刚刚，GLM-5.3来了！拿下多个开源SOTA，我用它“魔改”DeepSeek Harness

智东西
作者 陈骏达
编辑 心缘

智东西8月14日报道，就在刚刚，智谱发布了其最新一代旗舰模型GLM-5.3，并宣布模型将在两周内开源。这是一个拥有7430亿个参数的模型，和此前的GLM模型一样主打编程。

在多项主流基准测试中，GLM-5.3位居所有已开源或即将开源模型中的第一；其在编程与智能体任务上的能力，已逼近Claude Fable 5、GPT-5.6 Sol等海外顶尖模型。

与国内模型相比，GLM-5.3与Kimi K3在编程和智能体领域互有胜负，并在绝大部分基准测试中领先DeepSeek-V4-Pro-0813。而在网络安全能力方面，GLM-5.3则展现出一定优势，领先于另外两款国产模型。

同时，GLM-5.3还在能力和token效率之间取得了更好的平衡。在相同的高档位思考预算下，GLM-5.3的准确率达到31.5%，超过Claude Opus 4.8的29.5%，任务平均输出约5万个token，不到Opus 4.8平均输出量的一半。

智东西在发布前获得了GLM-5.3的内测资格，得以提前深度体验这款模型在真实开发场景中的完整能力。在我们的实测中，GLM-5.3+ZCode的组合不仅能从0到1开发一款以真实地图数据1:1复刻上海陆家嘴至外滩区域的3D开放世界驾驶游戏，还能“裸考”DeepSeek刚开源的Harness框架：在零先验的条件下读懂这个超7000个文件的代码仓库，再按它的规矩打造出一个“人格插件”。

除了编程能力之外，智谱称GLM-5.3在充分的预训练之后，还涌现出了不错的网络安全能力，在与国内高校、企业的合作中，GLM-5.3用两周时间揪出了2436个漏洞。在白盒代码审查与漏洞推理等安全任务中，GLM-5.3的表现与Claude Mythos 5接近。

目前，GLM-5.3已上线智谱的AI编程工具Zcode、效率工具AutoClaw，支持通过GLM Coding Plan使用。同时，这一模型还在TraeWork、WorkBuddy、Qoder、OpenCode等平台开放了抢先体验。

智谱称，GLM-5.3的API将很快上线。同时，在模型开源之前，GLM-5.3还将完成安全评估、安全加固，以限制其在网安领域的潜在攻击能力，保留其防御价值。

体验链接：https://zcode.z.ai/en

博客链接：https://z.ai/blog/glm-5.3

一、拿真实数据1:1复刻外滩建筑群，还做了个开放世界驾驶游戏

此次测试，我们用到了智谱最近更新的ZCode，搭配旗舰模型GLM-5.3。我们交给GLM-5.3的第一个任务是一份有难度的产品需求文档：以真实的OpenStreetMap数据为基础，开发一款上海陆家嘴至外滩区域的3D开放世界驾驶游戏。

文档中要求，地图解析、坐标转换和游戏逻辑等关键模块全部让模型“手写”，只允许使用Three.js的底层渲染能力。为了测试模型在长任务中的记忆可靠性，我们还在文档中部埋下了两条“陷阱条款”，包括凌晨两点到四点外滩建筑灯光熄灭一半，以及地图边缘需要设置带有提示的软性阻挡。

GLM-5.3拿到需求后先验证了数据的真实形态。它编写脚本从Overpass API拉取了8万多个OSM节点，先做了一轮数据勘查，确认地图数据的完整性后，才开始开发。

整个开发过程持续了多轮，最终交付了约4900行代码，覆盖数据管线、车辆物理、车辆音效、导航、昼夜循环和存档系统，两条埋雷条款在最终验收中全部通过。

开发过程中，可以观察到GLM-5.3排查问题的思路很清晰。测试早期，游戏页面完全卡死，它没有盲目改动代码，而是给本地服务器加了请求探针，通过面包屑日志定位到问题。

在精准定位后，GLM-5.3修复bug的效率得到了提升。比如，当我提出游戏相机视角存在问题，有时会穿过建筑时，GLM-5.3从这条模糊的描述出发，统计出全部6300多栋建筑中有大约4成的轮廓环绕方向与墙面法线约定相反，从而导致了上述问题，实际修复只改了几行代码。

因为测试环境无法直接目检画面，它甚至自己写了一个零依赖的PNG解码器，用像素统计来客观证明水面、标线和夜间灯光确实被正确渲染。

值得一提的是，搭配ZCode使用时，整个对话的平均缓存命中率达超过了99%，可以节省不少钱。

不过，在这一项目的开发过程中，我们也发现了GLM-5.3的一些短板。工程能力之外，它的审美判断还有提升空间，建筑贴图和道路标线的观感先后经过四轮人工反馈，还是没能达到预期，略显简陋。

总体来看，GLM-5.3搭配ZCode基本可以顺利完成用户交代的开发任务，但用户仍需要给模型提供一定的反馈，才能打磨出更好的交付物。

二、读懂超7000个文件，连夜打造DeepSeek Harness“人格插件”

如果说驾驶游戏考察的是GLM-5.3从零创造的交付能力，第二项实测考察的则是另一个方向：面对一个完全陌生的大型代码仓库，能否读懂它，再按它的规矩改造它。

我们的测试对象是DeepSeek昨天刚刚开源的DeepSeek Harness，一个采用“一切皆插件”架构的智能体框架。这个monorepo包含40多个顶层包、200多个工作区项目、7400多个文件。

对GLM-5.3来说，这是一次“裸考”：DeepSeek Harness仓库发布仅一天，它的训练数据里不可能有任何相关信息，对这个框架的全部认识只能来自现场摸索。

第一项任务是仓库级理解。我们向GLM-5.3询问，用户执行dsh web之后，从进程启动到第一条消息抵达模型，中间经过哪些模块，插件如何加载，出错时又如何兜底。

面对这种体量的代码仓库，GLM-5.3派出了4个并行探索子智能体，分别追查CLI入口、插件机制、模型契约与消息通路，再把四份结论汇成一份链路报告，并回头逐条核对关键代码。这些文件的跨度较大，而GLM-5.3成功地找到了它们之间的联系。

报告的关键结论有三条：插件的装配依据一份YAML清单逐行登记，不存在目录扫描式的自动发现；顺着这条线索，它锁定了LlmAdapter这份所有模型提供方共同遵守的契约；启动失败时的策略是快速失败，而非静默跳过。

在此基础上，我们进一步要求GLM-5.3为DeepSeek Harness开发一个“人格插件”，让AI的回复可以在文言文、东北话与猫语之间切换。

这项任务的难点在于要做到“零侵入”：我们要求GLM-5.3开发的结果功能要生效，但框架的原有行为不能变，插件关闭要立刻复原。

GLM-5.3先派出2个探索子智能体并行通读仓库，约5分钟后各自提交报告，研究页面交互方案时又派出第3个，3个子智能体合计消耗约690万token。规范摸清后，它选定系统提示注册表作为注入口：指令随系统层下发，用户消息没有改动；插件卸载后注册表自行摘除。

下方是GLM-5.3最终交付的插件效果。可以看到这个插件的交互体验是比较原生的，可以与DeepSeek Harness的其他插件出现在同一个菜单栏中，切换后语言风格的确符合要求。

再来看看具体的执行过程。初版交付涉及20个文件、净增560行，除代码外还包含双语文档配对记录与重新生成的依赖图。同时，配套的11条单元测试一次通过，覆盖开启注入、关闭复原与三人格路由等功能。

不过，在跑全量回归的时候出现了一段插曲：771个测试文件中有6个失败。为排查问题，GLM-5.3先将自己的改动整体撤下，在干净基线上重跑同一批用例，失败原样复现。据此，它确认问题源于本机环境，与新增代码无关。

在解决环境问题后，应我们要求，GLM-5.3复用了DeepSeek Harness既有的命令机制，将人格切换接入网页端，键入一条斜杠命令即可切换人格，前端基本没有新增代码，28项文档门禁与937对双语文档检查全数通过。

从结果看，GLM-5.3在本轮实测中的长板是任务拆解、跨包溯源与代码引用，以及对陌生工程规范的理解和遵循，对照实验的处置方式也比较严谨。

不过，体验时我们也发现，ZCode在一些长任务执行期间存在反馈不足，我们一度以为进程中断，人工打断了执行。同时，对于一些风险很低的修改，GLM-5.3也会跑完整的检查与测试，这在有些场景下可能会带来不必要的token消耗。

DSH“人格插件”开源地址：

https://github.com/chenjunda0018-sketch/A-persona-plugin-for-DeepSeek-Harness

三、能力提升来自后训练Scaling，网安能力涌现

智谱在GLM-5.3博客中，详细介绍了这款模型在技术方面的思考。

GLM-5.3的基座模型与GLM-5.2完全一致，其能力提升主要来自于后训练的Scaling。GLM-5.3在后训练过程中经历了更长的任务环境，更丰富的环境类型，后训练时间也明显加长。

随着任务环境的不断丰富，智谱还观察到GLM-5.3涌现出超预期的网络安全能力。

例如，在白盒源代码安全基准测试CyberGym中，GLM-5.3得分为84.5%，超过GLM-5.2（77.2%）、Claude Mythos 5（83.8%）、GPT-5.6 Sol（83.6%）。在更接近完整漏洞利用的ExploitGym测试中，2小时内，Mythos 5完成了181个任务，GLM-5.3完成105个任务，达到Mythos 5约58%的水平，相比GLM-5.2的29项提升明显。

GLM-5.3发布前两周，智谱联合清华大学、南开大学，以及云起无垠、绿盟科技、赛博昆仑、DARKNAVY、华顺信安、奇安信、腾讯玄武、云鼎实验室等多家安全团队，开展了密集的红队测试与安全评估。

相关测试最终在2周内累计发现漏洞2436个（经过初筛、去重），其中1097个为中高危，最早可追溯至约45年前，代表性漏洞覆盖系统内核、操作系统、浏览器引擎、开源基础组件、互联网应用与互联网协议等269个项目，相关漏洞均已报送国家CNNVD/CNVD国家漏洞库，为提高披露过程的透明度，智谱建立了Z.ai安全披露账本，记录漏洞从发现、确认到修复的全过程。

执行效率方面，智谱自GLM-5.2开始引入effort level（思考档位）控制。智谱称，在相近Token预算下，GLM-5.3在任务完成质量、执行速度和使用成本之间取得了更好的平衡。

结语：智谱、DeepSeek等纷纷重押后训练，不换基座也能换代

从我们的实测来看，GLM-5.3已经能在真实工程现场交出完整的交付物；而审美判断等短板，或许可以成为下一轮后训练继续打磨的方向。

后训练这条路线近期的受益者不止智谱一家：DeepSeek-V4正式版能力的大幅提升，同样与后训练阶段的投入有关。在预训练的数据与算力红利逐渐见顶之后，后训练正成为头部模型厂商进一步提升性能的关键方向，其潜力很可能还未被充分挖掘。