La compañía Z.ai ha observado un avance significativo en las capacidades de ciberseguridad de su modelo GLM-5.3, especialmente en la explotación de vulnerabilidades, tras un entrenamiento intensivo enfocado en programación. Aunque las mejoras en ciberseguridad no fueron el objetivo principal, su desarrollo superó las expectativas de la empresa, mostrando un patrón de mejora acelerada en las fases más avanzadas de las pruebas de explotación.
Optimizar un modelo de inteligencia artificial para la programación ya no se limita a reducir errores en el código. Cuando se entrena un sistema para operar durante horas en entornos complejos, utilizar herramientas, revisar resultados y resolver problemas de principio a fin, también se están potenciando habilidades que pueden manifestarse en áreas más delicadas. Esto es precisamente lo que Z.ai afirma haber notado con GLM-5.3: durante el escalado de su post-entrenamiento, las aptitudes relacionadas con la ciberseguridad crecieron más rápido de lo anticipado por la compañía, particularmente en la transición del análisis a la explotación de vulnerabilidades.
Z.ai explica que GLM-5.3 no se basa en un nuevo modelo fundamental, sino que utiliza la misma arquitectura que GLM-5.2, y todas las mejoras provienen del post-entrenamiento. Durante el último mes, la empresa expandió la variedad de entornos, diversificó las tareas y dedicó más recursos computacionales para entrenar al sistema en trabajos prolongados, similares a los que enfrentaría un ingeniero. En esta mezcla se incluyeron deliberadamente datos y entornos para la detección de vulnerabilidades, por lo que la mejora en ciberseguridad no fue completamente fortuita. Lo inesperado, según Z.ai, fue la magnitud del avance de esta faceta a medida que el entrenamiento se escalaba.
Encontrar una vulnerabilidad no es lo mismo que explotarla. CyberGym proporciona al agente una descripción de una vulnerabilidad y el repositorio asociado, y evalúa si puede reproducirla mediante una prueba de concepto que desencadene el fallo; su conjunto comprende 1.507 vulnerabilidades de 188 proyectos. ExploitBench mide el progreso del sistema en la explotación, desde provocar un fallo hasta lograr capacidades como lectura, escritura o ejecución arbitraria de código, mientras que ExploitGym se centra directamente en completar tareas de explotación. Esta distinción es crucial porque demostrar la existencia de un problema y convertirlo en un ataque funcional son desafíos diferentes.
El progreso de GLM-5.3 fue inesperado. Las cifras divulgadas por Z.ai revelan un patrón claro: la mejora respecto a GLM-5.2 se acentúa a medida que las pruebas avanzan 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 horas, en comparación con las 29 y 39 de GLM-5.2. La compañía interpreta este comportamiento como una señal de que las fases más avanzadas progresaron con particular rapidez, aunque Reuters advierte que los resultados no han sido verificados de manera independiente.
La comparación con Mythos 5 ayuda a contextualizar este avance. Mythos 5 es una versión de Claude Fable 5 sin sus salvaguardas de ciberseguridad habituales, cuyo acceso Anthropic restringe 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 el panorama 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. Esto indica que puede competir en las primeras fases del análisis de vulnerabilidades, pero aún se encuentra rezagado cuando se trata de convertirlas en ataques funcionales.
La firma china asegura que sus modelos ya han aplicado 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 realizar un análisis forense de una intrusión protagonizada por un agente autónomo impulsado por una combinación de modelos de OpenAI, y asegura que le ayudó a descifrar gran parte de los payloads recuperados. Este episodio ilustra la dualidad de estas herramientas: pueden emplearse para estudiar cómo explotar un fallo, pero también para comprenderlo y corregirlo.
China está reduciendo la brecha. En julio, el UK AI Security Institute clasificó a GLM-5.2 como el modelo de pesos abiertos más competente que había evaluado en ciberseguridad y concluyó que su rendimiento era comparable al de modelos cerrados publicados entre cuatro y siete meses antes, frente a una diferencia de seis a diez meses observada durante gran parte de 2025. Esta evaluación no incluye a GLM-5.3, pero sirve para situar la tendencia. Z.ai planea publicar sus pesos una vez completadas las evaluaciones de seguridad. Si esta distancia continúa disminuyendo, capacidades que hoy se encuentran en la frontera cerrada podrían llegar antes a modelos descargables sin las mismas posibilidades de control por parte del proveedor.
