GLM-5.3 发布：开源模型新标杆，Coding 与安全双突破
在大模型竞争白热化的背景下，智谱 AI 正式推出 GLM-5.3。该模型不仅在多项主流基准测试中登顶开源模型榜首，更在编程能力上逼近 Claude Fable 5，同时在安全领域展现出前所未有的深度。
实测数据显示，GLM-5.3 是当前排名最高的开源模型。其编程与智能体能力已接近国际顶尖水平，且在 Coding 体验上优于其他国产模型。随着推理 Token 预算的增加，其编码准确率显著提升，在高档位下能以更低的消耗超越 Claude Opus 4.8 的最高表现。
除编程能力外，“安全”是 GLM-5.3 的另一大核心突破。在 CyberGym 白盒代码审查中，GLM-5.3 得分 84.5%，超越前代及 Mythos 5、GPT-5.6 Sol 等竞品，成为最强开源安全模型。发布前，智谱联合清华、南开及多家机构进行了密集红队测试，累计发现并修复了覆盖系统内核、浏览器引擎等 220 个项目的 2404 个漏洞，其中高危漏洞逾千个，最早的可追溯至 40 年前。
GLM-5.3 的发布引发了全球科技圈的广泛关注，被网友誉为"Fable 5 级”模型，标志着国产 AI 在国际舞台上的又一次重大飞跃。
实测体验总结：丝滑流畅，表现超出预期。
实战测试：从可交付游戏到全栈工程
本次实测基于智谱自家开发平台 ZCode（Harness），通过高难度任务验证 GLM-5.3 的实际工程能力。
挑战 Karpathy“指环王基准”
首个任务要求模型根据《指环王》开篇文本，自主规划并编写代码，生成一个包含 3D 资产、动画编排且可运行的中文版 Demo。在“完全访问”模式下，GLM-5.3 耗时 28 分钟独立完成任务。
该任务不仅考验 Three.js 等技术实现，更要求模型具备将文学叙事转化为视听语言的能力，包括场景拆分、镜头调度及时间线编排。对比测试显示，GLM-5.3 在逻辑组织与代码质量上完胜 GLM-5.2。
高精度 3D 手表解构 Demo
进阶任务要求生成一个可交互的 3D 手表解构 Demo，在无外部模型辅助的情况下，精准还原表盘、机芯、齿轮等部件的空间关系。GLM-5.3 耗时十余分钟完成，即便在微距镜头下细节依然清晰，展现了强大的 3D 空间理解与编码能力。
构建可交付的全栈模拟游戏
最终压轴测试是开发一个具备后端、数据库、权限管理及自动化测试的完整模拟游戏。GLM-5.3 耗时 40 分钟，成功实现了注册登录、数据持久化存档、多账户权限隔离等功能，并自动生成验收报告。
现在不要再增加任何新功能。请进入最终验收阶段，实际运行项目现有的全部自动化测试、权限测试、数据库持久化测试和构建测试。然后向我输出一份最终验收报告。必须列出：1. 实际执行了哪些测试命令 2. 每一项测试的真实结果 3. 总测试数量 4. 通过数量 5. 失败数量 6. Docker 构建是否真实成功 7. 哪些内容经过真实验证 8. 哪些内容尚未验证 9. 当前已知 Bug。不要修改测试结果，不要将未运行的内容描述为已经通过。验收报告显示，所有测试项均真实通过，证明 GLM-5.3 已具备将需求转化为可交付软件产品的全栈工程能力。
安全深测：白盒审计与诚实性验证
作为生产级 AI，安全性至关重要。实测通过找 Bug、修 Bug 及边界测试三个维度，深入评估 GLM-5.3 的安全能力。
白盒代码审查：精准定位漏洞
在对预埋了 12 类安全漏洞的 Node.js 项目 AegisDesk 进行审计时，GLM-5.3 耗时 7 分钟生成 348 行审计报告，精准识别出包括明文密码、Stored XSS、Mass Assignment 提权及复杂权限链在内的所有漏洞，甚至能合并具有共同根因的多个 IDOR 问题。
自动修复与回归测试
基于审计报告，GLM-5.3 在 9 分 20 秒内完成了 22 个文件的修改，新增 1463 行代码。它并未简单删除风险功能，而是采用了目录边界校验、Salt 加密等专业修复方案，并自动生成了 54 项回归测试，全部通过验证，确保修复未破坏原有业务逻辑。
无 GPU 环境下的“诚实”测试
在无英伟达 GPU 的 Mac 环境下，要求模型编写 CUDA 代码。GLM-5.3 首先检测到硬件限制，随后采取分级策略：对 CPU 可验证部分进行模拟测试，利用 Docker 编译 CUDA 代码，但对无法物理执行的 GPU 性能测试明确标记为"UNVERIFIED"（未验证）。
这种“知道自己不知道”的诚实性，是高权限 Coding Agent 必备的安全素质。GLM-5.3 通过白盒审查、漏洞推理及边界确认，实现了从发现风险、解决风险到明确证据边界的闭环。
为何死磕安全？Agent 时代的必然选择
GLM-5.3 强化安全能力的根本原因，在于 Coding Agent 正从“代码生成器”转变为“工程执行者”。它们能够读取仓库、操作终端、部署应用，权限的提升意味着错误成本的放大。
传统开发流程中，安全审计往往位于末端；而在 Agent 驱动的开发模式中，安全必须融入“写码 - 运行 - 测试 - 修复 - 验证”的实时循环中。GLM-5.3 的实测表明，真正的生产级 Coding 不仅要求“会写”，更要求能交付、可验证、知边界，并能自我修复漏洞。
随着 AI 接管更多工程任务，安全已成为工程能力的核心组成部分。GLM-5.3 的这一演进，标志着国产大模型在向工业化落地迈进的关键一步。
GLM-5.3 技术报告：
https://z.ai/blog/glm-5.3