GLM-5.3：复杂编程和漏洞挖掘能力提升

GLM-5.3 的所有提升都来自后训练扩展。GLM-5.2 版本已经搭好整套工程栈：面向长上下文处理的 IndexShare、服务长程任务强化学习的 SAO、支撑大规模异步训练的 slime，底层跑在持续积累的长程任务环境上。过去一个月，智普在这套技术栈上继续做扩展：增加环境数量、丰富任务类型，同时投入更多训练算力。

GLM-5.3 与 GLM-5.2 使用相同的基座模型，所有性能增益都来自后训练。相比 GLM-5.2，新版本在复杂编程和长程任务上的表现提升明显：

• 代码能力提升：GLM-5.3 在开源权重模型中表现突出，内部 Z.ai Code Bench 上相比 GLM-5.2 提升了 50%，同时在 Terminal-Bench 3.0、Agents’ Last Exam 等公开评测中拿到开源模型最优成绩。
• 安全能力涌现：随着后训练规模扩大，模型的网络安全能力增长超出预期。GLM-5.3 在 CyberGym 漏洞挖掘评测中拿到最高分，利用链越靠后的环节提升越明显，漏洞利用基准得分相比 GLM-5.2 提升了一倍以上。
• 开源计划：在完成安全评估与加固后，模型权重将在发布两周后开源。

复杂编程能力提升

GLM-5.3 的环境扩展目标，已经从简单编程题转向更贴近真实专家工作单元的场景。目前的环境覆盖了更广泛的生产研发工作流，任务设计围绕工程与科研的实际开展方式搭建，部分任务的工作量相当于资深工程师数天的投入。比如在机器学习基础设施（ML Infra）任务中，模型会拿到和工程师完全一致的工作环境，可以直接访问计算集群、存储系统、内部文档、代码库和实验结果，需要诊断整个训练链路的性能瓶颈、完成代码优化、运行实验，在保证正确性的前提下给出可量化的端到端加速结果。这类环境训练出来的模型，可以端到端扛下复杂工作，不用用户把问题拆得很碎、每一步都手动干预。

随着智能体能力提升，后训练扩展的难点已经从模型侧转到了环境构建侧。有效的任务环境必须同时满足可执行、可验证、贴近真实专业工作三个条件，还要支持大规模自动化生成，仅靠人工搭建完全无法支撑规模化需求。为了跑起量，智普团队搭建了端到端合成环境的流水线，还针对部分任务同步合成强化学习的奖励信号：研究型智能体从真实工作流中提取任务模式，转化为包含多步依赖和隐状态的可运行长程环境；再由裁判智能体尝试解题，验证任务确实可解。验证器全程不接触参考答案，同时会利用解题轨迹排查、封堵奖励作弊路径（Reward Shortcut）。只有通过标准解验证（Oracle）、空操作验证（No-op）、未求解状态检查三项校验的验证器，才能生成足够可靠的二值奖励，直接用于强化学习训练。

模型沿用了 GLM-5.2 引入的强化学习策略，包括带压缩机制的 SAO，让训练收益能落到长程任务上，不会只在短任务上起效。这一优化在编程与通用智能体任务上都有体现：GLM-5.3 在 Terminal-Bench 3.0 上的得分从 4.6 提升至 28.3，DeepSWE v1.1 从 46.2 提升至 66.9，Agents’ Last Exam 从 23.8 提升至 28.5。这套流水线目前还需要少量人工介入，后续重点方向之一就是进一步提升环境生成和验证的自动化程度。

除公开评测集外，团队还搭建了内部基准 Z.ai Code Bench，专门评估编程智能体在真实用户场景下的表现。这个基准覆盖多类任务，把智能体直接放进复杂的本地开发环境中，在不同思考强度下，从「端到端任务完成率」和「细粒度检查清单准确率」两个维度打分。作为内部评测集，它能降低公开测试集污染的风险，结果更贴近实际使用体验。

从评测结果看，GLM-5.3 在性能和 token 效率上都有提升。各个思考强度档位下，它的智能体编程表现都优于 GLM-5.2，消耗的输出 token 反而更少。Max档位下，GLM-5.3 单任务平均消耗约 75K 输出 token，完成率 34.5%；GLM-5.2 要消耗 96K token，完成率只有 23.4%。和闭源模型比，效率优势同样明显：High档位下 GLM-5.3 消耗约 50K 输出 token 拿到 31.4% 的完成率，超过了消耗 120K token、完成率 29.5% 的 Claude Opus 4.8；目前和 Claude Fable 5 还有差距，后者 Max 档位完成率为 39.5%。

涌现网络安全能力

后训练阶段，团队把漏洞挖掘数据和对应环境加进了训练配方，原本只是想提升模型的漏洞发现和推理能力，结果随着训练规模扩大，这项能力的增长速度远超预期。GLM-5.3 不止能识别单个漏洞点，还具备跨多阶段的漏洞利用推理能力，可以为完整利用链规划合理的执行路径。

智普团队在覆盖漏洞分析与利用不同阶段的三个基准上评估了 GLM-5.3：

• 在基于白盒源码、测试模型能否通过触发故障定位并验证漏洞的 CyberGym 上，GLM-5.3 得分 84.5%（GLM-5.2 为 77.2%），领先 Mythos 5（83.8%）和 GPT-5.6 Sol（83.6%）。
• 在需要对真实漏洞及其利用做深度推理的 ExploitBench 上，GLM-5.3 得分 54.4%，相比 GLM-5.2 的 24.4% 提升一倍以上，Mythos 5 和 GPT-5.6 Sol 的得分分别为 78.0% 和 76.5%。
• 在按时间归一化预算衡量任务完成数量的 ExploitGym 上，GLM-5.3 2 小时完成 105 个任务，6 小时完成 130 个任务，GLM-5.2 同期分别为 29 个和 39 个，Mythos 5 则为 181 个和 247 个。时间预算根据各模型的吞吐数据做了归一化，详见文末注释。

三个基准的结果趋势一致：评测覆盖的利用链环节越靠后，GLM-5.3 相对 GLM-5.2 的增益越大，和头部闭源模型的差距也越明显。

除了标准化基准，我们还验证了这些能力在真实场景下的迁移效果。从 GLM-5.2 开始，我们就和国内多家安全团队合作，把模型用在真实代码库审计上。经过专家评审、筛选、去重，模型在 269 个项目里共发现 2436 个漏洞，其中 1097 个是中高危，覆盖系统内核、操作系统、浏览器引擎、开源基础设施、Web 应用、网络协议等多个领域。不少漏洞已经潜伏了数年甚至数十年，最久的可以追溯到约 40 年前。

目前这项工作已经转入常态化漏洞披露流程，团队搭建了 Z.ai Security Disclosure Ledger，公开记录正在披露流程中的漏洞。新漏洞通过审核、进入披露流程后，记录会持续更新，区分已公开和披露中两类状态。已公开漏洞的记录会包含受影响项目、严重程度、CVE 编号（若已分配）以及漏洞在代码库中潜伏的时长。

slime：专为长程强化学习扩展设计的后训练框架

前面提到的所有训练都跑在开源后训练强化学习框架 slime 上，训练侧用 Megatron，采样推演（rollout）侧用 SGLang。slime 的设计把训练、采样、数据缓冲区统一到了单条数据流里，数学题、代码、沙箱、验证器、各类长程智能体环境都可以作为数据生成模块直接接入，不用修改训练主循环。所以从 GLM-5.2 到 GLM-5.3 的迭代过程中，团队可以持续加新环境，不用每次都重构训练栈。

GLM-5.3 研发期间，slime 主要在两个方向做了演进：

• 算法侧，新增了面向强化学习研究的能力支持，包括 top-p 掩码、top-k 与全词表 OPD（在线策略蒸馏，On-Policy Distillation），还加了一系列改善训练与采样一致性的配置，包括 R3 风格设置、训练采样路径全数值对齐。这些能力让采样、训练、教师信号的控制粒度更细，也方便快速跑对照实验。在训练与采样一致性评测中，对数概率（logprob）的平均差异控制在 1e-7 量级，比早期配置降低了 99.99% 以上。
• 系统侧，重点优化了大规模强化学习的资源利用率和系统吞吐。我们把本地存储作为额外缓存层，对原本常驻主机内存的模型状态和数据做分层管理，这在多教师 OPD 场景下作用尤其明显：通过训练侧的动态教师切换和预取，不需要为每个教师模型常驻独立的推理服务，额外开销很小，同时降低了资源占用。

针对智能体和异步负载，我们优化了 Router 与 slime 的联合调度和负载均衡，让不同长度、不同完成时间的采样请求能更充分地利用推理资源；同时引入负载感知的启发式策略，根据各采样环境的特征动态推导偏向吞吐的配置参数，比如 Prefill/Decode 资源配比、并发设置等。在长程代码强化学习任务中，这一系列系统优化把端到端强化学习训练吞吐提升了 2.3 倍以上，支撑了更长轨迹、更复杂环境下的训练扩展。

开始使用 GLM-5.3

GLM-5.3 API 变更

GLM-5.3 支持三种思考强度档位：low、high 和 max，不再支持关闭思考模式。

思考参数配置

代码任务建议使用max档位：

{
  "model": "glm-5.3",
  "thinking": { "type": "enabled" },
  "reasoning_effort": "max"
}

在 GLM Coding Plan 与 ZCode 中使用

• 你可以在常用的编程智能体工具中体验 GLM-5.3，包括 ZCode、Claude Code、OpenCode 等，具体接入方式见开发文档：https://docs.z.ai/devpack/overview
• GLM-5.3 已经全量推送给所有 GLM Coding Plan 订阅用户。新版订阅采用积分额度制，输入、缓存输入、输出 token 分别计费，非高峰时段调用享受 5 折积分优惠。高峰时段为周一至周五 14:00–18:00（UTC+8），其余时间和周末都是非高峰期。订阅入口：https://z.ai/subscribe
• 配合 ZCode 使用 GLM-5.3
  • 98% 以上缓存命中率，重复上下文按更低的缓存费率计费，实际可用 token 提升约 30%。
  • 限时 1.5 倍额度，叠加缓存优惠后，8 月 31 日前最高可达标准额度的 180%。
  • 长程任务处理，Goal 模式下支持持续规划、编写、测试、验证，直到达成目标。
  • 移动端远程控制，支持通过微信或飞书在手机端监控、干预长时间运行的任务。

本地部署

GLM-5.3 的模型权重将在发布两周后正式开源。