dan lingkungan ke dalam pelatihan pasca, mengharapkan model untuk menjadi lebih baik dalam menemukan dan bernalar tentang kerentanan individu. Sebaliknya, perusahaan ini mengatakan kemampuan terus berkompounding saat pelatihan ditingkatkan, dan model mulai bernalar di seluruh beberapa tahap eksploitasi, membentuk rencana koheren untuk rantai eksploitasi lengkap bukan hanya penemuan bug terisolasi.

Angka yang dilaporkan melacak klaim tersebut. Pada CyberGym, yang menguji apakah model dapat mengidentifikasi dan memvalidasi kerentanan dari kode sumber white-box, GLM-5.3 mencetak 84,5%, naik dari 77,2% GLM-5.2 dan unggul dari setiap model dalam set perbandingan Z.ai. Pada ExploitBench, yang menuntut penalaran lebih dalam tentang kerentanan nyata dan eksploitasi, itu lebih dari dua kali lipat dari pendahulunya, 54,4% hingga 24,4%. Pada ExploitGym, yang menghitung tugas eksploitasi yang diselesaikan dalam anggaran waktu-normal, itu menyelesaikan 105 tugas dalam dua jam dan 130 dalam enam jam, melawan 29 dan 39 untuk GLM-5.2. Ringkasan Z.ai tentang pola tersebut adalah langsung: semakin jauh ke atas rantai eksploitasi suatu benchmark duduk, semakin besar keuntungan dari GLM-5.2, dan semakin lebar celah yang tersisa ke model frontier tertutup, dengan Mythos 5 menyelesaikan 181 dan 247 tugas ExploitGym pada anggaran yang sama.

Z.ai juga melaporkan pengujian transfer di luar benchmark terkendali. Bekerja dengan beberapa tim keamanan di Cina, perusahaan ini mengatakan modelnya telah mengidentifikasi 2.436 kerentanan di seluruh 269 proyek open-source sejak GLM-5.2, termasuk 1.097 yang dinilai kritis atau tingkat keparahan tinggi, mencakup kernel sistem, sistem operasi, mesin browser, dan protokol jaringan. Banyak yang tidak terdeteksi selama bertahun-tahun; yang tertua, perusahaan ini mengatakan, diperkenalkan pada tahun 1981.

Temuan tersebut memasok Z.ai Security Disclosure Ledger publik, yang melacak setiap masalah melalui proses pengungkapan: 53 yang diungkapkan secara publik dengan CVE yang ditugaskan pada peluncuran, 2.383 masih dalam embargo. Entri baru termasuk use-after-free di kernel Linux, kelemahan penanganan memori WebKit yang memengaruhi Apple Safari, dan bug validasi parameter di FreeBSD.

Untuk API, GLM-5.3 mendukung tiga tingkat upaya berpikir (rendah, tinggi, dan maks) dan tidak lagi memungkinkan menonaktifkan berpikir, perubahan yang memutuskan untuk aplikasi yang sebelumnya berjalan dengan berpikir dimatikan.

Apa yang Dilakukan Rilis Berat Terbuka

Jeda dua minggu antara pengumuman dan rilis berat melakukan pekerjaan dalam peluncuran ini. Z.ai mengikat penundaan secara eksplisit ke evaluasi keamanan dan penguatan, dan hal yang diperkuat adalah model yang perusahaan ini sendiri deskripsikan sebagai memiliki mengembangkan kemampuan keamanan siber ofensif lebih cepat dari yang diharapkan, dengan keuntungan terbesar pada ujung eksploitasi rantai. Z.ai mengatakan beratnya akan dapat diunduh oleh siapa saja setelah periode evaluasi keamanan dan penguatan dua minggu.

Hasil siber juga tiba dalam seminggu ketika laboratorium frontier secara publik mendemonstrasikan apa yang dapat dilakukan model agenik terhadap infrastruktur: OpenAI baru-baru ini menggambarkan model tesnya sendiri melanggar Hugging Face dalam latihan tim merah. Ledger pengungkapan Z.ai adalah kontrapart yang konstruktif terhadap kemampuan tersebut: keterampilan yang sama yang merantai eksploitasi juga mengungkap bug yang berusia dekade untuk patching, dan 1.097 temuan kritis dan tingkat keparahan tinggi sekarang bergerak melalui pengungkapan koordinasi.

Apakah evaluator independen mereplikasi angka GLM-5.3 (terutama hasil Code Bench Z.ai dan skor siber yang Z.ai jalankan dalam konfigurasi harnessnya sendiri) akan menentukan seberapa banyak peluncuran ini adalah langkah nyata untuk model coding open-weights dan seberapa banyak itu adalah pilihan evaluasi. Rilis berat, yang diharapkan sekitar akhir Agustus 2026, adalah saat pengujian itu dimulai.