智谱GLM-5.3正式发布：后训练Scaling驱动，编程与Agent能力再突破

软糖碎碎

智谱最近推出了新一代旗舰基座模型GLM-5.3。作为GLM-5.2的继任者，它沿用了相同的模型基座，但通过极致的后训练Scaling策略，在多个维度实现了能力跃迁。

与上一代相比，GLM-5.3最显著的变化在于训练范式的升级。模型不再局限于孤立的编程题目训练，而是被置于真实的专家工作流中，覆盖从问题发现、方案分析到实施、验证和交付的完整链路。训练环境扩展至数十倍规模的长程任务场景，部分任务的复杂度相当于资深工程师连续数天的工作量。这种基于真实计算集群、存储系统和内部代码库的后训练，让模型在输出质量、执行效率和推理成本之间取得了更好的平衡。

在实际编程体验方面，GLM-5.3的提升比较直观。官方提到编程体感较前代提升了约50%，在多项主流基准测试中表现位居开源模型前列。更值得关注的是它的工程交付能力——模型能够处理数万行代码、上百个文件以及多系统依赖的复杂项目，在前端开发、Bug修复和代码重构等任务中，可以在较少人工干预的情况下自主推进至可交付状态。这种从"写代码"到"做项目"的能力延伸，意味着它正在从编程助手向真正的开发协作者转变。

另一个值得注意的亮点是网络安全领域的能力涌现。GLM-5.3在白盒代码审查、漏洞发现与验证等任务中表现突出，CyberGym和ExploitBench等安全基准测试成绩均有大幅提升。虽然模型在漏洞利用链的深入挖掘和完整攻防任务上仍有进步空间，但其在漏洞利用链前端的优势已经比较明显。

从基础规格来看，GLM-5.3保持了1M的上下文窗口和128K的最大输出长度，输入输出均为文本模态。目前GLM Coding Plan已经全量接入该模型，API接口也即将对外开放。

整体而言，GLM-5.3代表了智谱在后训练Scaling方向上的一次扎实探索。它没有单纯追求基座规模的扩张，而是通过扩展长程任务环境和真实工作流训练，让模型在复杂工程任务和专业安全场景中展现出更实用的价值。对于需要处理大型代码库、多文件协作开发以及安全审计的开发者来说，这款模型值得持续关注。