核心事件

Z.ai发布GLM-5.3，称其沿用GLM-5.2的同一基座模型，全部提升来自后训练扩展，并将在发布两周后、完成安全评估与加固后开放权重。

所谓后训练，通常指在基础模型预训练之后，通过监督微调、强化学习和任务环境交互等方式，让模型更适合特定能力场景。Z.ai表示，GLM-5.2阶段已经搭建了IndexShare、SAO和slime等训练栈：前者用于高效长上下文处理，SAO面向长周期任务强化学习，slime支持大规模异步训练。过去一个月，团队主要增加环境、任务多样性和训练算力，而非更换基座。

代码能力：从题目走向真实工程

GLM-5.3的重点是复杂编码和长周期任务。Z.ai称，其内部Z.ai Code Bench上相对GLM-5.2提升50%，该私有基准强调真实用户场景：模型被放入复杂本地开发环境，按不同努力等级评估端到端完成率和细粒度清单准确率，以降低公开测试集污染风险。

公开基准上，GLM-5.3的进步集中在需要多步规划、工具调用和持续验证的任务：

• Terminal Bench 3.0：从GLM-5.2的4.6升至28.3；
• DeepSWE v1.1：从46.2升至66.9；
• Agents’ Last Exam ALE-CLI：从23.8升至28.5；
• AutomationBench v1.0.6：从26.2升至48.2。

Z.ai特别强调，训练环境不再只是“编程练习”，而更接近工程师或研究员的实际工作单元。例如在机器学习基础设施任务中，模型可能需要访问计算集群、存储系统、内部文档、代码库和实验结果，诊断训练栈瓶颈，实施优化并验证端到端加速，同时保持正确性。这类任务迫使模型承担从分析到交付的完整流程，而不是等待用户拆解每一步。

环境生成成为扩展瓶颈

随着智能体能力提升，难点从“模型会不会做”转向“有没有足够可执行、可验证、接近真实工作的训练环境”。Z.ai称其构建了端到端合成环境的流水线，部分任务还会合成强化学习奖励信号。研究智能体从真实工作中提取任务模式，转化为带多步依赖和隐藏状态的可运行环境；评审智能体尝试解题，确认任务可解；验证器不接触参考答案，并通过oracle、空操作和未解状态检查，以降低奖励漏洞。

在内部Code Bench中，GLM-5.3还显示出更高token效率：Max effort下，GLM-5.3以约7.5万输出token达到34.5%，而GLM-5.2以9.6万token达到23.4%；High effort下，GLM-5.3以约5万token达到31.4%，超过Claude Opus 4.8在12万token下的29.5%。不过其仍落后于Claude Fable 5，后者Max effort达到39.5%。

网络安全能力的意外跃迁

Z.ai称，在后训练中加入了漏洞发现数据和环境，本意是增强漏洞识别与推理，但模型能力扩展速度超出预期。GLM-5.3不只是更会找单点缺陷，还开始跨利用链多个阶段形成连贯计划。

安全相关基准显示出明显分层：CyberGym侧重从白盒源码中识别并验证漏洞，GLM-5.3得分84.5%，高于GLM-5.2的77.2%；ExploitBench要求围绕真实漏洞做更深入利用推理，GLM-5.3达54.4%，超过GLM-5.2的24.4%；ExploitGym按时间归一化预算统计完成的利用任务数，GLM-5.3在2小时/6小时内完成105/130个，GLM-5.2为29/39个。

不过，越接近完整利用链，GLM-5.3相对前代提升越大，与封闭前沿模型差距也越明显。例如ExploitBench上，表中Fable 5和GPT-5.6 Sol分别为78.0%和76.5%；ExploitGym上二者完成数也显著更高。

行业点评：开源代码智能体进入安全敏感区

GLM-5.3传递出的信号是，开源权重模型的竞争不再只看参数规模或通用问答，而是转向长周期任务环境、可验证奖励和真实工作流迁移。对开发者而言，更强的编码智能体可能提高重构、调试、基础设施优化等复杂任务的自动化程度；对企业而言，私有基准与本地环境能力也更接近实际采用需求。

但网络安全能力的同步增长会让发布策略更受关注。Z.ai选择延后两周开放权重，并以安全评估和加固作为前提，说明前沿开源模型正进入“能力释放”和“滥用防范”必须同时设计的阶段。接下来，模型厂商的差异化很可能不只来自模型本身，还来自谁能持续构建高质量长周期环境，并给出可信的安全边界。