GLM-5.3 mejora en ciberseguridad mientras escala su entrenamiento para programar, según Z.ai

Z.ai ha publicado los resultados de la última versión de su modelo de inteligencia artificial, GLM-5.3, que muestra un salto significativo en capacidades de ciberseguridad al escalar el entrenamiento posterior al modelo base. Según la compañía, la mejora fue especialmente acusada en las fases más avanzadas de explotación de vulnerabilidades, un comportamiento que consideran inesperado.

Por Redacción15 de agosto de 2026, 08:01

Cómo cambió el modelo sin cambiar el modelo base

Z.ai explica que GLM-5.3 utiliza exactamente el mismo modelo base que GLM-5.2 y que todas las mejoras proceden del post-training. Durante el último mes, la compañía amplió el número de entornos, diversificó las tareas y dedicó más cómputo a entrenar al sistema en trabajos largos y cercanos a los que afrontaría un ingeniero de software.

En esa mezcla incluyó deliberadamente datos y entornos para descubrir vulnerabilidades, de modo que la mejora en ciberseguridad no surgió de la nada. Lo inesperado, según Z.ai, fue hasta dónde avanzó esa faceta al seguir escalando el entrenamiento. La compañía no ha detallado el volumen exacto de cómputo ni la composición precisa del conjunto de datos de post-training, pero señala que el escalado fue el factor determinante.

Este enfoque contrasta con el de otros laboratorios que separan los entrenamientos de seguridad y utilidad en fases distintas. En el caso de GLM-5.3, ambas habilidades se desarrollaron dentro del mismo proceso de refinamiento, lo que plantea preguntas sobre la dificultad de aislar unas capacidades de otras cuando se escala el entrenamiento en tareas complejas.

Los números del salto: de encontrar vulnerabilidades a explotarlas

Z.ai ha publicado resultados en tres benchmarks distintos que miden capacidades de ciberseguridad. En CyberGym, que evalúa si el modelo puede reproducir una vulnerabilidad a partir de su descripción, GLM-5.3 alcanza un 84,5% frente al 77,2% de GLM-5.2. En ExploitBench, que mide el avance en la cadena de explotación, el modelo pasa del 24,4% al 54,4%. La diferencia es más acusada en ExploitGym, donde completa 105 tareas con un presupuesto normalizado de dos horas y 130 con el de seis, frente a las 29 y 39 de GLM-5.2.

Los datos muestran un patrón claro: la mejora frente a la versión anterior se hace mayor cuanto más avanzan las pruebas por la cadena de explotación. Z.ai interpreta ese comportamiento como una señal de que las fases más avanzadas progresaron especialmente rápido. No obstante, Reuters advierte de que los resultados no han sido verificados de forma independiente.

CyberGym proporciona al agente la descripción de una vulnerabilidad y el repositorio correspondiente, y mide si puede reproducirla mediante una prueba de concepto que provoque el fallo. Su conjunto reúne 1.507 vulnerabilidades de 188 proyectos. ExploitBench, por su parte, mide hasta dónde consigue avanzar el sistema en la explotación, desde provocar un fallo hasta alcanzar capacidades como lectura, escritura o ejecución arbitraria de código.

Comparación con Mythos 5 y el contexto competitivo

La comparación con Mythos 5, una versión de Claude Fable 5 sin las salvaguardas habituales de ciberseguridad y cuyo acceso Anthropic limita a organizaciones verificadas, ayuda a poner el salto en perspectiva. Según las cifras difundidas por Z.ai, GLM-5.3 alcanza un 84,5% en CyberGym, ligeramente por encima del 83,8% de Mythos 5. Sin embargo, la fotografía cambia al avanzar hacia la explotación: en ExploitBench obtiene un 54,4% frente al 78% de Anthropic, y en ExploitGym completa 105 tareas frente a 181 con el presupuesto normalizado de dos horas.

Puede competir en las primeras fases del análisis de vulnerabilidades, pero todavía queda por detrás cuando toca convertirlas en ataques funcionales. La brecha es relevante porque demuestra que la capacidad de encontrar un problema y la de convertirlo en un ataque funcional son desafíos distintos, y que los modelos cerrados con salvaguardas retiradas mantienen una ventaja significativa en las etapas más sensibles.

Z.ai prevé publicar los pesos de GLM-5.3 tras completar las evaluaciones de seguridad. La compañía china no ha dado una fecha concreta. Si la tendencia observada en los benchmarks se mantiene, capacidades que hoy están en la frontera de los modelos cerrados podrían llegar antes a modelos descargables y sin las mismas posibilidades de control por parte del proveedor.

Más allá de los benchmarks: uso en seguridad real

Z.ai asegura que sus modelos ya han llevado parte de este trabajo más allá de los benchmarks. Desde GLM-5.2, la compañía trabaja con varios equipos de seguridad chinos sobre código real y afirma haber identificado, tras revisión experta, filtrado y eliminación de duplicados, 2.436 vulnerabilidades en 269 proyectos. La cifra sugiere que las capacidades mostradas en los tests tienen traducción práctica, aunque la compañía no ha detallado la criticidad de los fallos encontrados ni si alguno de ellos era previamente desconocido.

Hay además un precedente independiente. Hugging Face utilizó GLM-5.2 en su propia infraestructura para analizar forénsicamente una intrusión protagonizada por un agente autónomo impulsado por una combinación de modelos de OpenAI, y asegura que le ayudó a descifrar buena parte de los payloads recuperados. El episodio muestra la otra cara de estas herramientas: pueden servir para estudiar cómo explotar un fallo, pero también para comprenderlo y corregirlo.

En julio, el UK AI Security Institute situó a GLM-5.2 como el modelo open-weight más capaz que había probado en ciberseguridad y concluyó que rendía de forma comparable a modelos cerrados publicados entre cuatro y siete meses antes, frente a una distancia de seis a diez meses observada durante buena parte de 2025. Esa evaluación no incluye a GLM-5.3, pero sirve para situar la tendencia de Z.ai acortando distancias con los modelos cerrados en este ámbito.