GLM-5.3未改变基础模型——其编码能力提升从何而来？
内容提要
Z.ai发布GLM-5.3编码与智能体模型，性能较前代提升50%，在终端基准和DeepSWE测试中大幅进步，支持百万级上下文。模型强化后训练，专注实际工作环境，但API定价未公布，旧版本调用自动重定向至新模型，影响对比测试。网络安全能力增强，但漏洞利用仍逊于竞品，权重两周后开放。
延伸解读
后训练扩展的启示
GLM-5.3与GLM-5.2共享基础模型，性能提升主要来自后训练阶段的强化，包括十倍于前代的长任务环境和完整软件生命周期的模拟。这印证了后训练计算扩展的潜力，与DeepSeek通过优化后训练而非增加参数实现性能超越的思路一致。对开发者而言，这意味着在评估模型时，应关注后训练策略对实际任务的影响，而非仅看参数规模。
基准测试的解读需谨慎
GLM-5.3在Terminal-Bench和DeepSWE等基准上进步显著，但部分数据来自厂商自报，且与竞品的对比受测试环境差异影响。例如，DeepSWE得分与Gemini 3.7 Flash接近，但直接比较需谨慎。建议等待权重开放后，在本地或第三方测试中验证实际性能，避免仅依赖厂商公布的基准数字。
模型迁移的兼容性陷阱
在Z.ai的Coding Plan中，调用GLM-5.2或GLM-5.1的请求会自动重定向至GLM-5.3，这为开发者带来便利，但也可能干扰A/B测试的准确性。若需对比新旧版本，务必检查实际返回的模型ID，确保测试环境的一致性。此外，GLM-5.3的API定价尚未公布，使用前需关注成本变化。
网络安全能力的边界
GLM-5.3在漏洞发现和代码审查方面表现突出，CyberGym得分超过部分竞品，但在漏洞利用环节仍明显落后。这表明模型擅长安全分析的前期阶段，但实际利用和修复能力有限。在评估其安全用途时，应区分发现与利用的差异，避免高估其端到端能力。
Q&A
GLM-5.3相比GLM-5.2在编码性能上提升了多少？
根据Z.ai的内部Code Bench，GLM-5.3相比GLM-5.2性能提升了50%。
GLM-5.3在Terminal-Bench 3.0上的得分是多少？
GLM-5.3在Terminal-Bench 3.0上的得分为28.3，而GLM-5.2为4.6。
GLM-5.3的上下文窗口大小是多少？
GLM-5.3支持100万token的上下文窗口和128,000 token的完成上限。
GLM-5.3在网络安全方面的表现如何？
GLM-5.3在CyberGym上得分84.5%，高于GLM-5.2的77.2%，并略超Mythos 5（83.8%）和GPT-5.6 Sol（83.6%）。但在ExploitBench上得分54.4%，仍落后于Mythos 5（78%）和GPT-5.6 Sol（76.5%）。
GLM-5.3的API定价是多少？
Z.ai尚未公布GLM-5.3的官方API定价。在Coding Plan中，GLM-5.3的输入、缓存输入和输出token的乘数高于GLM-4.7，但有50%的off-peak折扣。
GLM-5.3的模型权重何时开放？
Z.ai计划在两周的安全加固和测试后发布GLM-5.3的模型权重。
GLM-5.3在Coding Plan中调用旧版本模型会怎样？
根据Z.ai文档，Coding Plan中调用GLM-5.2或GLM-5.1的请求会自动重定向到GLM-5.3，这可能会影响A/B对比测试的准确性。
GLM-5.3的训练有何特点？
GLM-5.3显著扩展了后训练，暴露于十倍多的长时任务环境，并模拟完整软件生命周期，包括识别bug、编写修复、运行测试和交付结果。Z.ai将计算集中在模型实际工作的特定环境上。
