Z.ai 发布 GLM-5.3。这个模型沿用 GLM-5.2 的基座，所有提升来自后训练阶段，官方的表述是「Scaling post-training is all we did」。提升集中在两个方向：复杂编码与长程 Agent 任务的大幅进步，以及一份超出团队预期的安全能力答卷。Terminal Bench 3.0 上 GLM-5.3 从 GLM-5.2 的 4.6 提高到 28.3；CyberGym 漏洞发现基准拿到 84.5%，排在所有受测模型第一，超过 GPT-5.6 Sol 的 83.6%。
后训练如何驱动这一代提升
GLM-5.2 时代搭好的技术栈（IndexShare 长上下文处理、面向长程任务的 SAO 强化学习框架、大规模异步训练框架 slime）在 GLM-5.3 上继续加码：更多环境、更多样化的任务、更多算力。
环境设计的变化最能说明这一代的思路。任务环境向「真实专家工作单元」靠拢，部分任务相当于一位有经验工程师数天的工作量。以 ML 基础设施任务为例，模型拿到与工程师相同的工作环境，可以访问计算集群、存储系统、内部文档、代码库和实验结果，需要定位训练栈中的瓶颈、实施优化、跑实验，并在保持正确性的前提下交付可度量的端到端加速。
环境规模化依赖两条合成管线。研究 Agent 从真实工作中收集任务模式，将其转化为带多步依赖和隐藏状态的可运行长程环境；裁判 Agent 随后尝试解出每个任务，验证其确实可解。验证器在不接触参考答案的情况下合成，求解轨迹则用来发现并封堵奖励捷径。通过 oracle、no-op 和未解状态检查的验证器，可以产出足够可靠的二值奖励直接用于训练。官方也承认这些管线仍需要相当数量的人工参与，让环境生成和验证更加自主是下一步的工作之一。
编码与 Agent 基准
官方公布的完整对比数据如下（数据来自 Z.ai 官方博客，Fable 5 列在官方正文中称 Mythos 5，两者分数一致）：
| Benchmark | GLM-5.3 | GLM-5.2 | Kimi K3 | Opus 4.8 | Fable 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 81.0 | 88.3 | 85.0 | 88.0 | 88.8 |
| Terminal Bench 3.0 | 28.3 | 4.6 | 17.4 | 21.1 | 33.7 | 34.6 |
| DeepSWE v1.1 | 66.9 | 46.2 | 67.5 | 58.0 | 69.7 | 72.7 |
| NL2Repo | 58.0 | 48.9 | 58.0 | 69.7 | - | - |
| ProgramBench Almost Solved | 19.0 | 9.5 | 17.5 | 15.5 | 33.0 | 23.0 |
| FrontierSWE | 78.1 | 67.5 | - | 66.5 | 88.2 | - |
| SWE-Marathon v1.1 | 42.5 | 19.4 | 48.1 | 48.8 | 33.1 | 42.5 |
| PostTrainBench | 39.8 | 31.7 | 32.0 | 32.9 | 41.8 | 36.2 |
逐项看，GLM-5.3 在开源模型中拿到 Terminal Bench 3.0 和 Agents' Last Exam 的最优成绩，官方称其为当前最强的开源权重编码模型。Terminal Bench 2.1 的 88.2 已经挤进第一梯队，与 Kimi K3（88.3）、GPT-5.6 Sol（88.8）的差距在 1 分以内；更新更难的 Terminal Bench 3.0 上，28.3 与 GPT-5.6 Sol 的 34.6、Fable 5 的 33.7 仍有距离，但相对 GLM-5.2 的 4.6 是六倍量级的改善。
DeepSWE v1.1 从 46.2 到 66.9，与 Kimi K3 的 67.5 基本持平，距离 Fable 5 的 69.7 和 GPT-5.6 Sol 的 72.7 还有 3 到 6 分。SWE-Marathon v1.1 从 19.4 翻倍到 42.5，与 GPT-5.6 Sol 持平，超过 Fable 5 的 33.1，落后于 Opus 4.8 的 48.8 和 Kimi K3 的 48.1。NL2Repo 是对比表中 GLM-5.3 相对弱势的一项，58.0 落后 Opus 4.8 的 69.7。
Agent 侧，AutomationBench v1.0.6 从 26.2 提高到 48.2，超过所有对比模型；Agents' Last Exam ALE-CLI 从 23.8 到 28.5，仅比 GPT-5.6 Sol 的 28.6 低 0.1。
Z.ai Code Bench 与 token 效率
除公开基准外，官方同时发布了内部基准 Z.ai Code Bench，在贴近真实用户的场景下评估编码 Agent，按不同努力等级沿两条维度打分：端到端任务完成率和细粒度检查项准确率。作为私有基准，它也规避了公开测试集的污染问题。
结果上有两个信息点。其一，GLM-5.3 在每个努力等级都同时做到性能更高、输出 token 更少：Max 努力下以约 7.5 万输出 token 拿到 34.5% 完成率，GLM-5.2 用 9.6 万 token 只有 23.4%。其二，High 努力下 GLM-5.3 以约 5 万 token 拿到 31.4%，超过 Claude Opus 4.8 用 12 万 token 达到的 29.5%，token 消耗不到对方一半。Fable 5 在 Max 努力下仍有 39.5% 的领先优势。
涌现的攻防能力
后训练阶段引入了漏洞发现数据和环境，团队的预期是让模型更擅长发现和推理漏洞。实际发生的事情超出预期：随着训练规模扩大，攻防能力的发展速度超过了团队预想。GLM-5.3 没有停留在识别孤立缺陷的层面，它开始跨多个利用阶段推理，形成针对完整利用链的连贯计划。
三个安全基准覆盖了从漏洞分析到利用的不同阶段。CyberGym 从白盒源码出发，测试模型能否通过触发故障来识别并验证漏洞，GLM-5.3 拿到 84.5%（GLM-5.2 为 77.2%），超过 Fable 5 的 83.8% 和 GPT-5.6 Sol 的 83.6%，是这项基准目前的最高分。ExploitBench 要求对真实漏洞及其利用做更深的推理，GLM-5.3 达到 54.4%，相对 GLM-5.2 的 24.4% 翻倍有余，Fable 5 和 GPT-5.6 Sol 分别为 78.0% 和 76.5%。ExploitGym 在时间归一化预算内统计完成利用任务的数量，GLM-5.3 两小时完成 105 项、六小时完成 130 项，GLM-5.2 只有 29 和 39；GPT-5.6 Sol 为 216 和 293，Fable 5 为 181 和 247。
三个基准呈现出同一个模式：越靠近利用链上游，相对 GLM-5.2 的增益越大，与闭源前沿的差距也越大。官方博客的原话是「Capability is growing fastest exactly where we are furthest behind」，能力增长最快的位置恰是落后最多的位置。
2436 个真实漏洞
基准之外，Z.ai 自 GLM-5.2 起与国内多个安全团队合作，把模型投向真实代码库。经过专家评审、筛查和去重，模型在 269 个项目中识别出 2436 个漏洞，其中 1097 个为中高危。范围覆盖系统内核、操作系统、浏览器引擎、开源基础设施、Web 应用和网络协议，不少漏洞在代码库里存在了数年甚至数十年，最老的一条可以追溯到约 40 年前（1981 年引入）。
severity 分布：Critical 107、High 990、Medium 1286、Low 53。平均而言，一个漏洞在被发现前已经在代码库中存活了 26.6 年。
这项工作已经转为持续的披露流程。Z.ai 建立了 Security Disclosure Ledger（cvd.z.ai）公开记录这些发现的披露进度，目前 53 项已公开披露，2383 项仍在 embargo 中。对已披露条目，ledger 记录受影响项目、严重等级、CVE 编号（如可用）以及漏洞在代码库中存在的时间。
slime 训练基建的改进
支撑这一轮 scaling 的 slime 是 Z.ai 的开源后训练框架，训练侧用 Megatron、rollout 侧用 SGLang。设计上把训练、rollout 和数据缓冲区放在同一条 dataflow 上，数学、代码、沙箱、验证器和长程 Agent 环境都以数据生成的形式接入，不需要改动训练循环。GLM-5.2 到 GLM-5.3 持续添加环境而没有重建训练栈，靠的就是这个架构。
算法侧新增 top-p mask、top-k 和全词表 OPD，以及提升训练与 rollout 一致性的配置（R3 式设置、训练与 rollout 路径的数值对齐）。在训练与 rollout 一致性评估中，logprob 平均差异控制在 1e-7 量级，相比此前设置降低超过 99.99%。
系统侧的改进集中在资源效率：本地存储作为额外缓存层分层保存模型状态和数据，多教师 OPD 场景下可以动态切换教师并在训练侧预取，不需要为每个教师单独部署常驻推理服务；针对 Agent 和异步负载改进了路由与 slime 之间的联合调度与负载均衡，并加入从 rollout 环境特征推导吞吐导向配置的启发式。这些优化让长程编码 RL 任务的端到端训练吞吐提升超过 2.3 倍。
API 变更与迁移注意
GLM-5.3 的 API 有一个破坏性变更需要注意：不再支持关闭思考模式。thinking.type 只接受 enabled，思考深度改由 reasoning_effort 参数控制，可选 low、high、max，默认 max，官方建议编码任务使用 max。
如果现有应用使用了 thinking.type: "disabled"，必须先改为 enabled 并将 reasoning_effort 设为 low，再更新模型 ID 为 glm-5.3，否则请求会直接失败。
计费方面，GLM Coding Plan 改为积分制，输入、缓存输入和输出 token 分开计点。工作日 14:00-18:00（UTC+8）为高峰时段，其余时段含周末按 50% 积分消耗。GLM-5.3 已向所有 GLM Coding Plan 用户开放，可在 ZCode、Claude Code、OpenCode 等编码 Agent 中使用。
权重开放时间表
GLM-5.3 的权重将在发布两周后公开，安全评估与加固完成即放出。HuggingFace 页面目前标注 Coming Soon。参照其开源节奏，这是 GLM-5 系列连续第三代在发布后短期内开放权重，对本地部署和二次开发群体来说，两周是一个明确的等待周期。