实测GLM-5.3: 在神仙打架的一周杀回国模顶流，还按下了重置键

神仙打架，这周的大模型圈，已经卷到了几乎一天一个新旗舰。

有 Cursor 数据加持的 Grok 4.6 突飞猛进，马斯克还说 4.7 马上就要来；DeepSeek V4 Pro 正式版虚晃一枪后正式发布，多项 benchmark 直指 Fable 5；还有一个不能算旗舰的 Gemini Flash。

然后今天，智谱也把 GLM-5.3 端了上来。

这个在 5.2 期间，一直被调侃「我知道很好用，但不给我开会员用」的顶尖国产编程模型，终于迎来了更新。

新的模型继续在编程方面发力，评测榜单的结果显示，GLM-5.3 在编程能力上比肩 Fable 5 和 GPT-5.6 Sol。在社交媒体上参与内测用户的反馈则提到，使用体感比 Kimi K3、DeepSeek V4-Pro-0813 要更好。

能跟 GLM-5.3 上桌对比的模型，在可视化图表中只剩下了 Kimi K3、Fable 5 和 GPT-5.6 Sol。以前是开源自己一堆模型对比，不找闭源自讨苦吃，现在是「对标 Fable 5」成了开源的基本配置。

六个 benchmark，GLM-5.3 的表现都不赖，尤其是由 OpenAI 提出的 GDPVal 评估测试，智谱拿到了第一名。

AutomationBench、Agents' Last Exam，一个是用来测试跨应用工作流编排能力，一个是测试智能体能力，GLM-5.3 的成绩也是数一数二。

和 Kimi K3、Qwen3.8-Max 迈向万亿大参数不同，GLM-5.3 这次参数量和上一版本差不多，同样是 7000 亿参数级别。官方技术博客中提到，此次升级带来的提升主要原因是后训练 Scaling。

就是靠着 743B 的基模，智谱训练出来了 Kimi K3 2.8T 级别的大模型。

我们在与 GLM-5.2 完全相同基座上高效推进强化学习，可能我们还远未开发出这个基座（即 GLM-5.2 模型）的智能上界。

▲ 更完整的 benchmark 对比，经过后训练的 GLM-5.3 对比 GLM-5.2 提升相当明显，Coding、网络安全和 Agentic 成绩进步都不像是一个基座模型。

不得不说，现在大模型做好后训练在某些程度上比预训练都更好使。就拿四月份发布的 DeepSeek V4 Flash 预览版和 7 月底发布的正式版相比，两个模型的能力几乎是断层的。

智谱这次还开源了名为史莱姆 Slime 的一个后训练框架，直接能覆盖发布级模型后训练所需要的完整工作流。他们说从 GLM 4.5 开始，就一直在用这套框架进行后训练。

目前 Slime 支持对 GLM 系列、Qwen 系列以及 DeepSeek 系列的部分模型和 Llama 3 进行后训练。

▲ 教你如何用 128xH100 训练 DeepSeek R1，以及如何蒸馏

除了主打编程，GLM-5.3 的另一个重点方向是网络安全。从 Hugging Face 事件开始，现在哪个模型不能谈谈网络安全，都算不上是一个好模型。

无论是模型的攻击能力强，能逃出设置的沙箱，还是防守能力强，能监控、抵御和分析复杂的 AI Zero Day 漏洞；这些以前听着离我们普通用户很远的东西，也成了大模型角力的新赛场。

GLM-5.3 在网络安全相关的任务中，表现与 Claude Mythos 5 持平。其中 ExploitGym 网络安全测试，就是 OpenAI 在评估自己的待发布模型时，为了解决更多问题去攻击了 Hugging Face，GLM-5.3 的表现也非常不错，898 到题，限时 6 小时内完成的情况下，达到了 130 道。

针对模型的网络安全能力，智谱还公开了一项网络安全披露账本，记录模型在不同的项目中找到的各种漏洞。GLM 找到的最古老漏洞，甚至可以追溯到大约 40 年前。

40 年都没找到，GLM-5.3 一出手就找到了，放 OpenAI 或者 A 社手里，这不比证明了一个数学难题强吗。

▲ 网络安全披露账本 https://cvd.z.ai/

虽然我们普通用户不会拿它去找各种攻防漏洞，但模型的能力提升是实打实的，具体到日常的办公和编程任务上，GLM-5.3 的表现又如何。

APPSO 提前拿到了 GLM-5.3 的测试资格，继续用一些 3D 网页生成、网页应用开发、macOS 小工具开发等任务，来看看 GLM-5.3 的表现是否能快速实现我们的想法。

目前 GLM-5.3 已经上线智谱官方 Agent 应用 Zcode 和效率工具 AutoClaw，同时面向 GLM Coding Plan 用户全量开放并开放订阅。

▲ 在 Zcode 应用内可以直接选择 GLM-5.3 进行体验

第三方平台像是 WorkBuddy，QwenWork，TraeWork 等应用也已经开放抢先体验。而 API 调用预计在下周二开放，模型的完整权重则会在两周内开源。

当所有 AI 都开始卷编程

相较于写作或者文科领域，那些见仁见智，审美无法统一的任务，编程大概是大模型最适合发力的场景。

简单粗暴的一句提示词丢进去，就等着看它用代码能写出什么好看好玩有意思的画面。

我们先是让它做了一个人体血液循环的 3D 交互仿真系统，原以为它会做一个写实的人体透视，至少像是这种细节满满的 3D 仿真，有真实的身体轮廓，合理排放的血管，真实的肌肉线条。

但不知道是不是提示词不够详细，GLM-5.3 给的交付是看起来比较粗糙的版本。整个人更像是一个火柴人，内部器官也全部堆在了一起。

比较难得的是，整个的演示有较多的自定义，例如视图图层可以选择不同的场景，生理参数也有心率、压力等内容。我们甚至可以选择失血性休克的场景，直接看到血液循环的流向。

▲ 提示词：做一个高精度的人体血压循环 3D 可交互仿真系统，使用 GLM-5.3 + Claude Code

总的来说，这个交互网页能够用在教学场景，但就是没有那么好看。

继续我们在 DeepSeek Harness 中的金字塔滑板游戏测试，同样的提示词，GLM-5.3 + Claude Code 最高推理深度给出的结果也不赖——游戏体验好，场景渲染也准确。

▲ 如果你不好好操作，可能真的会输，只是这个滑板的残影，过于「亮眼」。

当我们想要它生成一些惊艳的 3D 场景时，像是一个满是水母的湖，数百万只写实的水母在一片翡翠湖泊里飘动。

这个效果确实还挺漂亮的，渲染水母就不会像渲染人体一样，只用一些简单的圆圈，不过这个 3D 水母的提示词也相当长。

在 Claude Code 中使用 GLM-5.3 时，如果你开启了自动审批命令，会经常遇到一个错误，显示「auto mode cannot determine thesafety of Bash right now.」即「自动模式目前无法判断 Bash 命令的安全性。」

这大概是 Claude Code 应用自身的机制来处理自动模式下，如何识别不同的命令是否需要弹窗通知交给我选择，但第三方的模型，暂时还没有适配 Claude Code。

于是我们切换到 ZCode 进行体验，它能像 Codex 一样使用不同的工具，不断对已经生成的网页截图识屏，分析存在的问题，然后持续优化，整个运行时间也比单纯在 Claude Code 中使用会更久。

就像这个行星撞地球的模拟，两个行星碰撞，我们在 Claude Code 中的任务最长没有超过 1h，但这个 3D 网页过了一个小时，ZCode 还在反复地测试检查。

好在最后的效果没有让人失望，我们第一眼就能看到地壳开裂、熔岩喷出、碎片形成行星环等壮观画面。就这些复杂的粒子运动，要面面俱到的编程好，肯定是需要一点模型底子的。

同尺寸里的最强模型

GLM-5.3 的意义，我们测试下来就觉得它还是回到了原本属于它的位置，即同尺寸最强模型，编程开发者的首选。

K3 用了 2.8T，DeepSeek V4 用了 1.6T，而 GLM 5.2 用了不到一半的参数，就实现了同样程度的智能。

所以如果你本来就在用智谱，已经购买了 Coding Plan（今天下午他们也重置了一次），从六月中旬发布的 GLM-5.2 切换到 5.3，是能感受到比较明显的差异。

虽然 API 版本预计要等到下周二更新，目前官网显示的 API 价格也还是 GLM-5.2 版本，但同样的模型尺寸，估计 GLM-5.3 的 API 定价不会有太大的变化。

Kimi K3、Qwen3.8-Max、DeepSeek V4 正式版、Grok 4.6、Gemini 3.7 Flash、GLM-5.3，最近的模型发布节奏几乎是前所未有，每天都有新的模型，新的工具可以测试。

模型之间的区别也随着密集的发布逐渐在缩小。拿我们自己来说，曾经 Claude 被认为是写作上最好用的模型，优化一些句子的结构，把脑子里乱成一团的想法让它有逻辑的串联起来，Claude 给的文章有时比人类写得还要好。

但频繁封号的 Claude，让我们转到了用 GPT 以及其他的模型，于是发现好像所谓的 Fable 5 和 Opus 5 并不是那么的非它不可。

写作如此，编程、生图、整理文档、做报告、构建知识库也越来越接近这个状态。

GLM-5.3 和最近这一连串新模型一起，把大模型的「最强保质期」压得越来越短。

新发布的 GLM 用了 20 天，就有更强更好的 Kimi，Kimi 用了 20 天，又能换到新发布的 DeepSeek，等 DeepSeek 不好用了，那个时候又可以轮到 GLM 了。

所以当别人问你，现在最好的国产编程模型是什么，你会说 Kimi K3、DeepSeek V4 还是 GLM 5.3？