GLM-5.3 发布：编程能力大幅跃升，安全防线成亮点，后训练技术揭秘

事件概述

智谱正式上线 GLM-5.3，官方给出三个标签：最强安全模型、最强编程模型、最强开源模型。此次版本未更换基座模型，主要提升来自后训练环节，编程能力体感提升约 50%，并在漏洞挖掘和 AI 攻击防御上表现突出。

编程能力：多项评测逼近或反超顶尖模型

• 在 Terminal-Bench 3.0 上，得分从 4.6 跃升至 28.3，接近 Claude Fable 5 的 33.7。
• 在长程软件工程评测 DeepSWE v1.1 中，得分从 46.2 提升到 66.9，距 Fable 5 仅差 2.8 分，与 Kimi K3 的差距缩小至 0.6 分。
• 在 Agents' Last Exam 评测中，GLM-5.3 反超 Fable 5；在 GDPval-AA v2 中拿下全球第一。

官方自建评测 Z.ai Code Bench 将模型放入真实本地开发环境模拟 Coding Agent 使用。在最高难度 High 档位下，GLM-5.3 准确率为 31.4%，高于 Claude Opus 4.8 的 29.5%；同一高难任务下平均 Token 消耗约 5 万，而 Opus 4.8 需要 12 万，算力节省约一半。

训练上，智谱将专家级工程师的完整工作流复刻进训练环境，包括计算集群、存储系统、内部文档和代码库，让模型在真实环境中端到端完成复杂任务。

安全能力：从附属功能到主打招牌

官方披露，自 GLM-5.2 发布以来，智谱联合安全团队在 269 个开源和商业项目中累计发现 2436 个漏洞，其中中高危漏洞 1097 个，部分漏洞已潜伏近 40 年。此前 Hugging Face 遭攻击时，GLM-5.2 曾成功防御，成为其安全能力的重要验证。

GLM-5.3 构建了“纵深防御”风险审查系统，分为三层：

• 最外层：轻量级分类模型，快速拦截大规模低级别滥用。
• 中间层：推理监控器，实时监测模型任务意图。
• 最内层：模型自身的“深度安全对齐”，从底层逻辑上拒绝攻击请求。

系统根据“意图和语境”做风险分级，避免对安全防护工作的一刀切封杀。

实际案例中，GLM-5.3 曾辅助分析巴西一台临时文件服务器的异常，最终揭示了一个名为“Neo”的 AI Agent 黑客组织。该组织管理着 4 台黑客服务器、7 个恶意域名、6 万个邮箱和 100 多个自动化攻击脚本，并发送了 18567 封钓鱼邮件。GLM-5.3 在海量碎片化线索中提取关键信息、自动关联跨服务器攻击行为，协助还原了完整攻击链条。

此外，GLM-5.3 还协助发现了一个潜伏在互联网 DNS 协议规则底层、长达 40 多年的设计缺陷。攻击者可通过极少量特殊请求将服务器计算压力放大近 8 万倍，影响全球超 1000 万处公网 DNS 服务。相关漏洞已进入 CNVD 国家漏洞库协同修复流程。

后训练技术：IndexShare、SAO、Slime

智谱将能力提升归因于三项技术：

IndexShare（架构优化）：解决长上下文算力成本问题。传统动态稀疏注意力每层需独立索引器，IndexShare 让每 4 层共享一个轻量级 Indexer。在 1M 上下文长度下，单位 Token 的 FLOPs 降低 2.9 倍，为长程强化学习训练扫清成本障碍。

SAO（强化学习算法）：解决长程训练稳定性问题。传统同步 PPO、GRPO 等方法在长任务中约 160 步就会崩溃，SAO 实现单轨迹级别异步化训练，模型每完成一条轨迹即可更新参数，解耦训练与推理，稳定支持超过 1000 步的连续训练。

Slime（分布式后训练框架）：采用“训推分离”流水线，通过数据缓冲区异步衔接推理生成和分布式训练。过去千亿参数模型强化学习训练需数周，使用 Slime 后缩短至 2-3 天，使后训练成为可高频迭代的常态化流程。

官方同步开放了编程工具 ZCode、效率工具 AutoClaw，并面向所有用户开放 GLM Coding Plan 订阅。