刚刚，GLM-5.3来了！拿下多个开源SOTA，我用它“魔改”DeepSeek Harness

编程与智能体能力逼近 Claude Sonnet 5，智谱发布 GLM-5.3 并宣布两周后开源。

作者 | 陈骏达

编辑 | 心缘

8 月 14 日，智谱正式发布最新一代旗舰模型 GLM-5.3，并宣布该模型将在两周内开源。作为拥有 7430 亿参数的超大模型，GLM-5.3 延续了系列在编程领域的优势，多项主流基准测试成绩位居开源及即将开源模型之首，其编程与智能体任务能力已逼近 Claude Sonnet 5、GPT-5.6 Sol 等海外顶尖水平。

在国内模型对比中，GLM-5.3 与 Kimi K3 在编程和智能体领域互有胜负，且在绝大部分基准测试中领先 DeepSeek-V4-Pro-0813。尤为突出的是，GLM-5.3 在网络安全能力上展现出显著优势，超越了其他两款国产竞品。

此外，GLM-5.3 在能力与 Token 效率之间取得了更优平衡。在相同的高档位思考预算下，其准确率达到 31.5%，优于 Claude Opus 4.8 的 29.5%；而任务平均输出约 5 万 Token，仅为 Opus 4.8 的一半，大幅降低了推理成本。

智东西在发布前获得内测资格，实测显示：GLM-5.3 搭配 ZCode 不仅能从 0 到 1 开发一款基于真实地图数据复刻上海陆家嘴至外滩区域的 3D 开放世界驾驶游戏，还能“裸考”DeepSeek 刚开源的 Harness 框架——在零先验条件下读懂超 7000 个文件的代码仓库，并按其规范打造“人格插件”。

除编程外，GLM-5.3 经充分预训练后涌现出强大的网络安全能力。在与国内高校及企业的合作中，该模型两周内揪出 2436 个漏洞。在白盒代码审查与漏洞推理等安全任务中，其表现接近 Claude Mythos 5。

目前，GLM-5.3 已上线智谱 AI 编程工具 ZCode、效率工具 AutoClaw，支持通过 GLM Coding Plan 使用，并在 TraeWork、WorkBuddy、Qoder、OpenCode 等平台开放抢先体验。API 即将上线，开源前将完成安全评估与加固，以限制潜在攻击能力，保留防御价值。

01. 拿真实数据 1:1 复刻外滩建筑群，打造开放世界驾驶游戏

本次测试采用智谱最新 ZCode 搭配 GLM-5.3， tasked with 基于真实 OpenStreetMap 数据，开发一款上海陆家嘴至外滩区域的 3D 开放世界驾驶游戏。需求文档明确要求：地图解析、坐标转换和游戏逻辑等关键模块须由模型“手写”，仅允许使用 Three.js 底层渲染能力。为检验长任务记忆可靠性，测试方还在文档中埋入两条“陷阱条款”：凌晨两点至四点外滩建筑灯光熄灭一半，以及地图边缘需设置带提示的软性阻挡。

GLM-5.3 接收需求后，首先编写脚本从 Overpass API 拉取 8 万多个 OSM 节点进行数据勘查，确认完整性后才启动开发。整个开发过程历经多轮迭代，最终交付约 4900 行代码，覆盖数据管线、车辆物理、音效、导航、昼夜循环及存档系统，两条“陷阱条款”均通过验收。

调试过程中，GLM-5.3 展现出清晰的排查思路。面对页面卡死问题，它未盲目改码，而是为本地服务器添加请求探针，通过面包屑日志精准定位故障点。

定位问题后，修复效率显著提升。例如针对相机视角穿模问题，GLM-5.3 从模糊描述出发，统计分析 6300 多栋建筑中约四成轮廓环绕方向与墙面法线约定相反，仅修改数行代码即解决问题。

因测试环境无法目检画面，GLM-5.3 甚至自编零依赖 PNG 解码器，通过像素统计客观验证水面、标线及夜间灯光渲染正确性。

值得称道的是，搭配 ZCode 使用时，对话平均缓存命中率超 99%，显著降低调用成本。

测试亦暴露短板：GLM-5.3 工程能力出色，但审美判断仍有提升空间。建筑贴图与道路标线经四轮人工反馈仍显简陋，未能完全达到预期效果。

总体而言，GLM-5.3 搭配 ZCode 可独立完成用户交付的开发任务，但仍需人工反馈辅助打磨，以产出更高质量的成果。

02. 读懂超 7000 个文件，连夜打造 DeepSeek Harness“人格插件”

若驾驶游戏考验从零创造能力，第二项测试则聚焦于对陌生大型代码仓库的理解与改造能力。测试对象为 DeepSeek 昨日刚开源的智能体框架 DeepSeek Harness，其 monorepo 包含 40 多个顶层包、200 多个工作区项目、7400 多个文件。

对 GLM-5.3 而言，这是一次真正的“裸考”：由于仓库发布仅一天，其训练数据中无任何相关信息，所有认知必须依靠现场摸索构建。

首项任务是仓库级理解：询问执行 dsh web 后，从进程启动到第一条消息抵达模型所经模块、插件加载机制及出错兜底策略。面对庞杂代码，GLM-5.3 派出 4 个并行探索子智能体，分别追查 CLI 入口、插件机制、模型契约与消息通路，汇总链路报告并逐条核对关键代码，成功建立跨文件关联。

报告核心结论包括：插件装配依赖 YAML 清单逐行登记，无自动扫描；锁定 LlmAdapter 作为通用模型契约；启动失败采取快速失败策略而非静默跳过。

在此基础上，测试方要求 GLM-5.3 开发“人格插件”，使 AI 回复可在文言文、东北话与猫语间切换，且须满足“零侵入”要求：功能生效不影响原框架行为，插件关闭立即复原。

GLM-5.3 先派 2 个子智能体通读仓库，5 分钟后提交报告；研究交互方案时增派第 3 个，合计消耗约 690 万 Token。最终选定系统提示注册表作为注入点：指令随系统层下发，用户消息不变；插件卸载后注册表自动清理。

交付结果显示，插件交互体验原生，可与其他插件共存于同一菜单栏，语言风格切换符合预期。

具体执行层面，初版交付涉及 20 个文件，净增 560 行代码，含双语文档配对记录与重生成依赖图。配套 11 条单元测试一次通过，覆盖开启注入、关闭复原及三人格路由等功能。

全量回归测试中出现小插曲：771 个测试文件中 6 个失败。GLM-5.3 主动撤下改动，在干净基线重跑用例，确认问题源于本机环境而非新增代码。解决环境问题后，复用既有命令机制将人格切换接入网页端，前端基本无新增代码，28 项文档门禁与 937 对双语文档检查全部通过。

本轮实测凸显 GLM-5.3 长板：任务拆解、跨包溯源、代码引用能力出色，对陌生工程规范理解深刻且遵循严谨，对照实验处置方式科学。

但也发现不足：ZCode 在长任务执行期间偶有反馈延迟，易被误判中断；部分低风险修改仍触发完整检查流程，可能造成不必要 Token 消耗。

03. 能力提升来自后训练 Scaling，网安能力显著涌现

据智谱官方博客，GLM-5.3 基座模型与 GLM-5.2 一致，性能跃升主要源于后训练阶段的 Scaling：更长任务环境、更丰富场景类型、更久训练时长共同促成能力突破。

随着任务环境拓展，GLM-5.3 涌现出超预期网络安全能力。在白盒源代码安全基准 CyberGym 中得分 84.5%，超越 GLM-5.2（77.2%）、Claude Mythos 5（83.8%）及 GPT-5.6 Sol（83.6%）。在 ExploitGym 漏洞利用测试中，2 小时内完成 105 项任务，达 Mythos 5 的 58%，较 GLM-5.2 的 29 项提升显著。

发布前两周，智谱联合清华大学、南开大学及云起无垠、绿盟科技、赛博昆仑、DARKNAVY、华顺信安、奇安信、腾讯玄武、云鼎实验室等多家安全团队开展密集红队测试，累计发现并经初筛去重确认漏洞 2436 个，其中 1097 个为中高危，最早可追溯至 45 年前，覆盖系统内核、操作系统、浏览器引擎等 269 个项目。所有漏洞均已报送国家 CNNVD/CNVD 库，智谱同步建立 Z.ai 安全披露账本，全程记录漏洞发现、确认与修复过程。

效率方面，自 GLM-5.2 引入 effort level（思考档位）控制后，GLM-5.3 在相近 Token 预算下实现了任务质量、执行速度与使用成本的更优平衡。

04. 结语：智谱、DeepSeek 等重押后训练，不换基座也能换代

实测表明，GLM-5.3 已具备在真实工程场景中交付完整产品的能力，审美判断等短板或将成为下一轮后训练优化重点。

后训练路线近期惠及多家厂商：DeepSeek-V4 正式版能力大幅提升同样得益于此。随着预训练数据与算力红利渐趋见顶，后训练正成为头部模型厂商性能突破的关键路径，其潜力远未被充分挖掘。

9 月 20-21 日，由智东西主办的 2026 全球 AI 芯片峰会将在上海举行，设开幕式及大模型 AI 芯片、Agent 推理芯片、具身智能芯片三场高峰论坛，另举办 Token 工厂异构混训混推、超节点、AI 芯片架构创新、新型存储器、大模型 KV Cache 五场技术研讨会。