Mejorar un modelo de inteligencia artificial para programar ya no significa únicamente conseguir que escriba código con menos errores. Cuando lo entrenamos para desenvolverse durante horas en entornos complejos, utilizar herramientas, revisar resultados y resolver problemas de principio a fin, también estamos empujando habilidades que pueden aparecer en terrenos bastante más delicados. Eso es precisamente lo que Z.ai asegura haber observado con GLM-5.3: mientras escalaba su post-training, las capacidades relacionadas con ciberseguridad crecieron más rápido de lo que la propia compañía esperaba, especialmente cuando el trabajo pasaba de analizar vulnerabilidades a intentar explotarlas.
Qué cambió realmente. GLM-5.3 no parte de un nuevo modelo base: Z.ai explica que utiliza exactamente el mismo que GLM-5.2 y que todas las mejoras proceden del post-training. Durante el último mes, la compañía amplió el número de entornos, diversificó las tareas y dedicó más cómputo a entrenar al sistema en trabajos largos y cercanos a los que afrontaría un ingeniero. En esa mezcla incluyó deliberadamente datos y entornos para descubrir vulnerabilidades, de modo que la mejora en ciberseguridad no surgió de la nada. Lo inesperado, según Z.ai, fue hasta dónde avanzó después esa faceta al seguir 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 consigue avanzar el sistema en la explotación, desde provocar un fallo hasta alcanzar capacidades como lectura, escritura o ejecución arbitraria de código, mientras que ExploitGym pone el foco directamente en completar tareas de explotación. La diferencia importa porque demostrar que existe 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 se hace 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 todavía más acusada en ExploitGym, donde completa 105 tareas con el presupuesto normalizado de dos horas y 130 con el de seis, frente a las 29 y 39 de GLM-5.2. La compañía interpreta ese comportamiento como una señal de que las fases más avanzadas progresaron especialmente rápido, aunque Reuters advierte de que los resultados no han sido verificados de forma independiente.
Frente a Anthropic. La comparación con Mythos 5 ayuda a poner ese salto en perspectiva. Se trata de una versión de Claude Fable 5 sin sus salvaguardas habituales de ciberseguridad y 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 fotografía 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 queda por detrás cuando toca 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 trabaja con varios equipos de seguridad chinos sobre código real y afirma haber identificado, tras revisión experta, filtrado y eliminación de duplicados, 2.436 vulnerabilidades en 269 proyectos. Hay además un precedente independiente: Hugging Face utilizó GLM-5.2 en su propia infraestructura para analizar forénsicamente 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 Institutesituó a GLM-5.2 como el modelo open-weight 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.
Imágenes | Z.ai
–
La noticia
Z.ai entrenó GLM-5.3 para programar mejor. El modelo aprendió de paso a ser mucho mejor en ciberseguridad
fue publicada originalmente en
Xataka
por
Javier Marquez
.
