TL;DR:
- Z.ai lanzó GLM-5.3 el 14 de agosto de 2026 con el mismo modelo base de GLM-5.2: todo el avance, dice la compañía, salió de escalar el post-entrenamiento.
- Reporta 84.5% en CyberGym contra 83.8% de Mythos 5 y 83.6% de GPT-5.6 Sol, pero en ExploitBench queda 23.6 puntos por debajo de Mythos 5.
- De los 2,436 fallos que su libro mayor atribuye al programa, 53 son públicos y 2,383 siguen bajo embargo.
Z.ai lanzó el viernes 14 de agosto de 2026 GLM-5.3, su nuevo modelo de programación, que corre sobre el mismo modelo base de GLM-5.2: toda la mejora, según la compañía, salió del post-entrenamiento. La cifra que la empresa de Beijing puso al frente es de ciberseguridad: 84.5% en CyberGym contra 83.8% de Mythos 5, de Anthropic, y 83.6% de GPT-5.6 Sol, de OpenAI. La ventaja es de 0.7 puntos y está en la prueba del primer escalón del trabajo ofensivo, identificar y validar una falla leyendo el código fuente. En las dos pruebas que exigen llegar al final de la cadena de explotación, GLM-5.3 queda detrás por márgenes amplios, y Z.ai lo consigna en su anuncio. Los pesos aún no son públicos: llegarán en unas dos semanas.
Z.ai no tocó el modelo base y aun así multiplicó por seis un benchmark
La documentación de Z.ai describe el modelo base de esta familia como una arquitectura mixture-of-experts de 744,000 millones de parámetros, de los que 40,000 millones se activan por token. Ese modelo no se volvió a entrenar. Lo que la compañía escaló fue el post-entrenamiento: más entornos de tarea, más tipos de entorno y más tiempo de entrenamiento sobre la misma pila que estrenó GLM-5.2, formada por IndexShare para contexto largo, el método de aprendizaje por refuerzo SAO para tareas de largo recorrido y el framework de código abierto slime. Según The New Stack, GLM-5.3 vio diez veces más entornos de tarea larga que su antecesor.
Los entornos imitan unidades de trabajo profesional y no ejercicios de programación. Z.ai describe uno en el que el modelo entra al puesto de un ingeniero de infraestructura de aprendizaje automático, con acceso a clústeres, documentación interna, código y resultados de experimentos, y debe diagnosticar cuellos de botella y entregar una mejora medible de punta a punta. Algunas tareas, dice la empresa, equivalen a varios días de trabajo de un ingeniero con experiencia.
Los números de programación siguen esa lógica: los saltos más grandes están donde las tareas duran más. Terminal-Bench 3.0 pasó de 4.6 a 28.3, algo más de seis veces la cifra anterior. DeepSWE v1.1 subió 20.7 puntos, de 46.2 a 66.9. Agents' Last Exam en su variante de línea de comandos avanzó de 23.8 a 28.5. En GDPval-AA v2, que cubre 44 ocupaciones, el modelo anota 1,769.
La comparación de eficiencia va aparte. En Code Bench, la evaluación interna que Z.ai mantiene privada para evitar contaminación con conjuntos de prueba públicos, GLM-5.3 obtiene 31.4% gastando unos 50,000 tokens de salida por tarea, contra 29.5% de Claude Opus 4.8 con 120,000: mejor resultado con menos de la mitad de los tokens de salida. Claude Fable 5 sigue arriba con 39.5% a máximo esfuerzo. En las suites públicas más duras, GPT-5.6 Sol y Fable 5 conservan la delantera.
La ventaja sobre Mythos 5 dura una sola prueba
Las tres pruebas de ciberseguridad que Z.ai reporta miden etapas distintas del mismo trabajo. CyberGym pregunta si el modelo identifica y valida una vulnerabilidad teniendo el código fuente a la vista. ExploitBench exige razonar la causa raíz y construir un exploit que funcione. ExploitGym cuenta cuántas tareas de explotación completa dentro de un presupuesto de tiempo fijo. Ordenadas así, el resultado cambia de signo:
| Prueba | GLM-5.2 | GLM-5.3 | Mythos 5 |
|---|---|---|---|
| CyberGym (identificar y validar) | 77.2% | 84.5% | 83.8% |
| ExploitBench (causa raíz y exploit funcional) | 24.4% | 54.4% | 78.0% |
| ExploitGym (tareas resueltas en 2 horas) | 29 | 105 | 181 |
El avance frente a GLM-5.2 es real y grande en las tres: ExploitBench más que se duplicó y ExploitGym se multiplicó por 3.6. Pero la distancia con el modelo cerrado se abre conforme la tarea se acerca al final de la cadena. En ExploitBench la brecha es de 23.6 puntos. En ExploitGym, GLM-5.3 resuelve el 58% de lo que resuelve Mythos 5 en dos horas y baja al 52.6% cuando el presupuesto sube a seis, así que el tiempo extra favorece al modelo cerrado. GPT-5.6 Sol también queda por delante en ExploitBench, con 76.5%, según The New Stack.
Z.ai no oculta el patrón: dice que la capacidad crece más cuanto más profundo está el benchmark, y que la brecha con la frontera cerrada se ensancha en la misma dirección. La compañía también sostiene que ese resultado no estaba planeado. Introdujo datos y entornos de descubrimiento de vulnerabilidades esperando que el modelo mejorara al analizar fallos sueltos, y lo que apareció, según su anuncio, fue un modelo que empieza a planear cadenas de explotación completas.
Todas estas cifras son reportadas por el fabricante y corridas en sus propios entornos de evaluación. Ningún evaluador independiente ha tenido acceso a los pesos que harían falta para reproducirlas.
Un libro mayor con 2,436 hallazgos y 53 públicos
La prueba de campo que Z.ai ofrece está en cvd.z.ai, un registro público de divulgación coordinada. Sus contadores dan 2,436 vulnerabilidades registradas en 269 proyectos de código abierto, con un rango de afectación de 45 años: el defecto más antiguo se remonta a 1981 y cada fallo llevaba, en promedio, 26.6 años sin detectarse.
El desglose por severidad del propio registro corrige una cifra que circuló redondeada. Los hallazgos críticos son 107; los de riesgo alto, 990. La suma de esos dos renglones es el 1,097 que se repitió como "críticos". El resto son 1,286 de riesgo medio y 53 bajos.
Otro contador decide cuánto de todo esto puede comprobarse hoy: 53 hallazgos son públicos y 2,383 siguen sin divulgar, el 97.8% del registro. Los públicos tienen CVE asignado y se revisan uno por uno; entre ellos hay fallos en el kernel de Linux, en el motor WebKit que usa Safari, en FreeBSD, en GStreamer, en Suricata y en Joomla. Los otros 2,383 avanzan por los estados que el propio registro define, de reportado a enviado al mantenedor, confirmado y corregido, pero sus detalles no son consultables mientras dure el embargo.
El registro tampoco atribuye el trabajo a un solo actor. Su filtro de descubridores lista once entradas, entre ellas nsfocus, Clouditera Security, el laboratorio NASP de la Universidad Tsinghua y el laboratorio AOSP de la Universidad Nankai, además de investigadores a título individual; Z.ai Security es una de esas once. Y su filtro de herramienta de prueba ofrece tres opciones: Vulcanix, VulnForge y Claude Code, el cliente de Anthropic que Z.ai admite como puerta de entrada a sus propios modelos. El registro no consigna qué modelo corrió dentro de cada herramienta.
La ambivalencia no es exclusiva de Z.ai. La misma capacidad que encadena una explotación es la que saca a la superficie errores de cuatro décadas para que alguien los parche, y del lado defensivo Coinbase, Block y BitGo ya pidieron acceso a modelos de frontera para cerrar la brecha con los atacantes.
Qué se puede usar hoy y qué llega en dos semanas
GLM-5.3 está disponible desde el lanzamiento en el GLM Coding Plan y funciona con Claude Code, Cline, OpenCode y Codex, además del ZCode de la propia compañía. Los suscriptores del plan ya fueron actualizados, y The New Stack señala una consecuencia práctica: las llamadas dirigidas a GLM-5.2 o GLM-5.1 dentro del plan se redirigen de forma automática a GLM-5.3, así que quien quiera comparar versiones tiene que revisar el identificador de modelo que devuelve su agente.
El modelo admite una ventana de contexto de un millón de tokens y un techo de 128,000 tokens de salida, con tres niveles de esfuerzo de razonamiento (bajo, alto y máximo), y el máximo viene activado por defecto. La capa de razonamiento ya no se puede desactivar, un cambio que rompe las aplicaciones que corrían con ella apagada. El precio por token del API no se publicó en el lanzamiento.
La espera de dos semanas es lo que separa a este lanzamiento de los anteriores. Los pesos de GLM-5.2 llegaron a Hugging Face con licencia MIT a los pocos días de su lanzamiento comercial; los de GLM-5.3 quedan retenidos hasta que Z.ai termine su evaluación de seguridad y su endurecimiento, y la compañía liga esa pausa de forma explícita a la capacidad ofensiva que dice no haber previsto. El plan de suscripción con el que hoy se distribuye el modelo viene del capítulo anterior de esta historia.
Alejandro Castillo Leone
Z.ai llega a este lanzamiento con ingresos recurrentes anuales de 1,000 millones de dólares, según Caixin, y cotizando en Hong Kong. En el anuncio, según lo que publicó el South China Morning Post, la compañía pide que el desarrollo de la IA sea una tarea de colaboración entre países y no el trabajo de uno solo. La parte abierta de GLM-5.3 queda para el final de ese calendario.
Cuando los pesos salgan, previsiblemente hacia finales de agosto de 2026, dos cosas se podrán comprobar por primera vez: si los saltos de benchmark sobreviven fuera de los entornos de evaluación de Z.ai y qué tan lejos llega la capacidad ofensiva en manos de cualquiera que descargue el archivo. Hasta entonces, la parte comprobable de esta historia son 53 fallos con CVE.
