GLM-5.3 深度解读：当 Post-Training 成为唯一的答案

2026年8月14日，智谱通过 Z.ai 正式发布了 GLM-5.3。https://z.ai/subscribe?ic=Y2H91IWSU3

 

这不是一次常规的版本迭代。官方博客的第一句话就定下了基调：

"Scaling post-training is all we did for GLM-5.3."

翻译过来就是：我们什么都没改，只是把 post-training 的规模拉满了。

而结果令人震惊——同一个 base model，编程能力在关键基准上提升了 6 倍，网络安全能力出现了意料之外的涌现，甚至在某些长程任务上追平或超越了闭源巨头。

一、最反直觉的发现：底座不变，能力跃迁

GLM-5.3 与 GLM-5.2 共享完全相同的基础模型。所有的提升，100% 来自 post-training 阶段的规模化。

这意味着什么？

在 LLM 领域，我们习惯了"大力出奇迹"的叙事：更大的模型、更多的参数、更长的预训练。但 GLM-5.3 给出了一个截然不同的信号——当 base model 的质量达到一定阈值后，post-training 的规模化可能带来比预训练更高的边际收益。

智谱在过去一个月里做的，是在他们已经搭建好的技术栈上持续加码：

• IndexShare：高效长上下文处理
• SAO（Self-Adaptive Optimization）with compaction：针对长程任务的强化学习
• slime：大规模异步训练框架
• 以及最关键的——海量真实工作流环境的积累与合成

二、编程能力：从"能做"到"能独立完成"

如果说 GLM-5.2 是一个"能写代码的助手"，那么 GLM-5.3 正在向"能独立完成工程任务的 Agent"进化。

数据不会说谎

表格

基准测试	GLM-5.3	GLM-5.2	提升幅度
Terminal Bench 3.0	28.3	4.6	6.1x
DeepSWE v1.1	66.9	46.2	1.4x
Agents' Last Exam	28.5	23.8	1.2x
AutomationBench	48.2	26.2	1.8x

Terminal Bench 3.0 的 6 倍跃升是最引人注目的。这个基准测试的是模型在真实终端环境中的复杂操作能力——不是写个函数那么简单，而是在一个完整的开发环境中理解上下文、执行命令、调试错误、完成多步骤任务。

从 4.6 到 28.3，意味着 GLM-5.3 从"几乎不会做"跨入了"能稳定完成"的区间。

Z.ai Code Bench：更真实的检验

智谱还公开了他们内部的 Z.ai Code Bench 数据——GLM-5.3 相比 5.2 提升了 50%。

这个基准的特殊之处在于，它不是为了刷榜设计的。它模拟的是真实用户场景：复杂的本地开发环境、多样化的任务类别、需要端到端完成的工程工作。有些任务对经验丰富的工程师来说也需要数天时间。

更重要的是，Z.ai Code Bench 是私有基准，这避免了模型在公开测试集上过拟合的问题，更能反映真实用户体验。

三、涌现的网络安全能力：意料之外的副产品

如果说编程能力的提升是预期之中，那么网络安全能力的涌现则完全出乎意料。

智谱在博客中坦承：

"As we scaled post-training, cyber capability developed faster than we expected."

漏洞发现：CyberGym SOTA

在 CyberGym 漏洞发现基准上，GLM-5.3 达到了 84.5，超越了包括 GPT-5.6 Sol（83.6）、Fable 5（83.8）在内的所有对比模型，拿下 SOTA。

漏洞利用：翻倍以上的跃升

更惊人的是在漏洞利用链（exploitation chain）上的表现：

表格

测试	GLM-5.3	GLM-5.2	提升
ExploitGym (2h)	105	29	3.6x
ExploitGym (6h)	130	39	3.3x
ExploitBench	54.4	24.4	2.2x

智谱特别指出，越往利用链的上游走，GLM-5.3 的优势越大。这意味着模型不仅能发现漏洞，还能自主构造完整的攻击链——这在两个月前还是不可想象的。

这个发现的意义远超一个基准测试的分数。它暗示了一个可能性：当 post-training 的环境足够丰富、任务足够真实时，模型可能会自发涌现出设计者未曾预料的能力。

四、他们是怎么做到的？环境即一切

GLM-5.3 的技术路线可以总结为一句话：把 post-training 的环境做得足够像真实工作，然后规模化。

从手工环境到自动合成

早期的 RLHF/RL 环境往往是手工设计的，数量有限、任务简单。但智谱意识到，当 Agent 能力提升后，瓶颈从模型转移到了环境。

一个有效的训练环境必须满足三个条件：

1. 可执行——能在真实环境中运行
2. 可验证——有明确的正确性判断标准
3. 接近真实工作——不是玩具问题，而是工程师日常面对的任务

为了规模化这个过程，智谱搭建了一套端到端的环境合成 pipeline：

• 研究 Agent 从真实工作中收集任务模式
• 将其转化为可运行的长程环境，包含多步依赖和隐藏状态
• 评判 Agent 尝试每个任务，验证其确实可解
• 验证器 在没有参考答案的情况下合成，通过 oracle、no-op 和未解决状态检查
• 发现奖励捷径并关闭，确保奖励信号的可靠性

SAO with Compaction：长程任务的秘诀

GLM-5.3 继承了 GLM-5.2 的 SAO（Self-Adaptive Optimization）策略，并加入了 compaction 机制。

这个设计的核心思想是：在长程任务中，模型需要处理的信息量巨大，如果不做压缩，上下文窗口很快会被填满。Compaction 机制让模型能够主动压缩和整理中间状态，把注意力集中在真正影响任务进展的信息上。

效果在数据上清晰可见——GLM-5.3 的提升不仅体现在短任务上，在长程任务上同样显著。这说明模型学会了"如何学习"，而不是简单地记忆了更多模式。

五、开源与定价：两周后见

智谱承诺，GLM-5.3 的权重将在发布两周后开源，待安全评估和加固完成后放出。

这延续了智谱一贯的开源策略。在闭源模型越来越强、开源社区略显疲软的当下，GLM-5.3 的出现无疑是一剂强心针——它证明了开源模型在顶级能力上仍然可以竞争，甚至在某些领域领先。

定价与生态

目前 Z.ai 的 GLM Coding Plan 定价为 $18/月 起，支持 Claude Code、Cline 等 20+ 顶级编程工具。

如果你正在考虑订阅，可以通过我的专属链接注册，享受 9 折优惠：

👉 https://z.ai/subscribe?ic=Y2H91IWSU3

六、写在最后：Post-Training 的新范式

GLM-5.3 最重要的启示，不是某个具体的分数，而是它验证了一个假设：

当 base model 足够好后，post-training 的规模化可以独立驱动能力的质变。

这改变了我们对 LLM 发展的认知。过去我们认为，提升模型能力主要靠三件事：更大的模型、更多的数据、更长的预训练。但 GLM-5.3 告诉我们，第四件事可能同样重要——更好的环境、更真实的任务、更智能的训练策略。

在某种意义上，GLM-5.3 不是在训练一个更好的语言模型，而是在训练一个更好的"数字员工"——一个能在真实工作环境中理解上下文、分解任务、执行操作、验证结果的智能体。

两周后权重开源，我很期待看到社区会用它做出什么。