摘要：
GLM-5.3 是智谱AI于2026年8月推出的旗舰级开源大模型，以编程能力与网络安全能力为两大核心支柱。模型采用MoE架构，总参数量达7430亿，主要面向代码生成与审计、漏洞挖掘... GLM-5.3 是智谱AI于2026年8月推出的旗舰级开源大模型，以编程能力与网络安全能力为两大核心支柱。模型采用MoE架构，总参数量达7430亿，主要面向代码生成与审计、漏洞挖掘、Agent长程推理等专业场景。发布两周后即开放完整权重，支持企业安全团队、研发组织及个人开发者进行本地化部署与二次开发。
相比上一代GLM-5.2，编程体感提升约50%；在CyberGym基准上取得84.5%的成绩，与GPT-5.6 Sol持平；在漏洞发现与代码安全审计维度上，相较同期发布的Kimi K3展现出明显优势。
基础档案
| 项目 | 详情 |
|---|---|
| 研发方 | 北京智谱华章科技股份有限公司（智谱AI） |
| 发布时间 | 2026年8月14日 |
| 参数体量 | 7430亿，MoE混合专家架构 |
| 核心能力 | 代码编写、安全审计、漏洞发现、Agent推理 |
| 开源节奏 | 发布两周后开放完整模型权重 |
| 体验入口 | ZCode、AutoClaw、扣子、WorkBuddy/CodeBuddy等 |
| 产品定位 | 面向编程与网络安全的开源旗舰模型 |
| 目标人群 | 企业安全工程师、研发团队、独立开发者、白帽研究者 |
核心能力与实测表现
以下数据均来自智谱AI官方技术报告及红队合作团队的实测结果。
编程能力跃升
编程是GLM-5.3相较前代提升最为显著的模块。在Terminal-Bench 3.0（终端命令行任务执行评测）中取得28.3分，位居开源模型第一，明显高于同期Kimi K3的17.4分。DeepSWE v1.1（真实软件工程任务基准）得分从GLM-5.2的46.2跃升至66.9。智谱内部主观测评显示，编程体验已接近Claude Fable 5，在国产开源模型中处于领先位置。
网络安全差异化优势
白帽代码安全审计是GLM-5.3的核心差异化卖点。CyberGym（代码审计与漏洞发现基准）得分84.5%，持平甚至略超Mythos 5（83.8%）和GPT-5.6 Sol（83.6%）。ExploitBench（漏洞利用推理基准）达到54.4%，是GLM-5.2（24.4%）的两倍有余。ExploitGym（6小时漏洞挖掘吞吐测试）完成130项任务，相较前代的39项提升约3.3倍。
不过在深度漏洞利用层面，开源模型与头部闭源模型之间仍有差距：ExploitBench低于Mythos 5的78.0%，ExploitGym吞吐量也落后于Mythos 5的247项。
Token效率突出
在High档位设定下，GLM-5.3仅需约5万tokens即可完成单任务输出，达到Claude Opus 4.8需消耗12万tokens才能实现的准确率。更短的执行路径意味着更低的API调用成本，对高频使用的开发团队尤为有利。
Agent长程任务能力
GDPval-AA v2（覆盖44种职业的真实任务基准）得1769分。模型具备跨文件理解、项目级代码修改和问题定位等能力，已从"辅助写代码"演进为"参与软件工程全流程"的智能体。
红队实战验证成果
发布前两周，智谱联合清华大学、南开大学、奇安信、腾讯玄武等机构开展红队测试，累计发现2404个潜在漏洞，覆盖269个项目。其中最受关注的是一个潜伏40余年的DNS协议级零日漏洞——攻击者仅需少量特殊请求即可将服务器压力放大近8万倍，潜在影响超1000万处公网DNS服务。
GLM-5.3 vs Kimi K3 横向对比
| 对比维度 | GLM-5.3 | Kimi K3 |
|---|---|---|
| 开发方 | 智谱AI | 月之暗面 |
| 模型定位 | 编程+安全双特化 | 通用编程+Agent均衡 |
| 开源状态 | 两周后权重开源 | 已开源 |
| Terminal-Bench 3.0 | 28.3 | 17.4 |
| DeepSWE | 66.9 | 67.5 |
| Agents' Last Exam | 28.5 | 27.6 |
| CyberGym | 84.5% | 80.0% |
| ExploitBench | 54.4% | 32.2% |
| ExploitGym（6h任务数） | 130 | 70 |
两者均为2026年8月发布的国产开源模型，但路径分化明显。GLM-5.3在安全维度的优势是全方位的——CyberGym高出4.5个百分点，ExploitBench高出22个百分点，ExploitGym任务数接近翻倍。编程层面两者互有胜负，Kimi K3在DeepSWE上以67.5略胜66.9。若核心诉求是代码安全审计与漏洞挖掘，GLM-5.3是明确的首选；若侧重通用编程与Agent任务，两者差距不大。
适用场景与推荐人群
GLM-5.3的能力分布呈明显特化特征，以下三类场景受益最为直接：
企业安全团队：代码安全审计、渗透测试辅助、漏洞复现与验证。CyberGym和ExploitBench的高分可直接转化为生产力，红队发现的2404个漏洞也从实战角度验证了其可靠性。
软件研发团队：跨文件代码修改、项目级问题定位等多步骤工程任务。GDPval-AA v2的高分表明其适合承担复杂Agent工作流，而不仅是单段代码补全。
个人开发者与安全研究者：编程辅助、白帽技能学习、开源模型研究与微调。权重开放后可进行本地部署和定制化训练。
适合切换的人群：安全工程师、渗透测试人员、全栈开发者、AI Agent开发者。若日常使用场景主要是写作、问答、翻译等通用任务，GLM-5.2或轻量版已足够，无需急于升级。
使用方式
官方工具：通过ZCode或AutoClaw直接体验。8月14日13:00起，GLM Coding Plan全员额度已重置。
第三方平台：已在扣子、WorkBuddy/CodeBuddy、Qoder/QwenWork等平台开放，开发者可在熟悉的环境中调用。
API与本地部署：API服务随发布上线；完整权重计划两周后开放。安全相关的高级能力仅通过受信访问计划向验证用户开放。
开源策略与已知局限
分层开源机制：
发布两周后开放完整模型权重，期间完成安全评估与加固
敏感攻击能力仅向通过身份审核的受信用户开放，防御能力对开源社区全面开放——此举旨在降低滥用风险
红队发现的2404个漏洞已提交CNNVD、CNVD等国家漏洞库，覆盖269个项目
已知不足：
基座未更新：与GLM-5.2共用基座（同属GLM-5.1系列），全部提升来自后训练，基座智能上限是否接近瓶颈尚不明朗
深度安全仍落后闭源：ExploitBench 54.4% vs Mythos 5的78.0%，ExploitGym 130项 vs Mythos 5的247项
Terminal-Bench绝对分数偏低：28.3虽为开源最佳，但落后于GPT-5.6 Sol的34.6
常见问题
GLM-5.3相比GLM-5.2提升了什么？
基座相同，全部提升来自后训练Scaling。编程体感提升50%，CyberGym从77.2%升至84.5%，ExploitBench从24.4%翻倍至54.4%，ExploitGym吞吐量提升3–4倍。
GLM-5.3和Kimi K3如何选择？
安全相关需求选GLM-5.3（CyberGym 84.5% vs 80.0%，ExploitBench 54.4% vs 32.2%）；通用编程和Agent任务两者互有高低（DeepSWE 66.9 vs 67.5），可按偏好选择。
安全能力能否直接使用？
最敏感的攻击能力仅通过受信访问计划向验证用户开放，需身份审核。普通用户可使用编程和代码安全审查功能，防御能力对社区开放。
何时开源？如何部署？
发布两周后开放权重。目前可通过ZCode、AutoClaw、扣子、WorkBuddy/CodeBuddy等平台使用，API同步上线。
本地部署需要多少算力？
7430亿参数MoE架构，FP8全量部署约需800GB显存（如8卡H20/H800服务器），INT4量化后约400GB。以上为工程估算值，具体以官方开源文档为准。个人开发者建议优先使用API或第三方平台。