Z.ai afirma que GLM‑5.3 supera a su predecesor en pruebas de ciberseguridad
Z.ai ha anunciado que el modelo de inteligencia artificial GLM‑5.3, entrenado para programar, muestra mejoras notables en tareas de ciberseguridad respecto a la versión anterior GLM‑5.2. El salto se observó durante el último mes, cuando la compañía amplió entornos, diversificó tareas y destinó más capacidad de cómputo a simulaciones largas similares a las que afrontaría un ingeniero. El entrenamiento no implicó un modelo base nuevo; GLM‑5.3 parte del mismo núcleo que GLM‑5.2 y todas las mejoras provienen del post‑training. En esta fase se introdujeron deliberadamente datos y entornos orientados a descubrir vulnerabilidades, con el objetivo de pasar de la simple detección a la explotación de fallos. Para medir el progreso, la empresa utilizó tres suites de pruebas: CyberGym, que evalúa la capacidad de reproducir vulnerabilidades mediante pruebas de concepto; ExploitBench, que mide la capacidad de avanzar desde la generación de fallos hasta la lectura, escritura o ejecución arbitraria de código; y ExploitGym, centrada en completar tareas de explotación. Los resultados publicados revelan un patrón claro: cuanto más avanzan las pruebas en la cadena de explotación, mayor es la diferencia frente a GLM‑5.2. En CyberGym, GLM‑5.3 eleva su puntuación del 77,2 % al 84,5 %. En ExploitBench, la mejora pasa del 24,4 % al 54,4 %. En ExploitGym, el modelo completa 105 tareas con un presupuesto de dos horas y 130 con seis horas, frente a las 29 y 39 tareas de su predecesor. Z.ai interpreta este comportamiento como una señal de que las fases más avanzadas del proceso de explotación progresaron especialmente rápido. Al comparar GLM‑5.3 con Mythos 5 de Anthropic (versión de Claude Fable 5 sin salvaguardas de ciberseguridad), los números indican que GLM‑5.3 supera ligeramente a Mythos 5 en CyberGym (84,5 % frente a 83,8 %). Sin embargo, en la fase de explotación, el modelo de Anthropic alcanza un 78 % en ExploitBench frente al 54,4 % de GLM‑5.3, y completa 181 tareas en ExploitGym frente a las 105 del modelo chino. Estas cifras sugieren que GLM‑5.3 ya compite en la detección inicial de vulnerabilidades, pero todavía queda rezagado frente a los mejores modelos cerrados en la conversión de esas vulnerabilidades en ataques funcionales.