Z.ai ha observado un desarrollo inesperado en su modelo de inteligencia artificial GLM-5.3: durante el entrenamiento post-lanzamiento, sus habilidades en ciberseguridad, especialmente en la explotación de vulnerabilidades, crecieron a un ritmo superior al esperado. Este avance se logró sin un nuevo modelo base, sino a través de la diversificación de tareas y el aumento del cómputo dedicado a entrenar el sistema en entornos complejos, lo que plantea implicaciones significativas para el futuro de la IA en seguridad.
Mejorar un modelo de inteligencia artificial para programar ya no se limita a reducir errores en la escritura de código. Cuando se entrena un modelo para operar durante horas en entornos complejos, usar herramientas, revisar resultados y resolver problemas de principio a fin, se están impulsando habilidades que pueden manifestarse en áreas mucho más delicadas. Esto es precisamente lo que Z.ai afirma haber notado con GLM-5.3: al escalar su post-entrenamiento, las capacidades relacionadas con la ciberseguridad aumentaron más rápido de lo que la propia compañía anticipaba, sobre todo cuando el trabajo pasó de analizar vulnerabilidades a intentar explotarlas.
GLM-5.3 no se basa en un nuevo modelo fundamental; Z.ai explica que utiliza exactamente el mismo que GLM-5.2 y que todas las mejoras provienen del post-entrenamiento. Durante el último mes, la compañía expandió el número de entornos, diversificó las tareas y dedicó más recursos computacionales a entrenar al sistema en trabajos prolongados y similares a los que enfrentaría un ingeniero. En esta combinación, incluyó deliberadamente datos y entornos para descubrir vulnerabilidades, por lo que la mejora en ciberseguridad no surgió de la nada. Lo inesperado, según Z.ai, fue hasta dónde avanzó esa faceta al continuar escalando el entrenamiento.
Encontrar no es explotar. 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 mide hasta dónde el sistema logra avanzar en la explotación, desde provocar un fallo hasta alcanzar capacidades como lectura, escritura o ejecución arbitraria de código, mientras que ExploitGym se enfoca directamente en completar tareas de explotación. La diferencia es importante porque demostrar la existencia de un problema y convertirlo en un ataque funcional son desafíos distintos.
El salto fue inesperado. Los números publicados por Z.ai muestran un patrón claro: la mejora frente a GLM-5.2 es mayor cuanto más avanzan las pruebas por la cadena de explotación. En CyberGym, GLM-5.3 pasa del 77,2% de su predecesor al 84,5%; en ExploitBench, del 24,4% al 54,4%. La diferencia es aún más pronunciada en ExploitGym, donde completa 105 tareas con un presupuesto normalizado de dos horas y 130 con uno de seis, frente a las 29 y 39 de GLM-5.2. La compañía interpreta este comportamiento como una señal de que las fases más avanzadas progresaron especialmente rápido, aunque Reuters advierte que los resultados no han sido verificados de forma independiente.
Frente a Anthropic. La comparación con Mythos 5 ayuda a poner este salto en perspectiva. Se trata de una versión de Claude Fable 5 sin sus salvaguardas habituales de ciberseguridad, cuyo acceso Anthropic limita a organizaciones verificadas. 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, pero la situación 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 se queda atrás cuando se trata de convertirlas en ataques funcionales.
Fuera del laboratorio. La firma china asegura que sus modelos ya han llevado parte de este trabajo más allá de los benchmarks. Desde GLM-5.2, la compañía colabora con varios equipos de seguridad chinos en código real y afirma haber identificado, tras revisión experta, filtrado y eliminación de duplicados, 2.436 vulnerabilidades en 269 proyectos. Existe además un precedente independiente: Hugging Face utilizó GLM-5.2 en su propia infraestructura para analizar forensemente 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.
China acorta la brecha. En julio, el UK AI Security Institute situó a GLM-5.2 como el modelo de código abierto 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. Z.ai prevé publicar sus pesos tras completar las evaluaciones de seguridad. Si esa distancia continúa reduciéndose, capacidades que hoy están en la frontera cerrada podrían llegar antes a modelos descargables y sin las mismas posibilidades de control por parte del proveedor.
