GLM-5.3 深度测评（2026年8月）：最强的开源编程模型？（EggStriker.AI）

核心内容摘要

2026 年 8 月 14 日智谱（Z.ai，港股 02513）发布 GLM-5.3。它没有换架构、没有堆参数（743B，与 GLM-5.2 同一基座），几乎全部能力提升来自后训练缩放——用更长程的任务环境、更丰富的环境类型、更长的强化学习时间来"榨"出上限。发布时点智谱 ARR 已达 10 亿美元（国内第一家迈过该里程碑的大模型厂商）。

Key Takeaways

• 743B 参数，与 GLM-5.2 同一基座，架构未变，提升全部来自后训练。

• DeepSWE v1.1 66.9（开源第一）；Terminal-Bench 3.0 4.6→28.3、SWE-Marathon 19.4→42.5。

• CyberGym 84.5%，所有已评测模型中的第一（超 Mythos 5 的 83.8% 与 GPT-5.6 Sol 的 83.6%）。

• 网络安全能力太强反而"拖累"发布：权重与 API 因安全加固延后约两周，敏感能力分级为"trusted access"。

工程细节

• 基于开源 Slime 框架训练，端到端 RL 吞吐较既有方案提升 2.3 倍，让"更长程、更大规模 RL 后训练"在成本上可行。

• Effort Level 机制：四档推理深度（Non-Thinking 非思考 + Low/High/Max 三档思考）。注意：本文写作时（8/15）官方文档称 5.3 支持 Non-Thinking，但 API 强制开启思考，实际与后续官方口径（仅 low/high/max）存在出入——以官方最新文档为准。

• 因基座未变，5.2 时代的部署工具链、量化方案与推理基础设施可平滑迁移。

官方跑分（GLM-5.2 → 5.3，厂商自报、待独立复测）

与闭源旗舰的真实差距（官方口径）

• Terminal-Bench 3.0：28.3 vs Fable 5（33.7）/ GPT-5.6 Sol（34.6），落后约 5–6 个点。

• DeepSWE v1.1：66.9 vs Fable 5（69.7），落后不到 3 个点——差距从"代差"缩到"个位数"，一年前开源落后闭源往往 20 分以上。

• token 效率：Z.ai Code Bench 约 5 万 token/任务拿 31.4%，超过 Opus 4.8 用约 12 万 token 拿到的 29.5%——花不到一半 token 做得更好；仍落后 Fable 5（@Max 39.5%）。

• 价格定位：官方称 API 定价约为美国前沿模型每 token 单价的十分之一（5.2 口径约 $1.4/$4.4 每百万 token，相对 Fable 5 的 $10/$50 约 1/7~1/11）。

网络安全：最强，也最"麻烦"

• CyberGym 84.5% 全场第一；ExploitBench 54.4%（5.2 仅 24.4%，翻倍）；ExploitGym 2 小时 105 个任务。

• 官方披露：识别 2,436 个开源项目漏洞（269 个项目），1,097 个高危/严重；最早漏洞可追溯到 1981 年，平均"发现滞后"26.6 年。

• 代价：权重与 API 延后约两周（预计 8 月底）；敏感网络安全能力分级"trusted access"，仅对审批合格用户开放；普通 API 用户被强制开启思考，只能在 low/high/max 中选择。

使用建议（中转站视角）

• 截至 8/15：API 与可下载权重均未上线；当前可用渠道只有 GLM Coding Plan 订阅、ZCode、AutoClaw（发布当日起全量开放）。

• 接入逻辑与 GLM-5.2 及其他 OpenAI 兼容模型完全一样——把 base_url 指向中转站的 OpenAI 兼容端点即可。

• 注意：安全分级意味着"能跑通 API"≠"拿到全部网络安全能力"；强制思考意味着成本估算不能按非思考档的便宜价格算。

结论

• 一句话评价：开源阵营第一，全体模型还不是第一；与闭源第一梯队差距从"代差"缩小到"几个点"，但还没追平。

• 定位清晰：不是来抢"最强"，而是抢"最强开源 + 最强性价比"（开源第一 + 价格约闭源 1/10 + token 效率优势）。