GLM-5.3: Frontier Coding with Emergent Cyber Capabilities

À retenir

1. Date / source. 14 août 2026, blog officiel Z.ai, billet non signé. Page en SPA React, non capturable par un curl | lynx ordinaire ; nom de bundle haché, donc instable.
2. Cadrage clé. même modèle de base que GLM-5.2, tous les gains venant du post-entraînement. Le terme « emergent » du titre désigne dans le corps une vitesse de progression, la capacité elle-même ayant été entraînée délibérément. ### La courbe cyber : le gain croît avec la position dans la chaîne | Benchmark | Ce qu'il mesure | GLM-5.2 → GLM-5.3 | Facteur | Meilleur du tableau | |---|---|---|---|---| | CyberGym | identifier et valider une faille en boîte blanche | 77,2 → 84,5 % | ×1,09 | GLM-5.3 (devant 83,8 / 83,6) | | ExploitBench | raisonner sur l'exploitation de failles réelles | 24,4 → 54,4 % | ×2,2 | 78,0 (modèle fermé) | | ExploitGym (2 h) | tâches d'exploitation complétées, budget normalisé | 29 → 105 | ×3,6 | 181 (modèle fermé) | | ExploitGym (6 h) | idem, 6 h | 39 → 130 | ×3,3 | 247 (modèle fermé) | Deux lectures simultanées, toutes deux exactes : Z.ai reste loin derrière le frontier fermé partout où l'exploitation devient réelle, et c'est là que sa progression est la plus rapide — pour un mois de post-entraînement supplémentaire sur le même modèle de base. Piège de citation : les budgets ExploitGym sont normalisés par débit, le temps API étant rescalé par le TPS de chaque modèle (115 pour GLM-5.3, 40 pour Kimi K3, 47 pour Qwen3.8-Max, sourcés Artificial Analysis). Ce ne sont pas des heures d'horloge. ### Le Security Disclosure Ledger | Compteur | Valeur | Part | |---|---|---| | Findings tracked | 2 436 | 100 % | | Publicly disclosed | 53 | 2,2 % | | Under embargo | 2 383 | 97,8 % | | Critical & High | 1 097 | 45 % | | Projets OSS touchés | 269 | — | Un embargo relève de la divulgation coordonnée ordinaire ; la taille du stock et le taux de publication sont les éléments à retenir. Quatre points que le billet n'aborde pas : la politique de délai, la notification effective des mainteneurs des 269 projets, l'identité des « several security teams in China » mentionnées, et le devenir de l'embargo une fois les poids publiés — un modèle public capable de retrouver ces failles rend l'embargo caduc de fait. ### Le calendrier de publication des poids « We will release the weights in two weeks after launch, once safety evaluation and hardening are complete. » Ce qui n'est pas précisé : la définition du hardening pour des poids ouverts, les critères qui déclencheraient un report, l'existence d'un évaluateur tiers ou d'une red team nommée, et l'engagement de publier le rapport. Le délai est calé sur le lancement commercial, non sur la fin d'une procédure. Conséquence pratique : au 14 août 2026, GLM-5.3 est un modèle d'API assorti d'une intention d'ouverture, à ne pas inscrire dans une architecture de réversibilité avant publication effective. À rapprocher du traitement de la publication de poids dans [[zuckerberg-meta-future-is-for-everyone-superintelligence-2026-08-10]]. ### La revendication « most capable open-weights model for coding » Sur les 7 benchmarks du groupe Coding où Kimi K3 est renseigné dans le tableau de Z.ai : | Benchmark | GLM-5.3 | Kimi K3 | Avantage | |---|---|---|---| | Terminal Bench 2.1 | 88,2 | 88,3 | Kimi K3 | | Terminal-Bench 3.0 | 28,3 | 17,4 | GLM-5.3 (large) | | DeepSWE (v1.1) | 66,9 | 67,5 | Kimi K3 | | NL2Repo | 58 | 58 | égalité | | ProgramBench | 19 | 17,5 | GLM-5.3 | | SWE-Marathon (v1.1) | 42,5 | 48,1 | Kimi K3 (large) | | PostTrainBench | 39,8 | 32 | GLM-5.3 | Soit 3 – 3 et une égalité. Deux revendications plus étroites tiennent en revanche : « open-source SOTA on Terminal Bench 3.0 » (28,3 contre 17,4) et sur Agents' Last Exam (28,5 contre 27,6 Kimi K3 et 27 Qwen3.8-Max, à 0,1 point du meilleur modèle fermé du tableau). ### Le gain d'une génération de post-entraînement | Benchmark | GLM-5.2 | GLM-5.3 | Écart | |---|---|---|---| | Terminal-Bench 3.0 | 4,6 | 28,3 | ×6,2 | | SWE-Marathon (v1.1) | 19,4 | 42,5 | ×2,2 | | DeepSWE (v1.1) | 46,2 | 66,9 | +20,7 pt | | AutomationBench | 26,2 | 48,2 | +22 pt | | Agents' Last Exam | 23,8 | 28,5 | +4,7 pt | | GDPval-AA v2 | 1508 | 1769 | +261 | Lecture : sur les tâches agentiques longues, l'environnement d'entraînement se révèle un levier plus rentable qu'un pré-entraînement neuf — « much of the difficulty in scaling post-training moves from the model to the environment ». Un écart de ×6,2 en un mois indique aussi que le benchmark était loin d'être saturé : Terminal-Bench 3.0 reste à 28,3 %, soit plus de sept tâches sur dix en échec. Contexte sur les benchmarks agentiques : [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]]. ### Coût par tâche réussie (Z.ai Code Bench, privé) | Configuration | Score | Tokens de sortie / tâche | |---|---|---| | GLM-5.2, effort Max | 23,4 % | 96 K | | GLM-5.3, effort Max | 34,5 % | ~75 K | | GLM-5.3, effort High | 31,4 % | ~50 K | | Claude Opus 4.8 (mesure Z.ai) | 29,5 % | 120 K | | Claude Fable 5, effort Max | 39,5 % | non communiqué | Le point de vente est le rapport : +5 points sur Opus 4.8 pour environ 1,6× moins de tokens de sortie. Trois réserves à garder ensemble : benchmark maison et privé, comparaison auto-arbitrée, et Fable 5 reste devant — Z.ai le publie. Le coût des tokens de sortie n'est par ailleurs pas le coût total (entrée, cache, nombre de tours). ### La chaîne de vérification, transposable hors de Z.ai 1. Des agents de recherche collectent des motifs de tâches depuis du travail réel et les convertissent en environnements exécutables long-horizon, à dépendances multi-étapes et état caché. 2. Un agent juge tente chaque tâche pour vérifier qu'elle est effectivement résoluble. 3. Les vérificateurs sont synthétisés sans accès à la solution de référence — ils ne peuvent donc pas encoder la réponse. 4. Les trajectoires de solveur servent à découvrir et fermer les raccourcis de récompense. 5. Un vérificateur n'est admis que s'il passe oracle (accepte la vraie solution), no-op (rejette l'absence d'action) et unsolved-state (rejette l'état initial). Alors seulement il « produces a binary reward reliable enough to train on directly ». Les points 3 et 5 sont transposables à toute génération automatique de tests : un test qui ne passe pas au rouge sur le code d'origine ne prouve rien. Même exigence que celle formulée dans [[dumortier-marketing-ai-os-verification-2026-08-12]]. Limite assumée par Z.ai : « These pipelines still require a meaningful amount of human-in-the-loop work. » ### Claude Code comme harnais d'évaluation Sept évaluations documentées en note de bas de page sont conduites « in Claude Code 2.1.207 » — Terminal-Bench 2.1 et 3.0, ALE, CyberGym, ExploitGym, ExploitBench, PostTrainBench, SWE-Marathon. Un laboratoire chinois y mesure son modèle frontière et ceux de ses concurrents, en citant la version comme une dépendance. Corollaire non mesuré : la transférabilité des scores vers un autre harnais. ### Rupture d'API et tarification
3. « Disabling thinking is no longer supported by GLM-5.3 » : thinking.type: "disabled" fait échouer la requête. Migration prescrite : passer à enabled et reasoning_effort: "low" avant de changer l'ID de modèle. Trois niveaux low / high / max, défaut max. Le coût plancher d'un appel monte donc ; pour toute charge à haut volume et faible complexité, le passage à low doit précéder la bascule d'ID.
4. GLM Coding Plan. en quotas de points, comptés séparément pour l'entrée, l'entrée en cache et la sortie. Heures pleines 14:00–18:00 UTC+8 du lundi au vendredi, tout le reste à 50 % du barème — soit, pour une équipe européenne, une fenêtre pleine correspondant à 08:00–12:00 heure de Paris. Offre ZCode associée : « 98%+ cache hit rate » revendiqué, ~30 % de tokens effectifs en plus, boost de quota 1,5× jusqu'au 31 août 2026, mode Goal et Remote Control via WeChat ou Feishu. ### Trois incohérences internes, à ne pas propager 1. « 1 097 medium-to-high severity issues » contredit l'encart du même billet : critical 107 + high 990 = 1 097, medium 1 286 à part. Citer « 1 097 failles critiques ou élevées ». 2. « the oldest dating back roughly 40 years » contredit l'encart (« introduced in 1981 », « 45 YEARS OF IMPACT »). Retenir 1981 et 26,6 ans de durée de vie moyenne. 3. Le corps attribue à « Mythos 5 » les scores 83,8 / 78,0 / 181-247 que le tableau attribue à « Fable 5 (w/ fallback) ». Ce sont deux modèles Anthropic distincts et le billet ne tranche pas. Ne pas attribuer ces scores à un modèle nommé. ### Infrastructure d'entraînement Post-entraînement sur slime (framework open source de Z.ai), Megatron côté entraînement, SGLang côté rollout, avec entraînement, rollout et buffer sur un seul flux de données — les environnements se branchent comme de la génération de données, non comme des modifications de la boucle. Gains annoncés : écart moyen de log-probabilités entraînement/rollout contrôlé à 1e-7, multi-teacher OPD avec bascule dynamique et préchargement, ordonnancement conjoint routeur/slime, au total plus de 2,3× de débit end-to-end sur les tâches de RL de codage long-horizon. Publications adossées : IndexShare (arXiv 2603.12201) et SAO (arXiv 2607.07508). ### Hygiène de citation
5. Tout ce qui vient de Z.ai Code Bench est invérifiable par construction : citer « selon un benchmark interne non publié ».
6. Tout score de concurrent dans le tableau a été produit par Z.ai, sauf GDPval-AA v2 et FrontierSWE (Artificial Analysis) et Toolathlon Verified (service officiel).
7. Les harnais publics ont été modifiés ; les scores ne sont pas comparables aux leaderboards officiels.
8. Le lien avec le dossier souveraineté est direct : trois jours plus tôt, [[nunez-mistral-gigawatt-compute-europeen-venturebeat-2026-08-11]] annonçait que Mistral AI héberge GLM-5.2 sous contrôles régionaux européens. Les évaluations de sûreté que Mistral dit passer sur les modèles tiers n'ont pas été décrites publiquement.