AI-modeller og plattformer

Z.ai lanserer GLM-5.3 med Frontier-koding og en cyber-kapasitet som vokste raskere enn forventet

Jonas Reeve
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterZ.ai tilskriver GLM-5.3s forbedringer utelukkende til skalert ettertrening på varierte…
Vis mer
  • Z.ai tilskriver GLM-5.3s forbedringer utelukkende til skalert ettertrening på varierte arbeidsmiljøer.
  • Noen oppgaver, sier Z.ai, representerer flere dagers arbeid for en erfaren ingeniør.
  • Z.ai bemerker at rørledningene fortsatt krever meningsfullt menneske-i-løkken-arbeid.

Z.ai lanserte GLM-5.3 den 14. august 2026, en oppdatering som selskapet sier beholder samme basismodell som GLM-5.2 og får alle kapabilitetsgevinster fra skalert opp post-trening. Hovedresultatene er i koding, der Z.ai rapporterer at modellen er det sterkeste åpne-vekt-systemet det har målt, og i cybersikkerhet, der selskapet sier at kapabiliteten vokste raskere enn det var forventet når treningen ble skalert opp. Vektene er ennå ikke offentlige: Z.ai sier at de vil bli utgitt om to uker, etter at sikkerhetsvurdering og hardning er fullført.

Ifølge selskapets annonsering er GLM-5.3 nå tilgjengelig gjennom Z.ai’s API og dens GLM-kodingplan, og har blitt rullet ut til alle eksisterende kodingplan-abonnenter.

Lanseringen skjer dager etter at DeepSeek sendte sin egen flaggskip V4 Pro ut av forhåndsvisning, og Z.ai’s sammenligningstabell setter GLM-5.3 direkte mot DeepSeek-V4 Pro, Moonshot’s Kimi K3 og OpenAI’s GPT-5.6 Sol over koding-, cyber- og agentic-suites.

Post-trening på en større samling av arbeidsmiljøer

Oppskriften, som Z.ai beskriver den, er miljøskalering i stedet for arkitektur-endring. GLM-5.2 innførte treningsstaken (en lang-kontekst-teknikk kalt IndexShare, en forsterkingslæringsmetode for lang-horisont-oppgaver kalt SAO, og slime, en åpen kildekode-ramme for stor-skala-asynkron RL) og selskapet sier at GLM-5.3 kom fra å bruke mer beregningskraft på flere og mer diverse oppgave-miljøer bygget på den staken.

Disse miljøene er bygget for å ligne enheter av profesjonell arbeid i stedet for koding-øvelser. I ett eksempel selskapet gir, plasseres en modell i en ML-infrastruktur-ingeniørs arbeidsmiljø, med tilgang til beregningskluster, interne dokumenter, kodebasert og eksperiment-resultater, og må diagnostisere flaskenakker, implementere optimaliseringer og levere en målbart sluttpunkt-forbedring. Noen oppgaver, Z.ai sier, representerer flere dager med arbeid for en erfaren ingeniør. For å produsere miljøer i volum, bygde Z.ai pipeliner hvor forskningsagenter konverterer oppgave-mønstre fra virkelig arbeid til kjørbare lang-horisont-miljøer, en dommer-agent verifiserer hver oppgave som faktisk er løsbare, og verifiserer syntetiseres uten tilgang til referanseplassen. Belønningssignalet selv er maskin-generert for en undergruppe av oppgaver, med løser-traektorier brukt til å lukke belønnings-gjennomføringer. Z.ai bemerker at pipelinene fortsatt krever meningsfullt menneske-i-løkken-arbeid.

De rapporterte resultater følger mønsteret som oppskriften ville forutsi: de største gevinster sitter på de lengste horisont-vurderingene. På Terminal-Bench 3.0, flytter GLM-5.3 fra 4,6 til 28,3 mot GLM-5.2; på DeepSWE v1.1, fra 46,2 til 66,9; på Agents’ Last Exam’s CLI-variant, fra 23,8 til 28,5. Alle tall er leverandør-rapportert, med metodologi-fotnoter i annonseringen som dekker harness, kontekst-lengde og sampling-innstillingene for hver benchmark.

Mot andre modeller, er bildet blandet. På det interne Z.ai Code Bench, rapporterer selskapet en 50% forbedring over GLM-5.2 og sier at modellen scorer høyere enn Claude Opus 4.8 ved sammenlignbar innsats mens den konsumerer færre utgangstoken (31,4% ved omtrent 50 000 utgangstoken per oppgave versus 29,5% ved 120 000) mens den fortsatt ligger bak Anthropic’s Claude Fable 5, som når 39,5% ved maksimal innsats. På offentlige suiter, ligger GLM-5.3 bak GPT-5.6 Sol og Fable 5 på flere vanskeligere koding-vurderinger, inkludert Terminal-Bench 3.0 og DeepSWE. Som en privat benchmark, argumenterer selskapet at Z.ai Code Bench reduserer risikoen for forurensning fra offentlige testsett.

Cyber-resultatet Z.ai sier det ikke planla

Det andre hovedresultatet er det Z.ai selv flagger som uventet. Selskapet innførte sårbarhetsoppdagelsesdata og -miljøer i post-trening, og forventet at modellen skulle bli bedre til å finne og resonere om enkeltfeil. I stedet, sier det, fortsatte kapabiliteten å vokse når treningen ble skalert opp, og modellen begynte å resonere over flere stadier av utnyttelse, og dannet koherente planer for fullstendig utnyttelseskjeder i stedet for isolerte feil-funn.

De rapporterte tallene følger dette kravet. På CyberGym, som tester om en modell kan identifisere og validere sårbarheter fra white-box kildekode, scorer GLM-5.3 84,5%, opp fra GLM-5.2’s 77,2% og foran hver modell i Z.ai’s sammenligningssett. På ExploitBench, som krever dypere resonnering om virkelige sårbarheter og deres utnyttelse, mer enn dobbler det sin forgjenger, 54,4% til 24,4%. På ExploitGym, som teller utnyttelsesoppgaver fullført under tid-normaliserte budsjetter, fullfører det 105 oppgaver innen to timer og 130 innen seks, mot 29 og 39 for GLM-5.2. Z.ai’s egen sammenfatting av mønsteret er direkte: jo lenger opp utnyttelseskjeden en benchmark sitter, jo større er gevinningen fra GLM-5.2, og jo større er gapet til lukkede frontier-modeller, med Mythos 5 som fullfører 181 og 247 ExploitGym-oppgaver på samme budsjetter.

Z.ai rapporterer også testing av overføring utenfor kontrollerte benchmarks. I samarbeid med flere sikkerhetsteam i Kina, sier selskapet at deres modeller har identifisert 2 436 sårbarheter over 269 åpne kildekode-prosjekter siden GLM-5.2, inkludert 1 097 som er klassifisert som kritiske eller høye alvorlighetsgrader, som omfatter systemkjerne, operativsystemer, nettleser-motorer og nettverksprotokoller. Mange hadde gått ubemerket i år; den eldste, sier selskapet, ble introdusert i 1981.

Funnene bidrar til en offentlig Z.ai Security Disclosure Ledger, som sporer hver enkelt problem gjennom diskusjonsprosessen: 53 offentliggjort med CVE-er tildelt ved lansering, 2 383 fortsatt under embargo. Nylige innføringer inkluderer en use-after-free i Linux-kjernen, en WebKit-minnehåndtering-feil som påvirker Apple Safari, og en parameter-valideringsfeil i FreeBSD.

For API-en, støtter GLM-5.3 tre tenke-innsatsnivåer (lav, høy og maks) og tillater ikke lenger å deaktivere tenking, en breaking-endring for applikasjoner som tidligere kjørte med tenking deaktivert.

Hva den åpne-vekt-utgivelsen lar åpen

De to ukers gapet mellom annonseringen og vekt-utgivelsen gjør arbeid i denne lanseringen. Z.ai knytter forsinkelsen eksplisitt til sikkerhetsvurdering og hardning, og det som hardnes er en modell som selskapet selv beskriver som å ha utviklet offensiv sikkerhetskapasitet raskere enn forventet, med sine største gevinster på utnyttelses-enden av kjeden. Z.ai sier at vektene vil være nedlastbare for alle etter den to-ukers sikkerhetsvurderings- og hardningsperioden.

Cyber-resultatene ankommer også i en uke hvor frontier-laboratorier offentlig demonstrerer hva agentic-modeller kan gjøre mot infrastruktur: OpenAI beskrev nylig egne test-modeller som brøt gjennom Hugging Face i en rød-lag-øvelse. Z.ai’s diskusjons-ledger er den konstruktive motparten til denne kapabiliteten: samme ferdighet som kjeder utnyttelser også avdekker åre gamle feil for patching, og 1 097 kritiske og høye alvorlighetsgrader-bevilninger er nå i gang med koordinert diskusjon.

Om uavhengige evalueringer reproduserer GLM-5.3’s tall (spesielt de interne Code Bench-resultatene og de cyber-poeng Z.ai kjørte i sine egne harness-konfigurasjoner) vil bestemme hvor mye av denne lanseringen som er et ekte skritt for åpne-vekt-koding-modeller og hvor mye som er evaluering-valg. Vekt-utgivelsen, forventet rundt slutten av august 2026, er når den testingen begynner.

Jonas Reeve er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, med fokus på kognitiv AI, kunstig generell intelligens (AGI) og de teoretiske grunnlagene for maskinintelligens. Arbeidet hans utforsker hvordan læring, resonnering, hukommelse og abstraksjon oppstår i både biologiske og kunstige systemer, og trekker forbindelser mellom moderne AI-arkitekturer og langvarige spørsmål innen kognitiv vitenskap og sinnets filosofi.

Med en konseptuell og reflekterende tilnærming undersøker Jonas rammeverk som resonneringsmodeller, agentbaserte systemer, emergent kognisjon og justeringsteori, med mål om å klargjøre hva fremgang mot AGI faktisk betyr – og hva det ikke betyr. I stedet for å jage tidslinjer eller hype, legger han vekt på første prinsipper, konseptuell grundighet og begrensningene i dagens modeller.

Artikler skrevet av Jonas Reeve er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, klarhet og ansvarlig diskusjon av avanserte AI-konsepter.