GLM-5.3开放权重：漏洞利用翻倍，编码提升50%

智谱AI发布开放权重模型GLM-5.3。它和GLM-5.2共用同一个base model。能力提升全部来自post-training（后训练阶段）。编码能力比上一代提升50%，评测来自智谱自建的Z.ai Code Bench。技术报告标题是《GLM-5: from Vibe Coding to Agentic Engineering》。发布于2026年，arXiv编号2602.15763。团队在报告里写得很直白：后训练规模扩大，网络（cyber）能力成长速度超出预期。

几个关键基准的跃升幅度摆出来就能看清。Terminal Bench 3.0上，5.3得分28.3，5.2只有4.6，大约6倍。SWE-Marathon (v1.1)那边，42.5对19.4。AutomationBench (v1.0.6)则是48.2对26.2。这三个基准考的是同一件事：AI能不能在终端环境里自己把任务从头跑到尾。

放到真实编码任务里，GLM-5.3能接手的活儿变完整了。FrontierSWE拿到78.1，5.2是67.5。NL2Repo那边58.0，5.2是48.9。前者测真实软件仓库的问题修复，后者测从自然语言直接生成整个代码库。AI助手正从“回答碎片问题”转向接手更完整的任务。输出能不能直接信，哪部分要人工过一遍，得自己分辨。

网络能力是这次发布里最值得看的。CyberGym漏洞发现上，5.3拿到开放权重模型的最佳成绩：84.5，5.2是77.2。ExploitBench上54.4，5.2是24.4，翻了一倍多。ExploitGym的2小时和6小时评估里，5.3拿到105和130，5.2只有29和39。技术报告里的表述是：越往漏洞利用链路的上游走，提升越大。在exploitation基准上，比5.2翻了一倍以上。

一个能发现漏洞的模型，同时也更会利用漏洞。发布信息里没有提到安全约束机制。模型权重开放下载，有没有约束、怎么约束，直接决定它的使用边界。

部署层面，GLM-5.3支持SGLang、vLLM、TokenSpeed等框架本地部署。Transformers、KTransformers、Unsloth也支持。华为昇腾NPU平台同样适配，vLLM-Ascend、xLLM、SGLang都能跑。企业和个人可以完全在自己的硬件上运行，不依赖云端API。本地部署有技术门槛，但路径是通的。

模型有两个参数控制行为。reasoning_effort设置思考预算，分low、high、max三档，默认max。默认档位消耗更多计算资源，换更深入的推理。聊天场景要显式传clear_thinking=true，默认是false。

HLE with tools上，5.3得62.5，5.2是54.7。横向比较没有全面领先。对手包括Kimi K3、DeepSeek-V4 Pro-0813、Qwen3.8-Max等。

信息缺口还有几个。发布信息里没有上下文长度和参数量的数据，本地部署的硬件门槛也不明确。许可证细节没有披露。它有开放权重，但能不能商用、允许什么样的商用，要等具体条款。打算把它接进自己产品的团队，在许可证明确前还得再等等。