智谱 GLM-5.3 开源权重发布：后训练驱动，编码与智能体能力显著提升

智谱（Z.ai）近日在 Hugging Face 平台上线了 GLM-5.3 开源权重模型。与此前版本不同的是，GLM-5.3 沿用了与 GLM-5.2 完全相同的基座模型，所有能力提升均来自后训练阶段的优化，重点增强了复杂编程、长链路任务执行以及网络安全相关能力。

编码能力：自研基准提升 50%，多榜单达到开源 SOTA

在编码方向上，GLM-5.3 表现出了显著的代际跨越。官方披露，模型在 Z.ai 自研的 Code Bench 上较 GLM-5.2 提升了 50%，并在该基准上成为目前最强的开源权重模型。同时，在 Terminal Bench 3.0 与 Agents' Last Exam 两项公开基准上，GLM-5.3 也均达到了开源 SOTA 水平。这意味着 GLM-5.3 不仅在内部评测上领先，在公开、可复现的第三方测试中同样具备竞争力。

• 内部 Z.ai Code Bench：较 GLM-5.2 提升 50%
• Terminal Bench 3.0：开源 SOTA
• Agents' Last Exam：开源 SOTA

智能体与长链路任务：长视野任务能力增强

GLM-5.3 的另一大提升方向是长链路（long-horizon）任务。官方明确将「复杂编程与长视野任务」作为本次迭代的核心目标，暗示模型在多步推理、工具调用以及持续执行复杂任务流的稳定性上获得了实质性改善。结合 Agents' Last Exam 上的开源 SOTA 成绩，可以判断其智能体（agent）能力在开源阵营中已处于第一梯队。

涌现的网络安全能力：攻防链条上能力倍增

值得注意的是，GLM-5.3 在网络安全方向上出现了官方未预料到的「涌现能力」。智谱团队表示，随着后训练规模扩大，模型的网络安全能力发展速度超出预期。在 CyberGym 漏洞发现基准上，GLM-5.3 达到当前最优水平；更值得关注的是，从漏洞发现到利用执行（exploitation chain）的整条链路中，GLM-5.3 较 GLM-5.2 的提升幅度最大，部分利用类基准成绩翻倍以上。

• CyberGym（漏洞发现）：达到 SOTA
• 利用链路相关基准：较 GLM-5.2 提升超过 2 倍

部署与资源

社区已提供 GGUF 格式的量化版本，便于在本地或消费级硬件上部署运行，模型仓库地址为 huggingface.co/unsloth/GLM-5.3-GGUF。开发者可直接通过 Hugging Face 获取权重，并按自身需求进行推理或微调。

综合来看，GLM-5.3 是一次「不换基座、纯靠后训练」的迭代范式样本，验证了后训练方法在编码与智能体能力上仍有可观挖掘空间，也为开源社区提供了在多个关键基准上达到 SOTA 的新选择。