最好的国产编程模型，保质期只剩下 20 天。
7 月底大家还在说 Kimi K3 是开源天花板，8 月 13 日 DeepSeek V4 Pro 正式版带着 DeepSWE 62.7 的成绩登场，结果第二天，智谱就把 GLM-5.3 端了上来。官方口径很简单粗暴：编程能力较 GLM-5.2 提升 50%，编程与智能体能力接近 Claude Fable 5，体感超过其他国产模型。
注意一个细节：这次 GLM-5.3 的参数量和 GLM-5.2 几乎一样，都是 743B 级别，所有提升全部来自后训练------同样的基座，两个月不到，硬生生把分数推高了一截。而它的对手们，Kimi K3 是 2.8T，Qwen3.8 Max 是 2.4T。
这周的大模型圈已经卷到「一天一个新旗舰」：有 Cursor 数据加持的 Grok 4.6 突飞猛进，马斯克说 4.7 马上就来；DeepSeek V4 Pro 正式版多项 benchmark 直指 Fable 5；智谱则把 GLM-5.3 端了上来。四个国产/开源主力（K3、V4 Pro 0813、GLM-5.3）在三天内轮番登场，往年一个季度的发布节奏，现在压缩到了一周。
我花了半天把智谱官方公布的 9 项基准、独立评测和第三方复测全部拉出来交叉核对，下面这份横评，说清楚 GLM-5.3 到底强在哪、弱在哪、以及你该不该换。
先看总表：9 项基准，GLM-5.3 拿到了什么
以下数据来自智谱官方发布（2026-08-14），对比对象为各家官方公布分数：
| 基准 | GLM-5.2 | GLM-5.3 | Fable 5 | GPT-5.6 Sol | Kimi K3 |
|---|---|---|---|---|---|
| Terminal-Bench 3.0（终端真实任务） | 4.6 | 28.3 | - | 34.6 | - |
| DeepSWE v1.1（长程软件工程） | 46.2 | 66.9 | - | 72.7 | - |
| AutomationBench（跨应用工作流） | 26.2 | 48.2 | 46.2 | 45.8 | 46.7 |
| Agents' Last Exam（智能体长程任务） | 23.8 | 28.5 | - | - | - |
| GDPval-AA v2（44 种职业任务） | - | 1769 | 1743 | 1730 | - |
| HLE w/ Tools（最难推理+工具） | 54.7 | 62.5 | - | - | - |
| CyberGym（漏洞验证） | 77.2 | 84.5 | 83.8* | 83.6 | 80.0 |
| ExploitBench（漏洞利用链） | 24.4 | 54.4 | 78.0 | 76.5 | - |
| ExploitGym（2 小时利用任务数） | 29 | 105 | 181 | 216 | - |
* Fable 5 的 CyberGym 分数由智谱官方提供（83.8）。
表格读出来的故事很清楚：GLM-5.3 不是全面超越，而是「三场赢、三场追、三场输」。AutomationBench、GDPval-AA v2、CyberGym 三项直接领先闭源旗舰；Terminal-Bench、DeepSWE 大幅跃升但还差 GPT-5.6 Sol 一截；ExploitBench、ExploitGym 翻倍增长但差距依旧明显。这是一次「定向突击」式的升级，主攻方向就是编程与智能体。
维度一：编程能力------从 4.6 到 28.3 的质变
先看最炸裂的一项：Terminal-Bench 3.0。这个基准把模型丢进真实 shell 环境，给 600 轮交互和 10 小时超时，看它能不能完成真实终端任务。GLM-5.2 只拿了 4.6，GLM-5.3 直接干到 28.3------6 倍提升。这不是常规迭代，是能力的档位切换。
我在本地复现了一个 Terminal-Bench 风格的典型任务：让模型在仓库里定位一个 flaky 测试并修复：
bash
cd /repo && python -m pytest tests/test_checkout.py -x -q
# 期望行为：模型自己 grep 日志、定位竞态条件、改代码、重跑测试直到绿GLM-5.2 在这个任务里会陷入「反复重跑测试却找不到根因」的循环，GLM-5.3 则能沿着调用栈往下查，主动打开相关源码文件做交叉比对。体感上，这已经不是「补全代码的模型」，而是「会自己 debug 的模型」。
DeepSWE v1.1 从 46.2 升到 66.9 同理。这个基准考察的是数万行代码、上百个文件之间的持续修改能力------前端改完改后端、改完 A 模块记得同步 B 模块的接口。智谱官方说部分训练任务相当于资深工程师连续数天的工作量，从分数涨幅看，这个说法不算夸张。
独立的 KingBench 3 测试（固定可复现的编程+模拟任务集，第三方 MindStudio 跑）给出了更直观的参照：GLM-5.3 得分 91.25%（73/80），超过 Opus 5、Kimi K3、Qwen3.8 Max，与 Fable 5 基本持平。而 GLM-5.2 在同一测试里是 75%。两个月，同一个基座，涨了 16 个百分点。
还有一个容易被忽略但很关键的指标：Token 效率。智谱自研的 Z.ai Code Bench（内部基准，无法第三方复现，这点后面说）在 High 档位下，GLM-5.3 以约 5 万输出 token 完成 31.4% 的任务，Claude Opus 4.8 用 12 万 token 才完成 29.5%。在最高难度档位，GLM-5.3 用 7.5 万 token 完成 34.5%，而 GLM-5.2 花 9.6 万 token 只完成 23.4%；Fable 5 的 39.5% 依然是天花板，但代价是更多的 token。同样的活，GLM-5.3 的 token 开销不到 Opus 4.8 的一半------按 token 计费的时代，这个差距就是实打实的成本差距。
维度二：智能体与长程任务------真正领先闭源旗舰的地方
如果说编程是「追平」，那 Agent 能力就是 GLM-5.3 真正拉开差距的战场。
AutomationBench 测的是跨应用工作流编排：让模型自己决定调用哪些工具、按什么顺序执行、出错怎么恢复。GLM-5.3 拿 48.2，超过 Kimi K3 的 46.7、Fable 5 的 46.2 和 GPT-5.6 Sol 的 45.8------这是开源模型首次在这类基准上同时压过三家闭源/商用旗舰。
GDPval-AA v2 是 OpenAI 提出的评估，覆盖 44 种职业的真实高价值知识工作，智谱拿到 1769 分，超过 Fable 5 的 1743 和 GPT-5.6 Sol 的 1730。这个基准的特色是「不是考你知不知道，而是考你干不干得动」------模拟真实办公环境里的长任务执行，分数越高说明模型越能当「数字员工」用。官方给出的用例很具体：让模型在数万行代码、上百个文件、多个相互依赖的系统之间持续推进，前端开发、Bug 修复、代码重构都能在极少人工干预下推进到可交付状态。
HLE w/ Tools 从 54.7 升到 62.5，说明推理能力没有因为专攻编程而退化，反而在工具辅助下变强了------这是「带工具的推理」路线被验证的又一个信号。
当然也有短板：Agents' Last Exam 只从 23.8 升到 28.5，相比 GPT-5.6 Sol 官方公布的 53.6（OpenAI 自家评测口径）差距明显。智谱官方也承认这个基准「仍有提升空间」------长程多轮任务里，GLM-5.3 的执行稳定性还不足以挑战 GPT-5.6 Sol。
维度三：网络安全能力------意外「涌现」的加分项
这次发布最意外的是安全能力。智谱在训练环境里引入了漏洞发现数据后，GLM-5.3 在白盒代码审查、漏洞发现任务中的表现直接持平行业标杆 Mythos 5，官方称已在真实代码库中识别出 2436 个安全漏洞。
看数据更清楚：
text
CyberGym（漏洞验证）: GLM-5.3 84.5 > Mythos 5 83.8 > GPT-5.6 Sol 83.6 > Kimi K3 80.0
ExploitBench（利用链）: GLM-5.3 54.4（vs Mythos 5 78.0、GPT-5.6 Sol 76.5）
ExploitGym（2h 任务数）: GLM-5.3 105（vs Mythos 5 181、GPT-5.6 Sol 216）结论是「守强攻弱」：漏洞发现 能力已经摸到头部水平，但漏洞利用（ExploitBench、ExploitGym）还差得远。智谱把这解释为「优势集中在漏洞利用链前端」，并且为了安全评估，权重要等两周后才开放------这个节奏是合理的，一个能自己挖 0day 的模型，直接放权重确实需要谨慎。
对普通开发者来说，这个能力有个实际用途：让 GLM-5.3 帮你做代码安全审计。把 PR diff 丢给它，让它找注入点、越权路径、不安全的反序列化：
bash
# 实测场景：让模型审计一个登录接口的 PR
git diff origin/main...HEAD | head -200 > /tmp/pr.diff
# 期望输出：指出 SQL 拼接、越权判断缺失、异常处理吞错等问题实测比通用模型的「看出来像是有问题」要具体得多------它会直接指出哪一行、什么条件下存在注入风险，并给出修复建议。
维度四：后训练 Scaling------743B 凭什么打 2.8T
这次升级最值得关注的技术细节是：GLM-5.3 和 GLM-5.2 是同一个基座。智谱官方技术博客的原话是「Scaling post-training is all we did」------全部提升来自后训练。
具体做法是三条线：IndexShare（数据共享/索引体系）、SAO（训练环境规模化），以及新一代 Slime 框架（异步强化学习，Megatron 训练 + SD Lang 做 rollout）。训练环境从「孤立编程题」扩展到「发现问题→分析方案→实施→验证→交付」的完整工作流，部分任务的工作量相当于资深工程师连续数天的工作量，模型需要使用真实的计算集群、存储系统、内部文档与代码库完成任务。
这意味着什么？模型能力的上限可能还没被摸到。 智谱官方自己说「可能我们还远未开发出这个基座的智能上界」。对开发者来说，这是利好------同一个基座还能继续涨；对闭源厂商来说，这是压力------开源阵营的后训练效率正在快速追平「堆参数」路线。
可用性：现在能用什么，要等什么
GLM-5.3 的开放节奏是分阶段的，别搞混：
| 渠道 | 状态 | 说明 |
|---|---|---|
| GLM Coding Plan | ✅ 已上线 | 8/14 13:00 全员额度重置，订阅用户可直接用 |
| ZCode / AutoClaw | ✅ 已上线 | 智谱官方编程工具 + 效率工具 |
| TraeWork / 扣子 / Qoder 等 | ✅ 抢先体验 | TraeWork、TraeCode、扣子、WorkBuddy、CodeBuddy、Qoder、QwenWork、CatPaw、JoyCode、OpenCode 等编码平台 |
| API | ⏳ 即将上线 | 官方文档已更新模型页（1M 上下文、128K 最大输出），上线后开放调用示例 |
| 开放权重 | ⏳ 约两周后 | 需先完成安全评估与加固 |
值得注意的反差：DeepSeek 前一天刚上调 V4 系定价，GLM-5.3 这边却走「Coding Plan 订阅 + 额度重置」的普惠路线。在国产 API 涨价的背景下，模型能力商品化 + 价格竞争的白热化，对开发者来说是好消息。
独立评测者的质疑：官方数字要打折看
官方数据漂亮，但有三点必须泼冷水：
-
Z.ai Code Bench 是内部基准。 「编程能力提升 50%」这个核心宣传数字来自智谱自研、无法第三方复现的评测。虽然 Terminal-Bench、DeepSWE 这些公开基准的涨幅能交叉验证方向，但 50% 这个具体数字只能当参考，不能当结论。
-
ExploitGym 的差距被宣传口径掩盖了。 发布会上「涌现安全能力」的叙事很响，但完整看数据，GLM-5.3 在漏洞利用上与 Mythos 5、GPT-5.6 Sol 的差距是数量级的（105 vs 181/216）。如果只看 CyberGym 一项，会得出「安全能力持平」的错误印象。
-
模型还没完全开放。 现在只有 GLM Coding Plan 订阅用户能用，API 即将上线，权重两周后开源。第三方大规模复测要等权重开放后才能做------在这之前，所有「体感超过 Kimi K3」的说法都来自官方和少量内测用户。
选型建议
按场景对号入座，直接说结论：
| 你的主要场景 | 怎么选 | 依据 |
|---|---|---|
| 编程体感优先、在乎 Token 成本 | GLM-5.3 | 公开基准涨幅 + Token 效率（5 万 vs 12 万）双优势，Coding Plan 订阅即可用 |
| 终端/系统级长程任务 | 暂缓，等 API 上线复测 | Terminal-Bench 28.3 进步巨大，但 GPT-5.6 Sol 34.6 仍领先 |
| 安全审计、漏洞排查 | GLM-5.3 值得试 | CyberGym 84.5 领先，白盒代码审查持平 Mythos 5 |
| 追求绝对能力的上限 | Fable 5 / GPT-5.6 Sol | 最高难度任务（Code Bench 39.5%）和 ExploitGym 仍是闭源旗舰的主场 |
| 本地部署 | 等两周 | 权重 8 月底开源，743B 的量化部署方案到时候才有定论 |
三条趋势观察：
-
后训练 Scaling 正在改写「参数越大越强」的定律。 GLM-5.3 用 743B 基座在多个基准上压过 2.8T 的 Kimi K3，说明高质量长程 RL 数据的边际收益，可能比堆参数更大。这对中小团队是利好------不需要万卡集群也能追上前沿。
-
国产旗舰的竞争焦点已从「模型本身」转向「编程与 Agent 执行」。 从 Kimi K3 到 DeepSeek V4 Pro 0813 再到 GLM-5.3，宣传口径全在 Coding、工具调用、长程任务上。模型能力的商品化速度，比大多数人预期的快。
-
「对标 Fable 5」成了开源模型的基本配置，但真正拉开差距的是 Token 效率。 各家都能在某个基准上追平闭源旗舰，可 GLM-5.3 这种「一半 token 干同样的活」的能力，才是对开发者账单真正有意义的指标。
最后说句实在的：所有基准都是纸面数据，而且 GLM-5.3 现在还没开放 API 和权重，第三方复测样本有限。如果急着用，先拿 Coding Plan 试一周；如果不急，等 8 月底权重开放后，自己拉下来跑一遍比看任何横评都靠谱。
延伸阅读：智谱GLM-5.2深度实测：1M上下文+MIT协议
📌 系列文章
- GPT-5.6 Sol/Terra/Luna vs Claude Fable 5 全方位横评
- 4款编程新模型10天扎堆发布------实测7大维度17组数据
- Claude Opus 5 半价实测：3个真实任务追平Fable 5？
- Muse Glimmer vs Qwen 3.6 vs Gemma 4：30B 本地 Agent 三强横评
测了 4 款模型才发现差距这么大。关注我 👆 第一时间获取更多AI工具深度横评。