Китайський стартап Z.ai, відомий на міжнародному рівні завдяки зростаючій лінійці потужних, переважно відкритих мовних моделей серії GLM, сьогодні випустив GLM-5.3. Ця версія демонструє суттєвий прогрес у роботі з кодом на довгих дистанціях та більш значний — і потенційно чутливий — стрибок у можливостях кібербезпеки.
За даними Z.ai, GLM-5.3 вже виявила «потенційно серйозну вразливість у Cursor» — стартапі зі створення ШІ-коду, який нещодавно придбала SpaceX. Про це повідомив адвокат розробників Z.ai Лу у своєму дописі на платформі X. VentureBeat також звернувся до Cursor через X для підтвердження і очікує на відповідь.
GLM-5.3 спочатку доступна лише через план GLM Coding Plan та середовище розробки ZCode компанії. Доступ через API та відкриті ваги будуть надані пізніше, «після завершення оцінки безпеки та зміцнення», — заявили в компанії. Z.ai планує випустити ваги приблизно через два тижні після запуску.
Для корпоративних розробників важливим є не просто чергове покращення показників бенчмарків. Z.ai стверджує, що GLM-5.3 використовує ту ж базову модель, що й GLM-5.2, а покращення досягнуто виключно за рахунок масштабування після тренування на більшій кількості середовищ, різноманітних завдань та додаткових обчислювальних ресурсів для навчання з підкріпленням.
Це робить GLM-5.3 своєрідним тестом того, наскільки далеко можна розширити можливості передової базової моделі без нового дорогого циклу попереднього навчання.
«Ми зробили все для GLM-5.3, масштабуючи післятренувальний процес», — написала Z.ai у своєму технічному анонсі.
Результати свідчать про значний потенціал. Однак вони також створили незвичайну проблему для розробника відкритих моделей: за даними Z.ai, можливості кібербезпеки покращилися швидше, ніж очікувалося, зі зростанням масштабу навчання, особливо коли завдання перейшли від ідентифікації вразливостей до створення повних ланцюжків експлуатації.
Видання Reuters повідомило у п’ятницю, що Z.ai також впроваджує контроль над деякими з найпередовіших можливостей моделі, включаючи підхід «довіреного доступу» для чутливої функціональності.
Значний стрибок у кодуванні без нової базової моделі
GLM-5.3 базується на моделі масштабу 743 мільярди параметрів, що стоїть за GLM-5.2, а не замінює її. Натомість Z.ai розширила систему післятренування, яку вже було зібрано навколо навчання з підкріпленням на довгих дистанціях.
Ці середовища все більше нагадують повні інженерні завдання, а не ізольовані вправи з програмування.
Z.ai описує сценарії, в яких агент отримує доступ до кодових баз, документації, обчислювальних кластерів, систем зберігання даних та експериментальних результатів, а потім має діагностувати проблеми, модифікувати системи, проводити експерименти та демонструвати вимірні покращення, зберігаючи коректність. Деякі завдання розроблені так, щоб наблизитися до кількох днів роботи досвідченого інженера.
Такий підхід забезпечив значні поколіннєві покращення у звітах Z.ai.
GLM-5.3 піднялася з 4.6 до 28.3 на Terminal-Bench 3.0, з 46.2 до 66.9 на DeepSWE v1.1 та з 26.2 до 48.2 на AutomationBench. На Agents’ Last Exam CLI показник покращився з 23.8 до 28.5.
Модель не домінує над усіма конкурентами. Таблиця бенчмарків Z.ai показує, що GPT-5.6 Sol має 34.6, а Claude Fable 5 — 33.7 на Terminal-Bench 3.0, порівняно з 28.3 у GLM-5.3. На DeepSWE v1.1 GLM-5.3 набрала 66.9, тоді як GPT-5.6 Sol — 72.7, а Fable 5 — 69.7.
Однак Z.ai також наголошує на ефективності, а не лише на позиції в рейтингу.
На власному бенчмарку Z.ai Code Bench GLM-5.3 досягає 34.5% результату на максимальному налаштуванні міркувань, споживаючи приблизно 75 000 вихідних токенів на завдання. GLM-5.2 досягає 23.4% при споживанні приблизно 96 000. При високому навантаженні GLM-5.3 досягає 31.4% приблизно за 50 000 вихідних токенів, порівняно з 29.5% у Claude Opus 4.8, що використовує 120 000, за даними Z.ai.
Оскільки Code Bench є власним приватним оцінюванням Z.ai, ці порівняння слід розглядати як результати, надані компанією, а не як незалежні вимірювання. Проте зменшення споживання токенів при покращенні виконання завдань є операційно важливим для підприємств, що впроваджують кодувальні агенти, де тривалі цикли можуть швидко призвести до зростання витрат на виведення та затримки.
Можливості кібербезпеки розроблені швидше, ніж очікувала Z.ai
Більш незвичайним розвитком подій є кібербезпека.
Z.ai включила середовища для виявлення вразливостей до післятренувальної суміші GLM-5.3, очікуючи, що модель покращиться у пошуку програмних недоліків. Натомість компанія стверджує, що можливості почали розвиватися далі по ланцюжку експлуатації.
«У міру масштабування післятренування, можливості кібербезпеки розвивалися швидше, ніж ми очікували», — написала Z.ai.
На CyberGym, який тестує виявлення та валідацію вразливостей на вихідному коді, GLM-5.3 набрала 84.5%, порівняно з 77.2% у GLM-5.2. Це також перевершує заявлені Z.ai показники GPT-5.6 Sol (83.6%) та Mythos 5 (83.8%).
Перевага не поширюється на весь стек експлуатації. GLM-5.3 набрала 54.4% на ExploitBench, що більш ніж удвічі перевищує 24.4% у GLM-5.2, але залишається значно позаду 76.5%, які Z.ai повідомляє для GPT-5.6 Sol, та 78% для Mythos 5.
Аналогічно, на ExploitGym GLM-5.3 виконує 105 завдань за нормалізованого бюджету в дві години та 130 — за шість годин, порівняно з 29 та 39 для GLM-5.2. Fable 5 досягає 181 та 247, тоді як GPT-5.6 Sol — 216 та 293.
Напрямок розвитку може бути важливішим, ніж позиція в рейтингу.
Z.ai повідомляє, що робота з командами безпеки в Китаї призвела до 2436 виявлень вразливостей у 269 проектах після експертного огляду, скринінгу та дедуплікації. Її реєстр розкриття інформації містить 1097 випадків критичної або високої серйозності, з 53 публічно розкритими та 2383, які ще перебувають під ембарго на момент випуску.
Це створює напругу, з якою все частіше стикаються постачальники передових моделей: ті ж самі можливості агентів на довгих дистанціях, які роблять моделі кориснішими для розробки програмного забезпечення, можуть також зробити їх кращими дослідниками безпеки — і потенційно більш кваліфікованими операторами з точки зору наступальних дій.
GLM-5.3 також вимагає від розробників зміни способу виклику моделі
Розробники, які мігрують існуючі додатки GLM, повинні звернути увагу на зміну поведінки API.
GLM-5.3 підтримує три рівні зусиль міркування — низький, високий та максимальний. Максимальний є стандартним і рекомендованим Z.ai для кодування. Але, на відміну від попередніх випусків, міркування не можна вимкнути.
Додатки, які зараз надсилають `thinking.type: “disabled”`, повинні змінити значення на `enabled` і вказати зусилля міркування перед тим, як переключити ідентифікатор моделі на GLM-5.3. Інакше, за словами Z.ai, запит не вдасться.
Це робить GLM-5.3 справжньою міграцією, а не просто заміною назви моделі для деяких виробничих додатків.
Від GLM-4.5 до GLM-5.3: швидкий рух Z.ai до інженерії на основі агентів
GLM-5.3 є останнім кроком у швидкій трансформації Z.ai — раніше відомої як Zhipu AI — у бік кодувальних агентів та довготривалих автономних інженерних навантажень.
GLM-4.5, випущена в липні 2025 року, заклала значну частину цього напрямку. Модель mixture-of-experts з 355 мільярдами параметрів була розроблена для поєднання міркувань, кодування та агентських можливостей, тоді як менша GLM-4.5-Air мала 106 мільярдів параметрів. Z.ai випустила моделі з відкритими вагами і наголошувала на інтеграції з фреймворками агентів.
GLM-4.6, що вийшла у вересні, розширила контекст зі 128 000 до 200 000 токенів і була спрямована на кодування, використання інструментів та агентські робочі процеси в середовищах, включаючи Claude Code, Cline, Roo Code та Kilo Code. Z.ai також почала надавати більше уваги ефективності токенів в реальних оцінках кодування, а не лише продуктивності бенчмарків.
Більш значний архітектурний стрибок стався з GLM-5 у лютому 2026 року. Z.ai збільшила масштаб моделі з 355 мільярдів параметрів GLM-4.5 до 744 мільярдів, з 40 мільярдами активних параметрів, і збільшила дані попереднього навчання до 28.5 трильйонів токенів. Вона також представила свою інфраструктуру асинхронного навчання з підкріпленням «slime» і явно перепозиціонувала сімейство GLM навколо «агентної інженерії» та довготривалих завдань.
До червня GLM-5.2 перетворила цю стратегію на більш пряму пропозицію для підприємств. Модель з 753 мільярдами параметрів мала стабільне контекстне вікно на 1 мільйон токенів, відкриті ваги під ліцензією MIT та підтримку в понад 20 середовищах кодування. Вона також представила IndexShare, який повторно використовує індексатор через шари розрідженої уваги для зменшення обчислювального навантаження дуже довгих контекстів.
GLM-5.2 коштувала 1.40 долара за мільйон вхідних токенів API та 4.40 долара за мільйон вихідних токенів, при цьому кешований вхід коштував значно менше, позиціонуючи Z.ai як технічного та цінового конкурента пропрієтарних передових лабораторій.
Амбіції Z.ai розширюються і за межі розробки моделей. Минулого місяця Reuters повідомило, що Zhipu AI залучила приблизно 31.4 мільярда гонконгських доларів, або близько 4 мільярдів доларів, через продаж акцій у Гонконзі. Кошти призначені для таких сфер, як дослідження та розробки, обчислювальна інфраструктура, таланти та розширення бізнесу.
Загалом, випуски демонструють послідовний прогрес: GLM-4.5 об’єднала міркування, кодування та агентів; GLM-5 суттєво масштабувала базову модель; GLM-5.2 зайнялася довготривалим контекстом та інженерією на довгих дистанціях; а GLM-5.3 тепер намагається видобути значно більше можливостей з тієї ж основи шляхом післятренування.
Ціни, ZCode та доступність
GLM-5.3 доступна зараз через GLM Coding Plan та ZCode від Z.ai.
ZCode — це власне середовище кодувальних агентів компанії, яке підтримує довготривалі завдання «Goal», що планують, реалізують, тестують і перевіряють роботу. Воно також пропонує віддалене керування запущеними завданнями та доступне для macOS, Windows та Linux.
Індивідуальні плани GLM Coding Plan наразі починаються з акційної ціни 12.60 доларів США на місяць за тариф Lite з 10 000 кредитів на тиждень. Pro коштує 56 доларів США на місяць, забезпечуючи в шість разів більше використання, ніж Lite, тоді як Max коштує 117.60 доларів США на місяць, забезпечуючи в 14 разів більше використання, ніж Lite. Місця Team Standard та Premium коштують 88 та 188 доларів США на користувача на місяць відповідно.
Z.ai також перевела Coding Plan на систему квот на основі балів, яка окремо враховує вхідні, кешовані вхідні та вихідні токени. Виклики поза піковим періодом буднього дня компанії споживають 50% звичайних балів.
Компанія ще не надала загальних цін на API GLM-5.3 у наданих матеріалах для запуску, що ускладнює пряме порівняння загальної вартості виробничого API з GLM-5.2 або конкуруючими передовими моделями до моменту появи поетапного доступу до API.
Цей поетапний випуск може виявитися найважливішою частиною GLM-5.3.
Z.ai провела минулий рік, просуваючи стратегію відкритих моделей, зосереджену на дозвільних вагах, низькій вартості виведення та сумісності з існуючими екосистемами кодувальних агентів. GLM-5.3 демонструє, що відбувається, коли ця стратегія надто добре спрацьовує в одній чутливій галузі: краща автономна інженерія також означає кращі автономні дослідження безпеки.
Результатом є модель, яка просуває інженерні амбіції Z.ai, одночасно змушуючи компанію зіткнутися з тим самим компромісом між можливостями та доступом, з яким стикаються найбільші закриті передові лабораторії.
Для корпоративних розробників GLM-5.3 заслуговує на увагу з двох причин. Її результати в галузі кодування надають ще один доказ того, що все більш потужні агенти можуть з’являтися завдяки кращому післятренуванню та середовищам без постійного перебудови базової моделі. Її результати в галузі кібербезпеки показують, чому прийняття рішень щодо розповсюдження цих агентів може стати не менш важливим, ніж прийняття рішень щодо їх навчання.
Джерело новини: venturebeat.com