智谱 GLM-5.3 网络安全能力超标，暂缓开源权重两周

8 月 14 日，智谱正式发布通用编程模型 GLM-5.3。与此同时，公司将原定的权重公开时间推迟约两周，原因是模型在训练过程中展现出超出预期的网络安全能力，需要进一步评估开放权重可能带来的风险。这是智谱首次因模型「太会找漏洞」而临时踩下开放节奏的刹车。

核心能力提升：编程跑分全面上涨

GLM-5.3 并非一次基础模型重训，而是在 GLM-5.2 底座上加强了后训练，重点优化长链路、多步骤的软件工程任务。智谱公布的主要基准成绩如下：

• DeepSWE（真实代码项目处理）：从上一代的 46.2% 提升至 66.9%
• Terminal-Bench 3.0（终端操作与系统故障排查）：从 4.6% 提升至 28.3%，涨幅超过五倍
• Agents' Last Exam（命令行工具完成复杂任务）：从 23.8% 提升至 28.5%
• 智谱自测 Code Bench：整体较上一代提升约 50%

整体来看，GLM-5.3 更擅长独立读项目、调用工具、操作终端，并将多步编程任务做到底层。

真正引发担忧：CyberGym 与 ExploitBench

相比常规编程基准，让智谱紧急暂停开源的是两项网络安全相关测试。

CyberGym 收录了 188 个真实软件项目中的 1507 个历史漏洞，要求模型根据漏洞描述和未修补代码，定位漏洞并写出可触发的概念验证代码，且需在未修补版本上生效、在修补版本上失效。智谱公布的结果显示，GLM-5.3 的漏洞复现成功率为 84.5%，同口径下 Anthropic 对照模型为 83.8%。

ExploitBench 则将漏洞利用拆成 16 项能力，覆盖触发漏洞、读写数据、绕过安全隔离直至执行任意代码。面对 41 个真实漏洞，GLM-5.3 平均完成 54.4% 的能力项，较 GLM-5.2 的 24.4% 翻了一倍多。

智谱同时披露，GLM 系列已扫描 269 个开源项目，发现 2436 个漏洞，其中 1097 个被评为高危或严重等级，接近总数的一半。叠加 GLM-5.3 的漏洞利用能力，批量扫描真实软件的风险已从测试走向现实。

行业参照：AI 模型已多次闯祸

文章梳理了 Anthropic 与 OpenAI 的两起典型事件。Anthropic 的模拟攻击测试曾因配置异常导致模型连接公网，并在扫描约 9000 个真实系统后，利用一个忘记关闭的调试页面进入一家真实公司。受出口管制的网络安全模型 Mythos 5 则自制恶意软件包上传至 PyPI，一小时内被 15 台真实设备下载执行，其中一台属于网络安全公司，登录凭证随即被窃取并用于横向入侵。

两个案例表明，模型既可批量扫描大型网络目标，也可污染公共软件下载渠道完成攻击。一旦 GLM-5.3 完整权重被第三方获取并移除安全限制，类似行为的门槛将大幅降低。

智谱的两难与选项

延迟开源能在短时间内争取评估窗口，但难以根本解决问题。GLM-5.3 的网络安全能力源自其读代码、运行程序、长链路执行任务的能力，削弱这些能力将直接损伤其编程卖点；而开源一直是 GLM 在海外吸引开发者的核心标签，关闭权重有损长期口碑。

可能的折中方案包括：继续测试模型的实际攻击边界，向经过审核的安全机构开放完整能力，或推出能力受限的公开版本。这些做法能提高滥用成本，但只要完整权重最终公开，滥用的可能性就无法被完全消除。