GLM-5.3 发布：基础模型未换，漏洞利用成绩翻了一倍

同一个基础模型，成绩全靠后训练

GLM-5.3 发布了。技术报告标题是《GLM-5: from Vibe Coding to Agentic Engineering》（arXiv: 2602.15763）——从随性写代码，到智能体自主做工程。它和 GLM-5.2 用的是同一个基础模型，所有提升全来自后训练阶段。内部基准 Z.ai Code Bench 上比前代高 50%，Terminal Bench 3.0 和 Agents' Last Exam 等公开基准上拿到开源模型最佳成绩。

长时任务：可靠性提升

具体看数字。Terminal Bench 3.0 里，GLM-5.3 得分 28.3，GLM-5.2 只有 4.6——这类终端长流程任务，前代几乎跑不下来。SWE-Marathon 是马拉松式软件开发，从 19.4 涨到 42.5；DeepSWE 从 46.2 到 66.9；NL2Repo 要从自然语言描述生成整个代码仓库，48.9 到 58.0。AutomationBench 上面是 26.2 到 48.2。GDPval-AA v2 从 1508 到 1769，基准由第三方的 Artificial Analysis 评估。这些任务步骤多、耗时长，分数差距说明可靠性是这轮提升的重点。

安全领域：利用能力翻倍

安全板块差距更大。CyberGym 漏洞发现上 84.5 对 77.2，处于当前最佳；真正拉开的是利用链后半段。ExploitGym 两小时预算 105 对 29，六小时预算 130 对 39；ExploitBench 上 54.4 对 24.4，超过前代一倍多。从发现漏洞到构造利用，整条链可以交给模型自己跑。防御方可以拿它做自动化渗透测试和漏洞修复，攻击方的门槛也被同样降低。报告没有讨论如何防范后者。

评估设了防作弊门槛

这些分数做了防作弊处理。CyberGym 的 1507 个任务在 Claude Code 2.1.207 环境里单次 Pass@1，agent 放进任务容器，Git 信息被移除，域名白名单只放行 pypi.org、deb.debian.org 这类基础安装源。ExploitGym 的 869 个任务同样加了域名白名单，计时按各模型的 token 处理速度重新缩放：GLM-5.3 按 115 TPS，同场对比的 Kimi K3 按 40 TPS，Qwen3.8 Max 按 47 TPS。

SWE-Marathon 改过两处环境问题：strip-clone 的导入检测会误伤合法实现，parameter-golf 和 trimul-cuda 因 NVIDIA 包更新导致 Docker 构建失败，调整后才继续。处理之后分数更接近真实能力，但换一个环境，实际表现仍可能有差异。

部署与未解问题

部署上，GLM-5.3 支持 SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unsloth，也能跑昇腾 NPU，推理框架可选用 vLLM-Ascend、xLLM 或 SGLang。思考预算由 reasoning_effort 参数控制，low、high、max 三档，默认 max。聊天模板里 clear_thinking 默认 false，聊天场景要显式传 true。许可证和商业使用条款没有说明；是否支持多模态输入、真实世界表现是否与基准一致、低档思考能省多少算力，报告都没答。Hugging Face 上模型过去一个月下载 40,721 次。