Z.ai menahan pembukaan API dan bobot terbuka GLM-5.3 setelah pengujian pada proyek nyata menemukan 2.436 kerentanan di 269 proyek. Sebanyak 1.097 temuan telah masuk kategori kritis atau tinggi setelah melalui peninjauan ahli, penyaringan, dan penghapusan duplikasi.
Keputusan itu diambil ketika kemampuan siber model tersebut berkembang lebih cepat daripada perkiraan perusahaan. GLM-5.3 tidak lagi hanya diarahkan untuk menemukan kelemahan kode, melainkan juga dapat menyusun rangkaian eksploitasi untuk memvalidasi kerentanan.
Distribusi Luas Ditunda
Pada tahap awal, Z.ai menyediakan GLM-5.3 melalui GLM Coding Plan dan lingkungan pemrograman ZCode. Perusahaan belum membuka akses melalui API maupun bobot terbuka sambil melanjutkan evaluasi serta penguatan keamanan.
Z.ai merencanakan ketersediaan bobot model sekitar dua minggu setelah peluncuran. Dalam pengumuman teknisnya, perusahaan menyatakan, “Seiring kami meningkatkan skala post-training, kemampuan siber berkembang lebih cepat dari yang kami perkirakan.”
Dari seluruh temuan di proyek nyata, 53 kerentanan sudah diungkap kepada publik saat model diluncurkan. Sementara itu, 2.383 temuan lainnya masih berada dalam masa embargo.
Data tersebut memperlihatkan potensi AI untuk mempercepat pekerjaan tim keamanan dalam mengenali masalah perangkat lunak. Namun, kemampuan membangun tahapan eksploitasi juga membuat pengendalian distribusi teknologi menjadi perhatian utama.
Lompatan pada Pengujian Kerentanan
Benchmark yang dipublikasikan Z.ai menunjukkan peningkatan besar dibandingkan GLM-5.2, terutama dalam pengujian eksploitasi kerentanan. GLM-5.3 memang belum memimpin seluruh tes, tetapi kenaikannya terlihat jelas pada beberapa ukuran utama.
| Pengujian | GLM-5.2 | GLM-5.3 | Model Pembanding |
|---|---|---|---|
| CyberGym | 77,2% | 84,5% | GPT-5.6 Sol 83,6%; Mythos 5 83,8% |
| ExploitBench | 24,4% | 54,4% | GPT-5.6 Sol 76,5%; Mythos 5 78% |
| ExploitGym, 2 jam | 29 tugas | 105 tugas | Fable 5 181; GPT-5.6 Sol 216 |
| ExploitGym, 6 jam | 39 tugas | 130 tugas | Fable 5 247; GPT-5.6 Sol 293 |
Pada CyberGym, GLM-5.3 meraih skor 84,5%, sedikit di atas GPT-5.6 Sol dan Mythos 5 yang dicantumkan Z.ai. Pengujian ini mengukur kemampuan model menemukan serta memvalidasi kerentanan berdasarkan kode sumber.
Kenaikan paling besar terlihat pada ExploitBench, dengan skor meningkat dari 24,4% menjadi 54,4%. Meski demikian, GPT-5.6 Sol dan Mythos 5 masih memiliki nilai lebih tinggi pada pengujian tersebut.
Menurut tekno.kompas.com, Developer Advocate Z.ai bernama Lou menyebut GLM-5.3 pernah digunakan untuk menemukan potensi celah keamanan serius pada Cursor. Informasi melalui unggahan di X itu belum dikonfirmasi oleh Cursor.
Post-Training Menjadi Kunci
Peningkatan GLM-5.3 tidak dibangun dari model dasar baru karena Z.ai tetap menggunakan basis yang sama seperti GLM-5.2. Model dasarnya memiliki skala 743 miliar parameter.
Perusahaan memperluas post-training dengan menambah lingkungan pelatihan, variasi tugas, dan komputasi untuk reinforcement learning. Z.ai menyebut peningkatan skala post-training sebagai satu-satunya perubahan pada GLM-5.3.
Selama pelatihan, model memperoleh akses ke basis kode, dokumentasi, klaster komputasi, sistem penyimpanan, dan hasil eksperimen. Model harus mendiagnosis gangguan, mengubah sistem, menjalankan eksperimen, lalu membuktikan peningkatan tanpa mengganggu fungsi yang berjalan.
| Benchmark Coding | GLM-5.2 | GLM-5.3 | Pembanding Terbaik |
|---|---|---|---|
| Terminal-Bench 3.0 | 4,6 | 28,3 | GPT-5.6 Sol 34,6 |
| DeepSWE v1.1 | 46,2 | 66,9 | GPT-5.6 Sol 72,7 |
| AutomationBench | 26,2 | 48,2 | Tidak dicantumkan |
Tugas pelatihan tersebut dirancang menyerupai pekerjaan pengembangan perangkat lunak yang dapat memakan waktu beberapa hari bagi teknisi berpengalaman. Karena kemampuan coding dan siber meningkat bersamaan, Z.ai memilih menyelesaikan pengujian keamanan sebelum memperluas akses GLM-5.3.
