GLM-5.3: nació para programar y acabó dominando la ciberseguridad

Cuando se entrena un modelo de inteligencia artificial para escribir mejor código, lo lógico sería esperar solo eso: menos errores, soluciones más limpias. Pero con GLM-5.3 ha pasado algo curioso. Z.ai sostiene que, mientras afinaba el sistema para desenvolverse durante horas en entornos complejos, usar herramientas y resolver problemas de principio a fin, también aparecieron habilidades en un terreno bastante más incómodo: la ciberseguridad. Y no crecieron poco a poco, sino más rápido de lo que la propia compañía anticipaba, sobre todo cuando el trabajo dejaba de ser analizar vulnerabilidades para pasar a intentar explotarlas.

Qué cambió y por qué el salto sorprendió tanto

Aquí conviene aclarar una cosa. GLM-5.3 no arranca de un modelo base nuevo. Z.ai explica que utiliza exactamente el mismo que GLM-5.2 y que toda la mejora viene del post-training. Durante el último mes, la empresa amplió el número de entornos, diversificó las tareas y dedicó más cómputo a entrenar el sistema en trabajos largos, parecidos a los que afrontaría un ingeniero de verdad. En esa mezcla metió a propósito datos y entornos para descubrir vulnerabilidades. Así que la mejora no salió de la nada. Lo inesperado, dicen, fue hasta dónde llegó esa faceta al seguir escalando.

Y encontrar un fallo no es lo mismo que explotarlo. CyberGym le da al agente la descripción de una vulnerabilidad y el repositorio, y mide si consigue reproducirla con una prueba de concepto que dispare el error. Su conjunto reúne 1.507 vulnerabilidades de 188 proyectos. ExploitBench va más allá y mide cuánto avanza el sistema en la explotación, desde provocar un fallo hasta lograr lectura, escritura o ejecución arbitraria de código. ExploitGym pone el foco directamente en completar tareas de explotación. La distinción no es un detalle menor: demostrar que existe un problema y convertirlo en un ataque funcional son cosas muy distintas.

Los números y la comparación con Anthropic

Las cifras publicadas por Z.ai dibujan un patrón claro. La mejora frente a GLM-5.2 se agranda cuanto más avanzan las pruebas por la cadena de explotación. En CyberGym pasa del 77,2% al 84,5%. En ExploitBench, del 24,4% al 54,4%. Y en ExploitGym la diferencia es todavía mayor: completa 105 tareas con presupuesto de dos horas y 130 con el de seis, frente a las 29 y 39 de GLM-5.2. La empresa lee esto como señal de que las fases más avanzadas progresaron especialmente rápido, aunque conviene recordar que estos resultados no han sido verificados de forma independiente.

Link affiliato

Para poner el salto en perspectiva ayuda la comparación con Mythos 5, una versión de Claude Fable 5 sin sus salvaguardas habituales de ciberseguridad, cuyo acceso Anthropic restringe a organizaciones verificadas. Según las cifras de Z.ai, GLM-5.3 alcanza un 84,5% en CyberGym, apenas por encima del 83,8% de Mythos 5. Pero la foto cambia al avanzar hacia el ataque real: en ExploitBench obtiene un 54,4% frente al 78% de Anthropic, y en ExploitGym completa 105 tareas frente a 181. Compite bien en las primeras fases del análisis, todavía se queda corto cuando toca convertir esos fallos en ataques funcionales.

Fuera del laboratorio, la firma china asegura que este trabajo ya salió de los benchmarks. Desde GLM-5.2 colabora con varios equipos de seguridad chinos sobre código real y afirma haber identificado, tras revisión experta y filtrado, 2.436 vulnerabilidades en 269 proyectos. Hay además un precedente independiente: Hugging Face usó GLM-5.2 en su propia infraestructura para analizar forensicamente una intrusión protagonizada por un agente autónomo movido por modelos de OpenAI, y dice que le ayudó a descifrar buena parte de los payloads. La misma herramienta que sirve para estudiar cómo explotar un fallo también sirve para entenderlo y corregirlo.

En julio, el UK AI Security Institute situó a GLM-5.2 como el modelo open-weight más capaz que había probado en ciberseguridad, con un rendimiento comparable al de 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 marca la tendencia. Z.ai prevé publicar sus pesos tras completar las evaluaciones de seguridad.

Fuente
Imagen: xataka.com

Link affiliato