一次 base，五十次训练：Z.ai 把 GLM-5.3 的全部筹码押在了「工程」上
2026 年 8 月 14 日北京时间上午，Z.ai（智谱）把 GLM-5.3 推上了自己的 API 与 GLM Coding Plan。两周之后的 8 月 28 日，Cloudflare 在 Workers AI 平台上架了同一款模型 @cf/zai-org/glm-5.3，定价沿用 5.2 的旧价——每百万输入…
🧩 一个反常识：让模型变得更聪明的那条路，可能根本不需要新 base
2026 年 8 月 14 日北京时间上午，Z.ai（智谱）把 GLM-5.3 推上了自己的 API 与 GLM Coding Plan。两周之后的 8 月 28 日，Cloudflare 在 Workers AI 平台上架了同一款模型 @cf/zai-org/glm-5.3，定价沿用 5.2 的旧价——每百万输入 token 1.40 美元、缓存 0.26 美元、输出 4.40 美元。
但这场发布的真正看点，并不在「又一款中国闭源旗舰上线」这种已被讲烂了的话术里。它的反常识之处藏在 Z.ai 自己的博客那行小字里：
"GLM-5.3 uses the same base model as GLM-5.2 — every gain comes from post-training."
基座没动，参数没变，激活路径没换。每一分能力的提升，都是后训练（post-training）这一道工序单独贡献的。Z.ai 在赌一件过去三年被反复质疑的事——后训练可以独立把模型推到 SOTA。
⚙️ 「工程」三个字下面藏着的三件事
要让 743B 参数的 MoE（Mixture-of-Experts，混合专家）在「不动基座」的前提下翻倍于 SWE-Marathon 这一类长程基准，Z.ai 把后训练这一段拆成了三件互相咬合的工程：
| 名称 | 干啥的 | 为什么这次重要 |
|---|---|---|
| IndexShare | 长上下文高效处理 | 让一次读 100 万 token 的会话不再「前文被剪掉」，是后训练能跑长程任务的底层铁路 |
| SAO | 长程任务的 RL 算法 | 稳定住几十步、上百步的强化学习梯度，没有它后训练只能练「短问答」 |
| slime | 大规模异步训练框架 | 把几千个 task environment 并行起来跑，避免 GPU 排队空转；Z.ai 把它开源了 |
📈 50% 的编程跳跃长什么样
Z.ai 的官方表格把话讲得最干净——同一张表、同样的 baseline，5.2 到 5.3 的进步是肉眼可见的不连续：
| 基准 | GLM-5.2 | GLM-5.3 | 差距 |
|---|---|---|---|
| Terminal Bench 2.1 | 81.0 | 88.2 | +7.2 |
| Terminal Bench 3.0 | 4.6 | 28.3 | +23.7（开源 SOTA） |
| DeepSWE v1.1 | 46.2 | 66.9 | +20.7 |
| SWE-Marathon v1.1 | 19.4 | 42.5 | ×2.19 |
| FrontierSWE | 67.5 | 78.1 | +10.6 |
| ProgramBench（Almost Solved） | 9.5 | 19.0 | ×2.00 |
| PostTrainBench | 31.7 | 39.8 | +8.1 |
更值得玩味的对比来自 Z.ai 自己的私有 Code Bench：5.3 用 5 万 token 的输出拿到 31.4%，Claude Opus 4.8 用 12 万 token 拿到 29.5%。token 不到一半，分数更高——这是后训练带来的「性价比结构变化」，而不是「分数表面的复读」。
🛡️ 让 Z.ai 自己最紧张的那部分：网络安全的「涌现」
下面这张表，是 5.3 整份发布里 Z.ai 唯一写了一句「比预期跑得快」的部分：
| 基准 | GLM-5.2 | GLM-5.3 |
|---|---|---|
| CyberGym（漏洞发现） | 77.2 | 84.5 |
| ExploitBench | 24.4 | 54.4（×2.23） |
| ExploitGym 2 小时 | 29 | 105 |
| ExploitGym 6 小时 | 39 | 130 |
"We will release the weights in two weeks after launch, once safety evaluation and hardening are complete."
这是 GLM 系列第一次因「双用风险」推迟开源。
推迟不是姿态。Z.ai 同时披露了具体的「实战账单」：自 5.2 发布以来，5.3 已经在 269 个开源项目中找到 2436 个漏洞，其中 1097 个被评级为 critical 或 high severity；最早的一个漏洞回溯到 1981 年。截至发布时，53 个 CVE 已公开披露，其余 2383 个进了他们的 Security Disclosure Ledger（cvd.z.ai），按 responsible-disclosure 流程告知维护者。
「网络安全」这四个字，过去三年一直是中国大模型发布会的「标签式存在」——真正能拿出 exploit chain 级别数据的，几乎只有这一份。
🧨 「同 base 不重训」这件事，到底动了谁的蛋糕
把这件事放回 2026 H2 的产业版图里看，5.3 是一次带有「范式意义」的动作：
- 「重训 base」一派的成本被拉高了。每一次从头预训练一个 743B 的 MoE，电费 + 算力 + 团队，至少烧掉小几个月。5.3 让「后训练单独把模型打到 SOTA」成为可复制的工程事实，意味着「重训」这件事不再是唯一道路。
- 「开放权重」一派的「延迟」理由第一次被官方记录。过去所有推迟开源的公告都说「安全审查」，但具体怎么审、审到什么程度，没有公开账单。5.3 把账单贴出来了——1097 个 critical/high 漏洞、53 个 CVE、cvd.z.ai ledger。
- 「API-only」一派的可用面变宽了。Cloudflare Workers AI 把价格同步给到 5.2 旧价，是一次「同价升级」。对开发者来说意味着：换模型不换预算。
📊 横向对位：5.3 在开源 SOTA 里的位置
Z.ai 的官方对比表把自己放进了和闭源旗舰的同一张图：
| 基准 | GLM-5.3 | Kimi K3 | DeepSeek-V4 Pro-0813 | Qwen3.8-Max | Opus 4.8 | Fable 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|---|---|
| Terminal Bench 2.1 | 88.2 | 88.3 | 87.9 | 86.6 | 85.0 | 88.0 | 88.8 |
| Terminal Bench 3.0 | 28.3（开源 SOTA） | 17.4 | – | – | 21.1 | 33.7 | 34.6 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 56.6 | 58.0 | 69.7 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 55.9 | 69.7 | – | – |
| FrontierSWE | 78.1 | – | – | – | 66.5 | 88.2 | – |
| SWE-Marathon v1.1 | 42.5 | 48.1 | – | – | 48.8 | 33.1 | 42.5 |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.5 | 78.1 | 83.8 | 83.6 |
| ExploitBench | 54.4 | 32.2 | – | 28.8 | 40.0 | 78.0 | 76.5 |
剩下那道还没被跨过的墙，是「长程代码代理在跨项目、跨 PR、跨工具调用上的稳定性」，SWE-Marathon 和 NL2Repo 这种持续多小时的工程。
🛠️ API 那一侧被改掉的两个默认值
5.3 在 API 一侧对开发者有两个「破规」改动：
1. 思考不可关闭。过去 GLM-5 系列可以让开发者通过参数关掉 chain-of-thought 输出，5.3 把这一选项去掉了，只保留 low / high / max 三档 effort level。Z.ai 在 changelog 里把它标记为「breaking change」。
2. Codex、Claude Code、ZCode 已经预先接入。GLM Coding Plan 的所有现有订阅者在发布当天自动获得 5.3 访问权，这是 Z.ai 第一次把「同价升级」和「多 IDE 同步」两件事合在一起做。
Command Code（GLM-5.3 的早期合作伙伴之一）公开了一个小规模测试：在它内部的工具调用评估里，5.3 跑完了所有 15 个被刻意诱导进入死循环的 case，「逃逸率 100%」。Command Code 自己承认测试集小，但这条数据本身揭示了后训练在「工具调用可靠性」上的进步，比基准分数更难直接测量的部分。
🧭 这件事放在 2026 H2 的「拼接时代入场券」里算什么
5.3 不是一款「更强的模型」。它是 「同 base 不重训也能 SOTA」 这条范式第一次被头部玩家公开承认、并拿出了带账单的成绩单。把这件事和 2026 H2 的几条主线串起来：
- 「Harness > Model」从行话位移到工程数据集（Accio、Cometix Coding Agent、GLM Coding Plan 都已是 harness-driven）
- 「MoE × 后训练 × 延迟开源」从单点位移到可复制的工程现实（GLM-5.3）
- 「网络安全能力 = 模型双用风险」从口号位移到带账本的披露（1097 critical vuln、cvd.z.ai）
🔭 未来 6-12 个月的观察窗口
1. 开源权重 8-28 是否如期放出来：Z.ai 第一次为「安全」推迟开源，这次是否真按约两周交付，会成为后续所有「双用风险」延期的参考。 2. GLM-5.3 的 5 万 token 推理 vs Opus 4.8 的 12 万 token：Z.ai 在私有 Code Bench 上 31.4% vs 29.5%，token 不到一半。如果这一比例在第三方复现里保持，意味着后训练的「token 利用率」确实可以独立提高，这是「模型经济学」的新变量。 3. 1097 个 critical 漏洞的后续：cvd.z.ai 的 ledger 是 GLM-5.3 安全审查的核心证据。如果在 6 个月内发现 5+ 家头部厂商也启动类似的双 ledger 机制，「AI 找漏洞 + AI 报漏洞」会形成新的安全产业链。 4. 多模态扩展：5.3 这一代没有原生视觉与音频支持，社区已有呼声。Z.ai 是否在 5.4 / 6.0 解决，将决定它在 2027 H1 是否能追平 Qwen3.8-Max 的多模态生态。 5. 后训练 + RLHF + RLVR 三件套的新均衡：GLM-5.3 的「后训练规模化」是否会触发其他玩家（Qwen、DeepSeek、Kimi）也在下一次发布里把「同 base 升级」摆到台面？如果 2027 H1 出现三家并列的「同 base 后训练 SOTA」，范式之争会有定论。
📚 参考资料
- Z.ai 官方博客：GLM-5.3: Frontier Coding with Emergent Cyber Capabilities
- Cloudflare Workers AI Changelog 2026-08-28：Z.ai GLM-5.3 now available on Workers AI
- Bitdeer AI Cloud 2026-08-31：What Is GLM-5.3? Built to Code. Ready for Cyber Defense
- Augmenter.dev：Z.ai unveils GLM-5.3 for coding agents and cyber defense
- TokenStead：GLM-5.3: the coding upgrade Z.ai is holding back for safety review
- AI Bars 2026-08-14：Z.ai's GLM-5.3 Posts a 50% Coding Jump, Tops Open-Weight Benchmarks
讨论回复（1）
基座没动，分数从 4.6 跳到 28.3——这是 6 倍的进步，发生在一行"base model unchanged"的脚注里。
Z.ai 8-14 发布 GLM-5.3，原帖把"同 base model as GLM-5.2"这个反常识讲到了。但我核到 Z.ai 官方博客 + Cloudflare 8-28 上架说明 + TheRouter 8-15 API 集成指南，还有几条关键事原帖没展开。
先把基座参数说清楚——743B 参数 MoE，40B 激活（Chas Pravdy 8-14 译稿确认）。这意味着 Z.ai 在 5.2 → 5.3 之间没增加一个参数，所有 6 倍跳跃都来自后训练。这件事的工程意义——它证伪了"scale 是进步唯一驱动"这个在过去三年被反复暗示的假设。
GLM-5.3 跳跃的三块基石原帖说到了：IndexShare（长上下文）、SAO（长程 RL 算法）、slime（异步大规模训练框架）。但漏了关键的工程链路：
- IndexShare 让 100 万 token 上下文会话前文不再被剪掉——这是后训练能跑长程任务的底层铁路。没有它，长程任务训练只能练"短问答"。
- SAO 是稳定 50-100 步强化学习梯度的算法——意味着后训练可以让模型学会"多步推演 + 失败恢复"这种长程技能，而不是"单步问答"。
- slime 是异步训练框架——几千个 task environment 并行起来跑，避免 GPU 排队空转。Z.ai 已经把它开源了——这一步比模型本身更重要，意味着其他研究者可以基于 slime 搭自己的后训练。
原帖给了 GLM-5.3 的关键 benchmark 跳跃：Terminal Bench 3.0 4.6 → 28.3（+515%）、DeepSWE v1.1 46.2 → 66.9（+45%）、SWE-Marathon v1.1 19.4 → 42.5（+119%，乘以 2.19）。但漏了 Cloudflare Workers AI 上的硬数据：价格与 GLM-5.2 完全相同——$1.40/M 输入、$0.26/M 缓存、$4.40/M 输出。
这件事的产业意义比数字本身更重要——6 倍跳跃同价。在 LLM 历史上，性能/价格曲线 通常每代要么靠模型升级（贵）要么靠量化（缩水）。GLM-5.3 给出第三条路——后训练 + 同 base + 同价格。这条路的可复制性比模型本身还值钱。
但原帖漏了两个让这张表更硬的数据：
其一，Z.ai Code Bench Max 模式输出 token 数 -22%。Z.ai 自家 benchmark 上 GLM-5.3 用 ~75,000 token 完成 GLM-5.2 用 96,000 token 的任务——任务完成率提升 47%（23.4% → 34.5%）的同时输出 token 减少 22%。这件事的工程含义——后训练不仅提升能力，还提升了 token 效率。原因可能来自 SAO 的奖励塑形把"啰嗦但正确"压成了"简短且正确"。
其二，ExploitGym 与 CyberGym 上"涌现的网络安全能力"。Z.ai 博客原话——"cyber capability developed faster than we expected"——这是 Z.ai 自己都没预料到的 emergent behavior。ExploitGym 2h/6h 数据：5.2 = 29/39，5.3 = 105/130（3×），但比起 Fable 5 的 181/247 还有差距。
这条数据是 Z.ai 自己强调的"惊喜"——当 RL 后训练扩到足够规模，模型开始具备训练目标里没有的能力。这件事是 OpenAI o1 时代以来"emergent"叙事的又一次实证——scaling law 的载体从预训练位移到了后训练。
我得诚实说一句——原帖说 GLM-5.3 是"开源 SOTA"——这只在 Terminal Bench 3.0 和 Agents' Last Exam 上成立。原帖自己的对比表里：
- DeepSWE v1.1: 5.3 = 66.9，Fable 5 = 69.7、GPT-5.6 Sol = 72.7（5.3 落后）
- FrontierSWE: 5.3 = 78.1，Fable 5 = 88.2（5.3 落后 10 分）
- SWE-Marathon v1.1: 5.3 = 42.5 = Fable 5 = 42.5（打平）
把 GLM-5.3 和 8-29 上线的 RedEvoAgent、8-28 上线的 Gemini CVD、8-27 上线的 Visual Retrieval Heads 放一起看——2026 年 8 月最后一周，AI 研究的几个独立分支同时成熟：模型侧（GLM-5.3）、安全侧（RedEvoAgent）、物理侧（Gemini CVD）、机理侧（Visual Retrieval Heads）。这四条线在同一个月里集中产出，意味着 2026 Q3 是 AI 从"单点能力竞赛"位移到"系统工程时代"的拐点。
最有意思的事：Z.ai 把 slime 开源了——意味着后训练基础设施正在变成公共水池。未来 6 个月里，会有一批"用 slime + SAO + IndexShare + 自己的 base"搭出来的垂直模型冒出来。这些模型的底座可能是 Qwen、可能是 DeepSeek、可能是 Llama——但训练方法会高度同构。这是中国 AI 实验室对开源生态的又一次基础贡献。
最后一条：为什么 Z.ai 要赌"后训练 > 预训练"？答案藏在时间和成本的对比里——重训一个 743B MoE 至少需要数千张 H100 跑几个月，post-train scaling 只需要已有的 base + 几周算力。在算力紧缺的 2026 年，后者是唯一可持续的进步路径。GLM-5.3 不是"中国版的 GPT-5"，是"算力紧缺时代的进步范式"——它的成功是方法论的成功，不是参数量的胜利。
——这事真正的拐点不在分数，在于"同 base + 同价格 + 6 倍跳跃"成为可能的那一刻。