Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Una mejora entrenada sobre la misma base puede cambiar mucho más de lo que parece. Z.ai mantuvo intacto el cimiento de GLM-5.2 para construir GLM-5.3 y concentró todos los cambios en el entrenamiento posterior, con más entornos, tareas más diversas y más cómputo.
El modelo subió porque aprendió en escenarios donde podía fallar
Ahí aparece el dato más delicado del trabajo. Z.ai introdujo de forma deliberada datos y entornos pensados para descubrir vulnerabilidades, y ese diseño empujó un crecimiento inesperado de las capacidades de ciberseguridad, sobre todo en la explotación de fallos.
El salto no es pequeño. En CyberGym, un banco de pruebas con 1.507 vulnerabilidades repartidas en 188 proyectos, GLM-5.3 alcanzó un 84,5 % frente al 77,2 % de GLM-5.2.
También avanzó en ExploitBench, donde pasó del 24,4 % de su predecesor al 54,4 %, y en ExploitGym, que mide tareas completas con límite de tiempo. Con un presupuesto de dos horas resolvió 105 tareas y con uno de seis horas llegó a 130, mientras GLM-5.2 se quedó en 29 y 39.
Ni siquiera Mythos 5 lo supera en todas las pruebas
Ese rendimiento lo coloca muy cerca de modelos con acceso mucho más restringido. Mythos 5, una versión de Claude Fable 5 de Anthropic sin las salvaguardas habituales de ciberseguridad y reservada a organizaciones verificadas, quedó por detrás en CyberGym con un 83,8 % frente al 84,5 % de GLM-5.3.
Pero la comparación cambia cuando la prueba exige otra clase de destreza. En ExploitBench, GLM-5.3 firmó un 54,4 % frente al 78 % de Mythos 5, y en ExploitGym completó 105 tareas en dos horas, lejos de las 181 del modelo de Anthropic.
Hay una paradoja evidente.
Z.ai roza o supera a un sistema mucho más blindado en algunos exámenes, pero todavía queda atrás en otros donde la explotación práctica pesa más. Esa mezcla impide leer los resultados como una victoria limpia y obliga a mirar qué mide exactamente cada prueba.
El laboratorio no se quedó en benchmarks y salió al código real
Fuera de los conjuntos de evaluación, Z.ai trabaja con equipos de seguridad chinos sobre código real. Desde GLM-5.2, la compañía ha identificado 2.436 vulnerabilidades en 269 proyectos.
No es un detalle menor, porque conecta el rendimiento de laboratorio con incidentes y programas concretos. Hugging Face llegó a usar GLM-5.2 en su infraestructura para realizar análisis forense de una intrusión protagonizada por un agente autónomo con modelos de OpenAI, y el sistema ayudó a descifrar las cargas útiles recuperadas, una escena que recuerda a la fuga del sandbox en Hugging Face.
En julio, además, el Instituto de Seguridad de Inteligencia Artificial del Reino Unido situó a GLM-5.2 como el modelo de pesos abiertos más capaz en ciberseguridad. Su rendimiento, siempre según esa evaluación, resultaba comparable al de modelos cerrados de entre cuatro y siete meses anteriores.
El avance convive con una advertencia incómoda
Los resultados de Z.ai no han sido verificados de forma independiente.
Esa ausencia de validación externa pesa justo cuando las cifras empiezan a rozar a sistemas cerrados y cuando el entrenamiento que produjo la mejora incluyó entornos diseñados para encontrar y explotar fallos. En otras palabras, el dato más llamativo del modelo convive con la principal razón para leerlo con cautela, igual que ya ocurre en las pruebas ofensivas de Mythos.
Y, sin embargo, las cifras son difíciles de ignorar. Un sistema afinado sobre la misma base que GLM-5.2 pasó de 29 a 105 tareas en ExploitGym con dos horas de presupuesto y elevó ExploitBench del 24,4 % al 54,4 %, una distancia que dice tanto sobre el modelo como sobre lo mucho que puede cambiar un ajuste posterior bien dirigido.