GLM-5.3 深度评测：后训练 Scaling 的极致演绎与涌现的安全能力

一句话结论：GLM-5.3 用一份"基座不变、后训练拉满"的成绩单，验证了后训练 Scaling 可独立驱动智能上限突破的范式价值——Terminal-Bench 3.0 从 4.6 跃升至 28.3、DeepSWE 提升 20.7 分、CyberGym 白盒漏洞发现以 84.5% 登顶对比集第一。它用 Token 效率重塑了开源编程模型的经济性，同时以网络安全能力的涌现给行业提出了新的治理课题。其最终成色，将由 8 月底的开源落地与第三方复现来盖章。

一、发布概况：一次"不换基座"的旗舰升级

2026 年 8 月 14 日，智谱 AI 正式发布新一代旗舰基座模型 GLM-5.3。这是 GLM-5 系列在 2026 年内的第三次迭代：2 月的 GLM-5、6 月的 GLM-5.2，到 8 月的 GLM-5.3，智谱以约两个月一个大版本的节奏推进旗舰线。

GLM-5.3 最值得玩味的地方在于它的"不变"：基座模型与 GLM-5.2 完全相同——总参数仍为 7430 亿，沿用 MoE 架构，预训练数据没有增加。智谱官方对此的表述非常直白——"Scaling post-training is all we did for GLM-5.3"（我们为 GLM-5.3 做的全部事情就是扩展后训练）。

"变"集中在后训练阶段的投入强度上：数十倍的长程任务环境、更丰富多样的环境类型、超长的后训练时间。换言之，GLM-5.3 是一次纯粹由后训练 Scaling 驱动的升级，其全部性能增益均来自强化学习阶段的环境规模与训练时长扩展。

项目	内容
发布日期	2026 年 8 月 14 日
参数规模	7430 亿（总参数），与 GLM-5.2 相同
架构	MoE 混合专家架构
性能增益来源	后训练 Scaling（数十倍长程任务环境、超长后训练时间）
官方定位	编程能力最强的开源模型，接近 Claude Fable 5
开源计划	8 月底开放完整权重，先进行安全评估与加固
许可证预期	参照前代 MIT 许可证惯例，以最终 LICENSE 为准

二、技术路线解析：后训练 Scaling 如何撑起全部增益

2.1 slime 框架与四大技术组件

GLM-5.3 的后训练构建在智谱自研的开源后训练框架 slime 之上。该框架把训练、rollout 与数据缓冲置于单一数据流中，使得长程 Agent 环境可以插件化接入，而无需重构训练循环。

在这一底座之上，智谱引入了四项关键组件：

• IndexShare：高效处理长上下文，确保模型在百万级 token 的代码库状态中保持注意力效率。
• SAO（Single-rollout Asynchronous Optimization）：针对长程任务优化的异步强化学习策略，缓解长轨迹 rollout 对训练吞吐的拖累。
• Compaction（压缩机制）：与 SAO 配合，主动压缩长轨迹中的中间状态，避免上下文窗口溢出。
• 数值对齐优化：引入 top-p 掩码和全词表 OPD 采样，将训练与推理路径的数值误差控制在 1e-7 级别，较旧方案降低 99.99%。

在系统层面，通过局部存储缓存和多教师动态切换，长程编码 RL 训练的端到端吞吐量提升了 2.3 倍。

2.2 环境合成流水线：从手工构造到自动规模化

GLM-5.3 的能力跃升，根源在于一条端到端的环境合成流水线，把长程训练环境的生产从手工构造推进到了自动规模化：

1. 任务采集：由 Research Agents 从真实工程工作中收集任务模式。
2. 环境生成：转化为具有多步依赖和隐藏状态的可运行长程环境。
3. 可解性验证：由 Judge Agents 实际尝试执行，剔除无解任务。
4. 奖励信号合成：通过 oracle、no-op 和未解决状态检查，关闭奖励捷径。

最后一步尤为关键：oracle 检查验证"正确答案确实能得分"，no-op 检查验证"什么都不做不能得分"，未解决状态检查验证"半途而废不能得分"——三道关卡共同保证了奖励信号只发给真正的任务完成行为。

这条流水线与基准表现形成了自洽的因果链：越是考验长时间多步骤执行的基准，GLM-5.3 相对 GLM-5.2 的跳升幅度越大——Terminal-Bench 3.0 提升约 6 倍，DeepSWE 提升 20.7 分。环境规模化投入在哪里，能力增益就出现在哪里，这是 GLM-5.3 技术叙事中最有说服力的证据链。

三、编程能力评测：开源第一，逼近闭源旗舰

3.1 公开基准：跨代跃升与竞品对位

先看智谱官方发布的完整对比表(17 项基准,分 CODING / CYBER / AGENTIC 三组,GLM-5.3 列高亮):

在 Terminal-Bench 3.0 上，GLM-5.3 得分 28.3，而 GLM-5.2 仅为 4.6，提升约 6 倍。4.6 分意味着前代在真实终端复杂任务上几乎无法完成，28.3 分则标志着跨入了"能稳定完成一部分真实任务"的可用区间——这是能力性质的变化。

基准测试	评测维度	GLM-5.3	GLM-5.2	Kimi K3	Claude Opus 4.8	Claude Fable 5	GPT-5.6 Sol
Terminal-Bench 3.0	真实终端复杂任务	28.3	4.6	17.4	33.7	34.6	—
DeepSWE v1.1	长程软件工程	66.9	46.2	67.5	58.0	69.7	72.7
Agents' Last Exam	跨工具协作长程任务	28.5	23.8	27.6	25.7	23.8	28.6
AutomationBench	自动化任务执行	48.2	26.2	46.7	41.0	46.2	45.8
GDPval-AA v2	高价值知识工作	1769	1508	1682	1588	1743	1730

把成绩放入竞品格局中观察：

• 对开源阵营：全面领先 Kimi K3，印证"开源第一编程模型"的定位。
• 对 Claude Opus 4.8：五项基准中四项追平或反超。
• 对闭源顶尖：DeepSWE 上 GPT-5.6 Sol（72.7）与 Fable 5（69.7）仍领先；Terminal-Bench 上 Fable 5 领先约 6 个百分点。

下面是 Z.ai 官方发布的 6 项关键基准柱状图(对比 GLM-5.2 / Kimi K3 / Fable 5 / GPT-5.6 Sol):

综合判断：GLM-5.3 已是开源阵营编程能力无争议的第一名，与 Claude Opus 4.8 同属一档并局部反超，与 Fable 5、GPT-5.6 Sol 的差距集中在最难的长程基准上。

3.2 Z.ai Code Bench：Token 效率成为真正的杀手锏

智谱自研的 Z.ai Code Bench 将模型置于复杂本地开发环境中评估端到端任务完成率。在 High 推理档位下，GLM-5.3 准确率达 31.4%，超过 Claude Opus 4.8 的 29.5%；而两者的平均输出 Token 消耗分别约为 5 万和 12 万——GLM-5.3 的推理轨迹长度只有 Opus 4.8 的约四成。

这意味着完成同等难度的任务，GLM-5.3 用更少的 Token 办成了同样的事。对 API 使用者来说，这直接改善了成本、响应速度和上下文占用三项体验。

在 Max 最高推理档位下，GLM-5.3 完成率为 34.5%（平均约 75K 输出 Token），仍落后于 Fable 5 的 39.5%。差距分布很有规律：推理预算越足、任务链条越长，Fable 5 的领先越明显——短轨迹高效率是 GLM-5.3 的实打实优势，但极限长链任务上其智能上限仍低于 Fable 5。

⚠️ 评测独立性提示：Z.ai Code Bench 为厂商自建基准，其成绩可信度天然低于第三方评测。但其中"准确率略胜 + Token 消耗减半"的结构性结论，与公开基准中 GLM-5.3 在 AutomationBench、Agents' Last Exam 上的领先方向一致，多条证据链相互印证，可信度有所提升。

四、网络安全能力的涌现：意料之外的双刃剑

4.1 安全基准：漏洞发现 SOTA，利用链仍逊于闭源

GLM-5.3 最具话题性的突破，是训练过程中意外涌现的网络安全能力。智谱官方明确表示，随着后训练规模扩大，网络安全表现超出了团队自身的预期。

评测基准	测试内容	GLM-5.3	GLM-5.2	Mythos 5	GPT-5.6 Sol
CyberGym	白盒源码漏洞识别与验证	84.5%	77.2%	83.8%	83.6%
ExploitBench	深层漏洞推理与利用链构造	54.4%	24.4%	78.0%	76.5%
ExploitGym（2h/6h）	限时漏洞利用任务完成数	105/130	29/39	181/247	216/293

在漏洞发现环节，GLM-5.3 已站上 84.5%，位居全部对比模型第一。在漏洞利用环节，呈现"纵向翻倍、横向落后"的双面性——ExploitBench 从 24.4% 跃升至 54.4%，但与闭源模型的 78.0% 仍有明显差距。

智谱官方对这一规律的总结很直白：越往"利用链"上游走，GLM-5.3 相对前代的增益越大，同时与闭源前沿的差距也越宽。后训练 Scaling 对"发现漏洞"这类依赖代码理解的能力增益充分，对"构造完整利用链"这类依赖深度攻防经验的能力增益有限。

4.2 实战成果：2436 个漏洞背后的责任框架

智谱联合多家安全团队对 269 个真实开源项目进行了扫描，共识别出 2436 个历史漏洞，其中中高危漏洞 1097 个。这批漏洞的潜伏时间尤其值得关注：最早的漏洞可追溯至 1981 年（潜伏约 45 年），平均潜伏时长 26.6 年。其中一个代表性案例是潜伏 40 余年的 DNS 协议级风险——攻击者可通过少量特殊请求将服务器压力放大近 8 万倍，影响超 1000 万处公网 DNS 服务。

在治理层面，智谱建立了 Z.ai Security Disclosure Ledger 持续披露漏洞处理进度，并通过协调披露流程提交高危漏洞发现。开源前将进行严格的安全评估与加固——"先加固、后放权重"的顺序安排，是对双刃剑能力给出的工程化回应。

五、商业化与生态：订阅优先，开源倒计时

5.1 API 迁移要点

GLM-5.3 在 API 层面不再支持 thinking.type: disabled，原有禁用思考的业务必须改为 enabled，并通过 reasoning_effort 参数选择 low/high/max 三档。编程任务官方推荐 max 档：

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

原 GLM-5.2、GLM-5.1 的 API 请求已自动路由至 GLM-5.3。对多数用户是平滑升级，但对依赖旧版特定行为的业务需重新验证兼容性。

5.2 定价策略：订阅制先行

截至发稿，官方按量计费价目表尚未列出 GLM-5.3 的 Token 单价。当前商业化重心放在 GLM Coding Plan 订阅制上：

套餐	价格（月付）	积分额度（每周）	适用场景
Lite	$12.6	10,000	个人小型项目
Pro	$56	60,000	专业开发者，解锁 MCP 工具
Max	$117.6	140,000	大型仓库，高峰期专属资源

成本优化路径有两条：非高峰折扣（工作日 14:00–18:00 为高峰，其余时间消耗 50% 积分）和客户端缓存（官方 ZCode 缓存命中率超 98%）。两项叠加后实际可用额度可提升至标准的 180%。

5.3 开源时间表与许可证

智谱承诺 8 月底开放完整权重，在此之前先完成安全评估与加固。许可证方面，前代 GLM-5/5.2 均以 MIT 许可证发布，社区普遍预期 GLM-5.3 将保持宽松开源策略——但最终以开源仓库中的 LICENSE 文件为准。

六、客观评估：局限、风险与选型建议

三大待验证项

第一，基准成绩的独立性。 全部基准数据均来自智谱官方，Z.ai Code Bench 为自建评测。在第三方独立复现之前，所有"领先""超越"结论的置信度都应相应打折。

第二，API 定价的完整性。 按量计费价目表尚未列出 GLM-5.3 条目，当前只能通过订阅制估算成本，对需要精确成本建模的企业构成决策盲区。

第三，开源承诺的落地细节。 权重开放时间、许可证类型、安全加固形式，三项均停留在"承诺与预期"层面。尤其是安全加固——对一个 CyberGym 84.5% 的模型做权重开放，加固到什么程度、如何验证效果，官方尚未给出技术细节。

选型建议

用户类型	建议
个人开发者/小型团队	直接接入，Lite 档 $12.6/月成本可控，High 档位超越 Opus 4.8 且 Token 消耗减半
专业团队/中型企业	观察 8 月底权重开源与第三方复现结果；迁移时注意强制思考模式的参数变更
极限长程任务场景	当前 GLM-5.3 在最长推理链上仍有约 5 个百分点差距，闭源顶尖模型仍是更稳妥的选择

---

总评：GLM-5.3 是 2026 年开源模型阵营迄今最重要的一次发布。它用"基座不变、后训练拉满"的成绩单，证明了后训练 Scaling 的范式价值，以 Token 效率重塑了开源编程模型的经济性，同时用网络安全能力的涌现给行业提出了新的治理课题。其成绩的最终成色，将由 8 月底的开源落地与随后的第三方复现来盖章。

---

内容由 Qific2.1flash 模型辅助生成
Qific2.1flash 模型是千策人工智能研究院开发的旗舰多模态推理模型。基于 217B 总参数 / 23B 激活参数的稀疏 MoE 架构，原生支持图片和视频理解。
图片源自于网络