El mismo post-training que enseñó a GLM-5.3 a ser un mejor programador lo convirtió inesperadamente en uno de los modelos de IA con mayor capacidad de ciberseguridad disponibles hasta la fecha. Z.AI lo documenta en su blog publicado el 14 de agosto de 2026: la mejora en benchmarks de explotación de vulnerabilidades fue mayor de lo que la empresa anticipaba — y la distancia con los modelos especializados de Anthropic, aunque real, es más pequeña de lo que nadie habría predicho hace seis meses.
Qué cambió y qué no cambió en el post-training
GLM-5.3 no es un nuevo modelo base. Z.AI usa exactamente el mismo modelo fundacional que GLM-5.2 — todos los cambios vienen del post-training: ampliar el número de entornos de entrenamiento, diversificar las tareas de razonamiento largo, dedicar más cómputo a trabajo continuo de horas de duración parecido al que haría un ingeniero real. En esa mezcla, Z.AI incluyó deliberadamente datos y entornos de descubrimiento de vulnerabilidades. La mejora en ciberseguridad no fue accidental — fue parcialmente intencional. Lo que resultó ser inesperado fue hasta dónde llegó esa mejora al escalar el entrenamiento.
Los números: el salto en los benchmarks
Hay tres métricas relevantes:
CyberGym (1.507 vulnerabilidades, 188 proyectos): mide si el agente puede reproducir una vulnerabilidad a partir de su descripción y el repositorio correspondiente, produciendo una prueba de concepto que provoque el fallo. GLM-5.3 obtiene 84,5% frente al 77,2% de GLM-5.2. Un salto de 7,3 puntos porcentuales.
ExploitBench: mide hasta dónde avanza el sistema en la cadena de explotación — desde provocar un crash hasta conseguir lectura, escritura o ejecución arbitraria de código. GLM-5.3 alcanza 54,4% frente al 24,4% de GLM-5.2. El salto es mayor en términos absolutos y refleja la mejora especialmente en las fases más avanzadas de explotación.
ExploitGym (tareas de explotación directas): GLM-5.3 completa 105 tareas con presupuesto normalizado de 2 horas y 130 con 6 horas, frente a las 29 y 39 de GLM-5.2. Un multiplicador de 3-4x.
La diferencia importa porque descubrir que existe una vulnerabilidad y convertirla en un ataque funcional son desafíos completamente distintos en términos de dificultad y peligrosidad potencial.
La comparación con Mythos 5: ¿cómo de cerca está GLM-5.3 de los modelos top?
Z.AI incluye en su informe la comparación con Mythos 5 — la denominación que el ecosistema de investigación usa para Claude Fable 5, el modelo de Anthropic sin sus salvaguardas habituales de ciberseguridad, cuyo acceso Anthropic limita a organizaciones de investigación verificadas.
Los resultados son reveladores:
- CyberGym: GLM-5.3 84,5% vs Mythos 5 83,8% → GLM-5.3 ligeramente por encima
- ExploitBench: GLM-5.3 54,4% vs Mythos 5 78% → GLM-5.3 detrás en 23,6 puntos
- ExploitGym (2h): GLM-5.3 105 tareas vs Mythos 5 181 → GLM-5.3 detrás en 76 tareas
El patrón es coherente: GLM-5.3 compite o supera a Mythos 5 en la detección y reproducción de vulnerabilidades, pero queda significativamente detrás en las fases más avanzadas de explotación — convertir una vulnerabilidad reproducible en un ataque funcional de ejecución de código.
Reuters advierte que los resultados publicados por Z.AI no han sido verificados de forma independiente.
Los resultados prácticos fuera del laboratorio
Z.AI va más allá de los benchmarks. La empresa afirma haber identificado, con GLM-5.2 en colaboración con equipos de seguridad chinos y con revisión experta, 2.436 vulnerabilidades en 269 proyectos reales.
Un caso externo: Hugging Face usó GLM-5.2 en un análisis forense de una intrusión en su propia infraestructura — un ataque realizado por un agente autónomo construido sobre modelos de OpenAI — y afirma que el modelo le ayudó a descifrar los payloads del atacante. Es el mismo tipo de herramienta desde dos ángulos opuestos: lo que sirve para atacar sirve para defender.
En julio de 2026, el UK AI Security Institute evaluó GLM-5.2 y lo clasificó como el modelo open-weight más capaz que había probado en ciberseguridad — rindiendo de forma comparable a modelos cerrados publicados entre 4 y 7 meses antes. GLM-5.3 no estaba incluido en esa evaluación.
Mi valoración
Lo que más me convence de la publicación de Z.AI es la transparencia sobre lo que no saben. La empresa explicita que el salto en ciberseguridad fue mayor de lo esperado — lo que sugiere que no entienden completamente por qué ocurrió. Esa honestidad científica es más valiosa que cualquier benchmark.
Lo que más me preocupa es la asimetría entre la capacidad para encontrar vulnerabilidades y la capacidad para explotarlas. GLM-5.3 ya supera a Mythos 5 en la fase de detección. Si las próximas iteraciones cierran la brecha en la fase de explotación, tendremos un modelo open-weight — publicado con pesos abiertos, sin control de acceso — que puede construir exploits funcionales a nivel de los modelos más avanzados del mundo. Z.AI prevé publicar los pesos de GLM-5.3 tras completar las evaluaciones de seguridad.
La pregunta a 6 meses es qué dice la evaluación de seguridad y si Z.AI decide poner restricciones al modelo antes de liberarlo, o sigue la filosofía open-weight sin restricciones.