智谱GLM-5.3网络安全能力三重评估：发现领先、利用落后

漏洞发现领先，但利用能力明显滞后

智谱AI（Z.ai）于8月14日发布编码优化大模型GLM-5.3，并在其技术发布说明中披露了三项网络安全基准测试结果。其中，CyberGym测试聚焦‘漏洞发现’——即模型能否从源代码中识别可利用缺陷并验证其真实性。GLM-5.3在此项取得84.5%准确率，略高于Anthropic Mythos 5的83.8%和OpenAI GPT-5.6 Sol的83.6%。这一微弱优势（0.7个百分点）成为多数报道的核心 headline。

然而，另两项更贴近真实攻防场景的测试却呈现截然不同图景。ExploitBench要求模型不仅识别漏洞，还需推理其实际利用路径；GLM-5.3得分为54.4%，不足Mythos 5（78.0%）和GPT-5.6 Sol（76.5%）的七成。ExploitGym则衡量单位时间内完成的完整利用任务数：在2小时时限内，GLM-5.3完成105项，而Mythos 5完成181项；6小时时限下，前者为130项，后者达247项。智谱在说明中明确指出：‘测试越靠近漏洞利用链条下游，我方模型相对差距越大’。

测试方法与比较对象存在多重模糊性

报道混淆部分源于智谱在不同章节使用了Anthropic的不同模型作为参照：主基准表对比的是Claude Opus 4.8；性能图表采用Fable 5；网络安全专项则切换至Mythos 5。三者并非同一模型迭代版本，亦无公开可比性声明。在编码能力方面，GLM-5.3对Opus 4.8呈部分领先、部分落后态势；智谱亦坦承，其模型在内部编码基准上仍落后于Claude Fable 5。

更值得注意的是测试执行环境：所有网络安全评测（含CyberGym、ExploitGym等）均在Anthropic开发的Claude Code 2.1.207代理环境中运行。这意味着，一个中国开源权重模型的前沿能力评估，实际依赖于美国公司构建的工具链基础设施。

单次运行结果与未公开参数削弱结论稳健性

CyberGym的84.5%得分基于单次运行（pass@1），覆盖1507个任务，原文未提供标准差或多次运行结果，0.7个百分点的领先缺乏统计显著性支撑。此外，ExploitGym的时间归一化处理引用了Artificial Analysis的吞吐率数据，并列出了GLM-5.3、Kimi K3及Qwen3.8 Max的重标度系数，但Mythos 5的对应系数却未予披露，影响横向可比性。

真实代码库验证：269个项目发现2436个漏洞

除基准测试外，智谱联合中国多家安全团队，在269个开源项目真实代码库中部署GLM-5.3进行扫描，共识别出2436个漏洞，按CVSS严重程度划分：107个‘严重’（Critical）、990个‘高危’（High）、1286个‘中危’（Medium）、53个‘低危’（Low）。最古老漏洞可追溯至2004年，印证模型对历史遗留风险具备一定感知能力。需注意，该结果未说明人工复核比例、误报率及修复验证情况。

编者观点： benchmark领先不等于实战优势，工具链依赖暴露生态短板

单一漏洞发现指标的短暂领先易被放大为技术代差，但智谱主动披露的‘发现—利用’能力断层，恰恰反映当前国产大模型在安全推理纵深上的真实瓶颈；更值得警惕的是，评测高度依赖海外Agent工具链，凸显我国在AI原生开发与安全协同基础设施层面的系统性追赶空间。