GLM-5.3 仅通过后训练升级：Coding 能力逼近顶级模型

Z.ai 刚刚发布了 GLM-5.3。GLM-5.3 运行在与 GLM-5.2 相同的 743B 基座模型上。所有报告的提升均来自规模化后训练：更多的任务环境、更多的环境类型、更长的训练周期。结果体现在两个方面。在最长周期基准测试上，编码能力跃升最多，Terminal-Bench 3.0 从 4.6 升至 28.3。网络安全方向的表现超出了 Z.ai 的预期，CyberGym 达到了 84.5%。权重尚未公开。

部分地，GLM-5.3 已通过 Z.ai API、GLM Coding Plan 和 ZCode 上线。权重尚未放出。Z.ai 表示将在上线约两周后发布权重，待安全评估和加固完成后。

哪些公司现在就能用：初创公司和中型工程组织可以通过 Coding Plan 或 API 立即采用。有数据驻留或供应商审查要求的企业应等待权重。安全厂商和 MSSP 获得的信号最多，但面临最大的政策风险。

行业：开发者工具、云基础设施、应用安全、金融科技和电商工程，以及输出内核、浏览器引擎或网络协议栈的供应商。

应用场景：仓库级重构、长期 CLI Agent、CI 失败归因、白盒漏洞发现、崩溃归因和安全代码审查。

Terminal-Bench 3.0 相对 GLM-5.2 从 4.6 升至 28.3。DeepSWE v1.1 从 46.2 升至 66.9。Agents' Last Exam（CLI）从 23.8 升至 28.5。在覆盖 44 个职业的 GDPval-AA v2 上，GLM-5.3 得分 1,769。

在 Z.ai Code Bench（内部评估）上，公司报告相对 GLM-5.2 有 50% 的提升。每个任务约 50,000 输出 token 时达到 31.4%。Claude Opus 4.8 在 120,000 tokens 时得分 29.5%。Claude Fable 5 在最大努力下仍以 39.5% 领先。Z.ai 认为私有基准降低了污染风险。

在公开测试集上，GLM-5.3 在若干更难编码评估中落后于 GPT-5.6 Sol 和 Fable 5。所有数据均为厂商报告，测试框架、上下文长度和采样设置均在公告中有所说明。

网络安全结果

Z.ai 将此标记为计划外。他们加入漏洞发现数据本意是提升单 bug 推理能力。然而随着训练规模扩大，能力持续复合增长。模型开始能够在完整利用链上形成连贯计划。

CyberGym（测试白盒源码发现和验证）从 77.2% 升至 84.5%，超越了 Mythos 5 的 83.8% 和 GPT-5.6 Sol 的 83.6%。ExploitBench（需要根因推理和可工作的利用代码）从 24.4% 升至 54.4%。Mythos 5 为 78.0%。在 ExploitGym 上，GLM-5.3 在两小时内完成 105 个任务，六小时完成 130 个。GLM-5.2 完成 29 和 39。Mythos 5 完成 181 和 247。

模式是一致的。基准测试在利用链中越深入，相对 GLM-5.2 的提升就越大。与闭源前沿模型的差距也越大。

交互式解读

GLM-5.3 重用 GLM-5.2 基座模型；所有提升均来自后训练 scaling。

Terminal-Bench 3.0 从 4.6 升至 28.3；DeepSWE v1.1 从 46.2 升至 66.9。

CyberGym 达到 84.5%，领先 Mythos 5（83.8%）和 GPT-5.6 Sol（83.6%）。

ExploitBench 翻倍以上至 54.4%，但仍落后 Mythos 5 的 78.0%。

权重约两周后发布，待安全评估和加固完成。