Z.ai presenta GLM-5.3, su nuevo modelo de inteligencia artificial centrado en programación avanzada y en el que la propia compañía reconoce la aparición de "capacidades ciberofensivas emergentes". El anuncio, difundido por la propia empresa, destaca que el modelo conserva la misma arquitectura base que su predecesor, GLM-5.2, y que todas las mejoras provienen exclusivamente del post-entrenamiento, es decir, del ajuste realizado tras el entrenamiento inicial.
Según Z.ai, el desarrollo se apoyó en una infraestructura ya presentada con GLM-5.2: la técnica IndexShare para procesamiento eficiente de contextos largos, el algoritmo SAO para aprendizaje por refuerzo en tareas de horizonte prolongado, y el framework slime, destinado al entrenamiento asincrónico a gran escala. Sobre esta base, la compañía asegura haber escalado el número de entornos, la diversidad de tareas y el cómputo invertido durante el último mes.
El apartado de programación es donde GLM-5.3 muestra los saltos más visibles. En el benchmark Terminal Bench 3.0, el modelo pasa de 4.6 a 28.3 puntos, un incremento de más de seis veces respecto a GLM-5.2. En DeepSWE v1.1, sube de 46.2 a 66.9, y en SWE-Marathon v1.1, de 19.4 a 42.5. En métricas como ProgramBench, casi duplica los problemas resueltos (de 9.5 a 19.0), mientras que en FrontierSWE alcanza 78.1 frente a 67.5 de la versión anterior. Estos resultados, según la tabla publicada por Z.ai, lo sitúan en varios casos por delante de modelos como Kimi K3, DeepSeek-V4 Pro-0813 o Qwen3.8-Max, aunque todavía por debajo de los cerrados Claude Fable 5 y GPT-5.6 Sol en pruebas como ExploitBench o Terminal Bench 2.1.
La compañía explica que el entrenamiento se realizó en entornos que simulan unidades reales de trabajo experto, con tareas que pueden equivaler a varios días de labor para un ingeniero experimentado. Entre los escenarios descritos se incluye la concesión al modelo del mismo entorno de trabajo que un ingeniero de infraestructura de aprendizaje automático, con acceso a clústeres de cómputo, sistemas de almacenamiento, documentación interna, código fuente y resultados experimentales, con el objetivo de diagnosticar cuellos de botella, implementar optimizaciones y entregar mejoras medibles de extremo a extremo.
Para escalar este proceso, Z.ai desarrolló pipelines que sintetizan entornos completos de forma automatizada. Agentes de investigación recopilan patrones de trabajo reales y los convierten en entornos ejecutables con dependencias multi-paso y estados ocultos; un agente juez intenta después cada tarea para verificar que es resoluble. Los verificadores, según la compañía, se generan sin acceso a la solución de referencia, lo que reduce el riesgo de atajos en la señal de recompensa.
Más allá de los benchmarks públicos, Z.ai introdujo Z.ai Code Bench, una evaluación interna que mide a los agentes en escenarios cercanos al usuario real y que, según la empresa, reduce el riesgo de contaminación por exposición a pruebas públicas. En ese benchmark, GLM-5.3 alcanza un 34.5% de tareas completadas al máximo esfuerzo con unos 75.000 tokens de salida, frente al 23.4% de GLM-5.2 con 96.000 tokens. A esfuerzo alto, supera a Claude Opus 4.8 (31.4% frente a 29.5%) usando menos de la mitad de tokens, aunque se mantiene por detrás de Claude Fable 5.
El capítulo más sensible del anuncio es el de las capacidades cibernéticas. Z.ai reconoce que incorporó datos y entornos de descubrimiento de vulnerabilidades dentro del conjunto de post-entrenamiento. La compañía afirma que el modelo no solo mejoró en la identificación de fallos aislados, sino que comenzó a "razonar a través de múltiples etapas de explotación, formando planes coherentes para cadenas completas de explotación".
En los benchmarks de ciberseguridad, GLM-5.3 obtiene 84.5% en CyberGym (frente a 77.2% de GLM-5.2), 54.4% en ExploitBench (más del doble que su predecesor) y completa 105 tareas en ExploitGym en dos horas y 130 en seis horas, frente a 29 y 39 de GLM-5.2. Aun así, la propia Z.ai admite que en estos terrenos la brecha con la frontera cerrada es amplia: Claude Fable 5 resuelve 216 tareas en dos horas y 293 en seis, mientras que GPT-5.6 Sol alcanza 76.5% en ExploitBench. La compañía concluye que "la capacidad crece más rápido justo donde estamos más rezagados".
Z.ai también asegura que, en colaboración con equipos de seguridad en China, GLM-5.3 ha sido probado contra código real, identificando 2.436 vulnerabilidades en 269 proyectos, 1.097 de severidad media o alta, incluyendo núcleos de sistemas operativos, motores de navegador e infraestructura de código abierto.
El anuncio de GLM-5.3 marca un punto de inflexión en la competencia por modelos agentes especializados en programación y, al mismo tiempo, reabre el debate sobre los riesgos de diseminar sistemas con habilidades ofensivas crecientes en ciberseguridad. La propia transparencia de Z.ai al describir estos avances sugiere que la industria deberá abordar en el corto plazo tanto la gobernanza como los mecanismos de uso dual de estos modelos.