认识 GLM-5.3：智谱没换基座，却把编程能力干上了开源第一

这两年我们被"参数竞赛"驯化得有点厉害：模型变强，无非是堆参数、换基座、加数据。谁家发新模型不喊一句"万亿参数"，都显得不够诚意。

结果 2026 年 8 月 14 日，智谱（Z.ai）发布 GLM-5.3，官方博客第一句话直接把这套叙事掀了："Scaling post-training is all we did." ——基座没换，参数没加，一个月里干的全是后训练。就这么着，内部编程基准涨了 50%。

更离谱的是副产品。他们顺手拿模型去扫真实开源项目，在 269 个项目里挖出 2436 个漏洞，其中 1097 个中高危。最老的那个 bug，1981 年就埋进代码里了——比这篇文章的大部分读者岁数都大，平均每个漏洞在代码里躺了 26.6 年才被发现。

我一直觉得"后训练"这词听着像边角料优化。GLM-5.3 算是给了个响亮的反例：同一个大脑，送去集训一个月，回来就换了个人。天花板可能压根不在参数上，而在你有没有本事给它造出足够真实的"练功房"。

什么是 GLM-5.3

GLM-5.3 是北京智谱华章（智谱 AI / Z.ai）的最新旗舰模型，2026 年 8 月 14 日发布，主打两件事：前沿编程能力和涌现出来的网络安全能力。

它最特殊的地方在于身世——用的是和 GLM-5.2 完全相同的基座模型，所有能力提升 100% 来自后训练阶段：更多的长程任务环境、更多样的任务类型、更长的训练时间。智谱自己在博客里说得很坦白，"我们可能还远没摸到这个基座的智能上界"。

支持 1M（约 105 万 token）上下文、最大输出 128K token，目前只处理文本模态（想让它看图，得换别人）。参数规模官方这次没披露，公开报道普遍称总参数约 7430 亿的 MoE 架构——这数字姑且听着，官方口径里它压根不是重点。

GLM-5.3 有什么特点

纯后训练拿下开源编程 SOTA：Terminal-Bench 3.0 从 GLM-5.2 的 4.6 分飙到 28.3 分（同期 Kimi K3 是 17.4），DeepSWE v1.1 从 46.2 → 66.9，Agents' Last Exam (CLI) 从 23.8 → 28.5，公开榜上开源第一。
Token 效率提升，不是靠"多说话"堆分数：Max 档位下 34.5% 准确率、每任务约 7.5 万 输出 token；GLM-5.2 是 23.4%、约 9.6 万。High 档更狠——约 5 万 token 拿到 31.4%，把用了 12 万 token 才 29.5% 的 Claude Opus 4.8 按住了。
网络安全能力"意外涌现"：CyberGym 得 84.5%，开源第一，还略超 Mythos 5（83.8%）和 GPT-5.6 Sol（83.6%）；ExploitBench 从 24.4% 翻倍到 54.4%；ExploitGym 六小时完成数从 39 项干到 130 项。
后训练三件套全公开：IndexShare 管长上下文、SAO 管长程任务强化学习、slime 管大规模异步训练（已开源，训练侧 Megatron + rollout 侧 SGLang，长程编码 RL 端到端吞吐提升 2.3 倍以上）。
思考模式不给关了：API 里 thinking.type 只支持 enabled，改用 reasoning_effort 的 low / high / max 三档控制深度，默认 max。
三协议兼容：OpenAI Chat Completion、OpenAI Response、Anthropic Message 都能对接，迁移基本是改个 model ID 的事。
两周后开源权重：发布时明确说了，等安全评估与模型加固做完就放——也就是 8 月底前后会出现在开放下载渠道。

一句"最强开源模型"要拆开看：CyberGym 确实是全场第一，但 ExploitBench 54.4% 对比 Mythos 5 的 78.0%、ExploitGym 六小时 130 项对比 247 项，差距还挺实在。官方自己那句总结特别克制——当前差距最大的方向，恰恰也是能力增长最快的方向。

GLM-5.3 能用在哪（真实案例）

真实开源项目的安全审计：这是最硬的案例。智谱从 GLM-5.2 起就联合国内多家安全团队拿模型扫真实代码库，经专家复核、筛选、去重后，GLM-5.3 在 269 个开源项目中发现 2436 个漏洞——Critical 107 个、High 990 个、Medium 1286 个、Low 53 个。覆盖系统内核、浏览器引擎、开源基础设施、Web 应用和网络协议，影响跨度长达 45 年。他们还专门建了个公开的漏洞披露台账，目前 53 个已公开、2383 个仍在协调披露中（所以权重才要延后两周放）。
端到端的软件工程活儿：训练环境已经不是刷编程题了，而是"给你一个计算集群、代码库、内部文档和实验结果，自己去定位训练栈瓶颈、做优化、跑实验，最后交付可量化的端到端加速"——有些任务资深工程师也得干好几天。
终端与 CLI 自动化：Terminal-Bench 3.0 从 4.6 到 28.3 这个跨度，直接把"丢给它一个 shell 让它自己干完"从演示变成了可用。
已经能用上的地方：GLM Coding Plan 已全量上线，可在 ZCode、Claude Code、Cline、Cursor、Trae、OpenCode 等主流编程智能体里直接调；智谱自家还同步上了效率工具 AutoClaw；阿里云百炼也已由 Z.AI 直供上线该模型。

省钱细节值得单独说：新版 Coding Plan 按积分计费，非高峰时段只消耗标准积分的 50%。高峰是工作日 14:00–18:00（UTC+8），也就是说晚上和周末全天都是半价。ZCode 侧还有 98%+ 的缓存命中率加成。

初体验：怎么上手 GLM-5.3

最省事的还是走 API。它兼容 OpenAI 协议，换个 base_url 就完事：

bash

pip install openai

python

from openai import OpenAI

client = OpenAI(
    api_key="你的KEY",
    base_url="https://open.bigmodel.cn/api/paas/v4",
)

resp = client.chat.completions.create(
    model="glm-5.3",
    messages=[{"role": "user", "content": "审查这段代码，找出潜在的安全漏洞"}],
    extra_body={
        "thinking": {"type": "enabled"},   # 只能 enabled，写 disabled 会报错
        "reasoning_effort": "high",        # low / high / max，默认 max
    },
)
print(resp.choices[0].message.content)

官方自家 SDK 也可以，语义更直白：

bash

pip install zai-sdk

从 GLM-5.2 迁移的三个坑，照着改就行：

model 改成 glm-5.3；
把 thinking.type: "disabled" 全部改成 "enabled"——不改直接换 model ID，请求会失败；
别偷懒留着默认的 max。默认档的思考输出比 GLM-5.2 长出一倍多，简单问答用 low、常规编码用 high，账单会好看很多。

想本地部署的，再等等——权重发布两周后开放（约 8 月底），到时候配 vLLM / SGLang 起服务是常规操作。

进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。

认识 GLM-5.3：智谱没换基座，却把编程能力干上了开源第一 ​

什么是 GLM-5.3 ​

GLM-5.3 有什么特点 ​

GLM-5.3 能用在哪（真实案例） ​

初体验：怎么上手 GLM-5.3 ​

进阶 ​

认识 GLM-5.3：智谱没换基座，却把编程能力干上了开源第一

什么是 GLM-5.3

GLM-5.3 有什么特点

GLM-5.3 能用在哪（真实案例）

初体验：怎么上手 GLM-5.3

进阶