作者丨高允毅
编辑丨岑峰
继 DeepSeek 引发行业关注后，智谱 AI 正式发布 GLM-5.3。该版本在基座模型不变的前提下，通过极致的后训练技术，确立了“最强安全、最强编程、最强开源”的三大核心优势。
数据显示，GLM-5.3 编程能力体感提升 50%，漏洞挖掘能力对标 Mythos 5，累计发现中高危漏洞超千个。这一飞跃得益于架构优化技术 IndexShare、强化学习算法 SAO 及新一代后训练框架 Slime。伴随模型发布，官方编程工具 ZCode、效率神器 AutoClaw 及 GLM Coding Plan 订阅服务已全面开放。
编程能力：开源第一，体感超越 Claude Opus 4.8
GLM-5.3 的编程实力已全面逼近全球顶尖模型，并在部分高难度评测中实现反超。
在考验真实终端复杂操作的 Terminal-Bench 3.0 评测中，GLM-5.3 得分从 4.6 跃升至 28.3，紧追 Fable 5（33.7）。在长程软件工程 DeepSWE v1.1 中，其得分由 46.2 提升至 66.9，与 Kimi K3 的差距缩小至 0.6 分。而在强调多工具协作的 Agents' Last Exam 及衡量实际经济价值的 GDPval-AA v2 评测中，GLM-5.3 均取得全球第一的成绩。
智谱自建评测基准 Z.ai Code Bench 显示，在高难度任务下，GLM-5.3 准确率达 31.4%，超越 Claude Opus 4.8（29.5%）。更关键的是，完成同等任务，GLM-5.3 平均仅需 5 万 Token，较 Opus 4.8 节省超过 50% 算力成本。
这种能力源于“一比一复刻大厂专家工作流”的训练环境。模型在配备完整计算集群、存储系统及代码库的真实环境中，学会了像人类专家一样自主发现 Bug、推导分析并闭环项目，而非仅执行单条命令。
安全能力：从“附属功能”升级为“核心招牌”
安全是 GLM-5.3 此次更新的重中之重。自 GLM-5.2 发布以来，智谱联合顶尖安全团队在 269 个项目中累计发现 2436 个漏洞，其中中高危漏洞达 1097 个，部分隐患潜伏时间长达 40 年。
针对恶意请求，GLM-5.3 构建了“纵深防御”体系：外层轻量级模型拦截低级滥用，中层推理监控器实时监测任务意图，内核则通过深度安全对齐，使模型在本地部署场景下具备自主拒绝攻击的能力。该系统基于“意图和语境”进行风险分级，有效区分黑客攻击与正常安全防护。
在近期一起由未知 AI Agent"Neo"发起的跨国网络攻击事件中，GLM-5.3 协助安全人员从海量碎片化日志中提取关键线索，完整还原了攻击链条，实现了“防御 AI"对“攻击 AI"的成功狙击。此外，模型还协助挖掘出一个潜伏于 DNS 协议底层、可能导致全球千万级公网服务瘫痪的世界级隐患。目前，相关漏洞已进入 CNVD 国家漏洞库修复流程。
智谱坚持开源顶尖安全技术，旨在打破闭源大厂的技术垄断，推动行业整体安全水位提升。
技术底座：三大创新重构后训练效率
GLM-5.3 的跨越式提升，归功于智谱在后训练领域的三大技术突破：IndexShare、SAO 与 Slime 框架，分别解决了算力成本、算法稳定性与工程规模化难题。
IndexShare：大幅降低长上下文算力成本
针对长程任务中索引计算开销大的痛点，IndexShare 采用分层复用设计，让每 4 层 Transformer 共享一个轻量级索引器。在 1M 上下文长度下，单位 Token 的 FLOPs 降低 2.9 倍，为长程强化学习扫清了成本障碍。
SAO：解决长程训练稳定性难题
传统同步算法易受“掉队者效应”影响，难以支撑长周期训练。SAO（单轨迹异步优化）抛弃批量同步逻辑，实现单轨迹级别的异步更新。这一改进将长程任务的稳定训练步数从 160 步提升至 1000 步以上，确保模型能学习完整的工程闭环。
Slime 框架：实现大规模高效流水线
Slime 框架采用“训推分离”架构，通过数据缓冲区解耦推理生成与分布式训练。借助该框架，千亿参数模型的强化学习周期从数周缩短至 2 到 3 天，使后训练成为可快速迭代的常态化流程。
GLM-5.3 的发布标志着大模型行业竞争焦点已从参数规模转向后训练深度。通过榨干基座模型潜力，大模型的价值挖掘正进入深水区。