GLM-5.3 dẫn đầu Cyber ECI của Epoch với 160 điểm: Biên giới mạng mở đang tụt lại 6–7 tháng

Epoch AI đã gắn một con số cho câu hỏi mà cuộc tranh luận về an toàn của mô hình trọng số mở vẫn luẩn quẩn, và đó là một bảng xếp hạng chứ không phải một lời cảnh báo: GLM-5.3 đạt 160,10 trên Cyber ECI của phòng thí nghiệm, cao nhất trong số các mô hình trọng số mở mà chỉ số này theo dõi, trên GPT-5.4 của OpenAI và dưới Claude Mythos Preview của Anthropic cùng GPT-5.5 của OpenAI. Đọc như một mốc thời gian thay vì một điểm số, vị trí đó cho thấy năng lực tấn công mạng tốt nhất có thể tải xuống công khai hiện nay nằm đâu đó ở mức mà biên giới đóng đã đạt được khoảng sáu đến bảy tháng trước. Phép đo — một Data Insight công bố ngày 16 tháng 10 bởi các nhà nghiên cứu Epoch là Jaeho Lee và Alexander Barry, trên dữ liệu chốt đến ngày 8 tháng 10 — là cơ quan bên ngoài đầu tiên xếp hạng GLM-5.3 về tấn công mạng, và nó xuất hiện một tháng sau khi CAISI của NIST gọi mô hình này là bản phát hành trọng số mở có năng lực tấn công mạng mạnh nhất từ trước đến nay, đồng thời ước nó chậm khoảng bốn tháng so với biên giới Mỹ. Hai cách đọc có chung một nguồn: Epoch lấy điểm Cyber của GLM-5.3 từ ba chuẩn đánh giá của CAISI, vốn là những kết quả tấn công mạng duy nhất của mô hình này, nên khoảng cách giữa chúng là khoảng cách về phương pháp, không phải về phép đo. Frontier Red Team của Anthropic đã tự đưa ra các con số cho bộ trọng số được phát hành vào ngày 29 tháng 9, phát hiện khai thác đầu-cuối trong 50/410 lần thử ExploitBench, so với 56/410 của Claude Mythos Preview. Bản thân mô hình không mới: Z.ai công bố GLM-5.3 vào ngày 14 tháng 8, mở API vào ngày 18 tháng 8 với giá 1,40 / 4,40 USD mỗi triệu token, và đưa bộ trọng số 743B lên Hugging Face vào ngày 28 tháng 8 theo giấy phép tùy chỉnh “glm-5.3”. Điều mới là năng lực mà Z.ai xây dựng quanh đợt ra mắt giờ đã có vị trí trên một bảng xếp hạng công khai và một khoảng cách đo được tới biên giới — trong khi Artificial Analysis định giá cùng bộ trọng số đó theo từng tác vụ ở mức 0,92 đến 8,68 USD tùy thuộc endpoint nào trả lời, và Amazon Bedrock đã cung cấp chúng từ ngày 5 tháng 10 cho các khách hàng doanh nghiệp đủ điều kiện. Trang này lần đầu theo dõi GLM-5.3 từ các dấu vết rò rỉ ngày 3 tháng 8, rồi xuyên suốt quá trình ra mắt; bản sửa đổi này bổ sung vị trí trên Cyber ECI, phương pháp đằng sau nó, và khoảng cách sáu đến bảy tháng nói gì và không nói gì về mô hình mà bạn thực sự sẽ định tuyến tới.

Từ rò rỉ đến ra mắt

Bốn dấu vết xuất hiện vào ngày 3 tháng 8 — một trang harness “ZCode for GLM-5.3”, một trang tài liệu chính thức có thể truy cập trong khoảng một giờ, một mục chỉ mục Bing ghi “GLM-5.3 Official Harness”, và một commit thêm mục “glm-5.3” với hỗ trợ JSON Schema vào SDK Java chính thức của Zhipu — đều hướng tới một bản phát hành có thật và có tên. Câu trả lời “sooooooon” của đồng sáng lập Z.ai Tang Jie và cách định vị “epic-level plus” giờ đã được một sản phẩm thực tế xác nhận chứ không còn là tin đồn. Tín hiệu thời điểm “khoảng một tuần” mà trang này đã kiểm chứng — được @teortaxesTex đăng trên X sau khi DeepSeek V4 Pro phát hành ngày 13 tháng 8 — đúng đến từng ngày: Z.ai chính thức công bố GLM-5.3 vào ngày 14 tháng 8 với khẩu hiệu “Built to Code. Ready for Cyber Defense.” Phần tiếp theo đến vào tuần sau: mô hình ra mắt trên thị trường rộng hơn vào ngày 18 tháng 8 — một ngày phát hành giờ đã được ghi trên các danh sách mô hình của bên thứ ba — và vào ngày 19 tháng 8, Z.ai thông báo API đã mở để gọi, với giá ngang GLM-5.2, và mô hình đã được tích hợp vào ZCode, AutoClaw và GLM Coding Plan.

Tín hiệu rò rỉ tiếp theo: bộ xử lý đa phương thức cho GLM-5.3

Cách định vị chỉ-văn-bản của dòng flagship có thể không còn đúng được lâu. Vào ngày 28 tháng 8, một pull request đang mở trong engine phục vụ sglang đề xuất hỗ trợ đầu vào bộ xử lý đa phương thức cho GLM-5.3 — phần keo bộ xử lý chuyển các tải trọng hình ảnh thành cùng một sơ đồ thay đổi kích thước động, pixel, lưới và mở rộng token mà khung Miles RL sử dụng, để huấn luyện và phục vụ cùng nhìn thấy những đầu vào hình ảnh giống hệt nhau. PR này là nửa phía rollout của học tăng cường có điều kiện hình ảnh trên GLM-5.3 trong radixark/miles, và commit thứ hai của nó đăng ký các bài kiểm thử bộ xử lý GLM-5.3 trong CI CPU của sglang. Không có gì trong số này là thông báo của Z.ai, và chưa có GLM-5.3 đa phương thức nào được phát hành hay đánh giá chuẩn — đây là bằng chứng ở cấp độ mã nguồn, cùng loại tín hiệu sớm mà trang này lần đầu theo dõi vào ngày 3 tháng 8. Điều nó cho thấy là dòng flagship đang được chuẩn bị để tiếp nhận hình ảnh, trong cả huấn luyện lẫn ngăn xếp phục vụ, thay vì giữ nguyên mô hình lập trình-và-an ninh chỉ dùng văn bản mà Z.ai mô tả khi ra mắt. Cách Perplexity tự định vị khi đưa GLM-5.3 vào Computer hồi cuối tháng 8 — “được xây dựng cho khối lượng công việc tác nhân đa phương thức, ngữ cảnh dài” — cũng chỉ về cùng một hướng, dù đó là định vị sản phẩm, chứ không phải một mô hình đa phương thức đã phát hành.

Post-training thực sự mang lại điều gì

Tuyên bố về kiến trúc là phần đáng được làm rõ, bởi vì chi tiết cụ thể gây chú ý nhất của bản rò rỉ — tham số vượt quá một nghìn tỷ — là sai. GLM-5.3 không phải là một mô hình lớn hơn. Z.ai và nhà đồng sáng lập Tang Jie đều nói rằng nó tái sử dụng chính xác cùng một mô hình cơ sở Mixture-of-Experts 743B như GLM-5.2 (khoảng 40 tỷ tham số hoạt động cho mỗi token), giữ nguyên cửa sổ ngữ cảnh 1M token và đầu ra tối đa khoảng 128K, và toàn bộ cải thiện đều đến từ hậu huấn luyện. Tang Jie đã mô tả đợt ra mắt này như một thí nghiệm kiểm soát biến số có chủ đích — cùng mô hình cơ sở, cùng kiến trúc, cùng số tham số, với biến số duy nhất là một tháng học tăng cường tầm xa trên các tác vụ lập trình, và chính tháng đó là nơi ông đặt mức cải thiện khoảng 50% về khả năng lập trình. Ghi chú phát hành của Z.ai bổ sung cơ chế đằng sau: nhiều môi trường tác vụ tầm xa hơn, nhiều loại môi trường hơn, và các đợt huấn luyện dài hơn, được xây dựng trên nền tảng ngữ cảnh dài IndexShare, RL không đồng bộ SAO, và khung mã nguồn mở slime — vốn đã tạo ra GLM-5.2. Bài phân tích kỹ thuật chuyên sâu mà Z.ai liên kết từ thông báo trọng số mở — bài nghiên cứu tại z.ai/blog/glm-5.3 — đi xa hơn về công thức: số lượng môi trường tác vụ tầm xa nhiều gấp hàng chục lần, nhiều loại môi trường hơn, và các đợt huấn luyện kéo dài vượt xa bản phát hành đầu tiên, với các tác vụ được mở rộng lên đến khối lượng công việc chuyên gia kéo dài nhiều ngày trên các cụm máy tính thực tế. Cách họ đóng khung năng lực không gian mạng — "khả năng lập trình bị ràng buộc chặt chẽ" xuất hiện khi các môi trường tác vụ được mở rộng — cũng giống như ghi chú phát hành, là lời giải trình của chính công ty, chứ không phải một cuộc đánh giá độc lập. Cách đóng khung "không huấn luyện lại, chỉ hậu huấn luyện" đó là của nhà sáng lập và của công ty, và nó chưa được kiểm chứng độc lập. Kích thước là tiêu đề đáng chú ý còn lại: với tổng cộng 743B tham số nhưng chỉ có khoảng 40B hoạt động cho mỗi token, GLM-5.3 đủ nhẹ để tự lưu trữ trên một cụm máy vừa phải và đủ rẻ để phục vụ với quy mô lớn — định vị "nhỏ hơn, rẻ hơn, mở" mà các bình luận trong ngày ra mắt gắn cho nó, và tương phản rõ rệt với các mô hình chủ lực tiên phong khép kín mà nó đang được đem ra so sánh.

Lập trình và agent: những con số mà Z.ai đang tuyên bố

Về phần coding, Z.ai báo cáo — tất cả đều do nhà cung cấp tự báo cáo và chưa được tái lập — Terminal-Bench 3.0 tăng từ 4.6 lên 28.3, mà Z.ai gọi là điểm open-weights cao nhất trên bộ đánh giá đó; DeepSWE v1.1 tăng từ 46.2 lên 66.9; SWE-Marathon tăng gần gấp đôi từ 19.4 lên 42.5; và Agents' Last Exam (CLI) tăng từ 23.8 lên 28.5. Cách nói tắt của chính Tang Jie về kết quả, trong một bài đăng trên X được @dotey chuyển tiếp, là “hoàn toàn là post-training, coding tăng khoảng 50%” — cùng con số tiêu đề mà Z.ai in trong thông báo của mình. Trên bài kiểm thử mã nội bộ của Z.ai, GLM-5.3 đạt 31.4% với khoảng 50K token đầu ra mỗi tác vụ ở mức nỗ lực cao, so với 29.5% của C​laude O​pus 4.8 ở khoảng 120K token — ý của Z.ai là GLM-5.3 đạt kết quả tương đương trong khi dùng ít token đầu ra hơn nhiều. C​laude Fable 5 vẫn dẫn đầu bài đánh giá nội bộ đó với 39.5% ở mức nỗ lực tối đa, và Z.ai thừa nhận GLM-5.3 vẫn kém G​PT-5.6 Sol và C​laude Fable 5 trên một số bài đánh giá coding khó hơn. Hãy coi tất cả những số liệu này là số liệu của nhà cung cấp cho đến khi một bộ đánh giá độc lập tái lập được chúng.

Phòng thủ mạng: năng lực không ai ngờ tới

Những con số về an ninh mạng là phần gây chú ý nhất trong thông báo của Z.ai, và cho đến ngày 29 tháng 9, chúng cũng hoàn toàn do nhà cung cấp tự công bố. Trên CyberGym, một benchmark phát hiện và xác thực lỗ hổng hộp trắng, Z.ai báo cáo GLM-5.3 đạt 84,5%, tăng từ 77,2% của GLM-5.2 và vượt qua M​ythos 5 (83,8%) và G​PT-5.6 Sol (83,6%) của phòng thí nghiệm. Trên ExploitBench, nơi yêu cầu cả phân tích nguyên nhân gốc rễ và một khai thác hoạt động được, Z.ai báo cáo GLM-5.3 tăng hơn gấp đôi từ 24,4% lên 54,4%, mặc dù M​ythos 5 (78,0%) vẫn dẫn trước. Trên ExploitGym, Z.ai báo cáo 105 tác vụ hoàn thành trong ngân sách 2 giờ và 130 trong 6 giờ, so với 29 và 39 của GLM-5.2 — một lần nữa lại đứng sau M​ythos 5 (181 và 247). Z.ai mô tả năng lực mạng này như một thuộc tính nổi lên của quá trình hậu huấn luyện được mở rộng — “năng lực tiếp tục tích lũy khi quy mô huấn luyện tăng lên,” theo lời công ty — thay vì một mục tiêu có chủ đích. Một lưu ý trước khi so sánh những tỷ lệ phần trăm đó với bất cứ điều gì bên dưới: con số ExploitBench của Z.ai và kết quả ExploitBench ở cấp độ nỗ lực của A​nthropic là những lần chạy khác nhau của cùng một benchmark công khai dưới các harness và chế độ khác nhau, vì vậy hai con số không phải là cùng một phép đo và không nên được đặt cạnh nhau.

Z.ai bổ sung một tuyên bố thực tế đi kèm với các benchmark: khi thử nghiệm với các nhóm bảo mật, GLM-5.3 đã xác định 2.436 lỗ hổng trên 269 dự án mã nguồn mở, 1.097 trong số đó được xếp loại nghiêm trọng hoặc cao, với phát hiện lâu đời nhất có từ năm 1981 và “vòng đời” trung bình là 26,6 năm. Đó là con số nổi bật nhất trong thông báo và cũng là con số khó được kiểm chứng độc lập nhất. Công ty đã kết hợp năng lực này với một Security Disclosure Ledger để công bố có phối hợp, một chương trình “trusted access” giới hạn các chức năng mạng nhạy cảm cho người dùng đã xác minh, và một sáng kiến “Open Source Shield” nhằm kiểm toán liên tục các dự án mã nguồn mở trọng yếu. Đánh giá ngày 29 tháng 9 của Anthropic là một thách thức trực tiếp đối với mức độ mà cơ chế gating đem lại trên các trọng số có thể tải xuống: nó nhận thấy mô hình được phát hành mặc định từ chối các yêu cầu có hại, nhưng có thể bị vượt qua trong 64–100% số lần thử bằng các kỹ thuật thông thường, và lưu ý rằng các nhà phát triển đã công bố các biến thể GLM-5.3 abliterated trong vòng vài ngày sau khi phát hành trọng số. Một chương trình người dùng đã xác minh quản lý một API; nó không quản lý một tệp.

Anthropic đã đo lường điều gì, và điều đó thay đổi những gì

Nhóm Frontier Red Team của Anthropic đã công bố đánh giá của mình vào ngày 29 tháng 9 với tiêu đề “GLM-5.3 và sự lan rộng của các năng lực tấn công mạng tiên tiến”, và đây là lần đầu tiên một phòng thí nghiệm đối thủ đưa ra những con số của chính mình về khả năng khai thác của GLM-5.3. Cách diễn đạt rất thẳng thừng: giống như Claude Mythos Preview, GLM-5.3 có năng lực mạnh trong việc tự động xây dựng các exploit mạng đầu-cuối, nhưng khác với các mô hình tiên phong khác, nó đã được phát hành mà không có các biện pháp bảo vệ thực chất để hạn chế lạm dụng. Khi chạy trong các sandbox cô lập nhắm vào các mục tiêu ngoại tuyến, GLM-5.3 đã phát triển được các exploit đầu-cuối trên ExploitBench trong 50/410 lần thử. Claude Mythos Preview — được Anthropic công bố khoảng năm tháng trước đó và phát hành hạn chế thông qua chương trình người bảo vệ tin cậy Project Glasswing — đã làm được như vậy trong 56/410 lần. Trên chuẩn đánh giá Khai thác Nhị phân nội bộ của Anthropic, vốn lấy ngẫu nhiên 100 tác vụ từ các dự án tham gia OSS-Fuzz của Google và cho điểm tối đa nếu chiếm quyền điều khiển luồng điều khiển, GLM-5.3 đạt 4% so với 6% của Claude Mythos Preview. Điểm mấu chốt của Anthropic không phải là GLM-5.3 dẫn đầu mà là một ngưỡng đã dịch chuyển: các mô hình trước đó, bao gồm Claude Opus 4.6 và GLM-5.2, không thành công ở bất kỳ tác vụ nào trong số đó.

Trong các phiên do nhà nghiên cứu dẫn dắt, phát hiện này trở nên cụ thể. Với một máy được sandbox chạy bản dựng Linux cục bộ của một trình duyệt web phổ biến và chưa đến một giờ sự chú ý của con người trải trong một ngày, GLM-5.3 đã tìm thấy một số lỗ hổng chưa từng được biết đến trước đây trong engine JavaScript của trình duyệt và nối chúng thành một khai thác hoạt động được — một trang mà khi được truy cập sẽ đọc các tệp tùy ý trên máy tính của người truy cập, bao gồm cả khóa riêng SSH. Anthropic cho biết họ đã tiết lộ những lỗ hổng đó cho đơn vị bảo trì, và rằng cùng phiên đó cũng phát hiện ra các lỗ hổng có thể khai thác trong trình điều khiển không dây và đồ họa và trong phần mềm thiết bị tiếp xúc mạng. Trong một phiên thứ hai, GLM-5.3-Flash — phiên bản anh em nhỏ hơn, ít năng lực hơn — được cung cấp thông tin công khai về một lỗ hổng Chrome đã được vá (CVE-2026-11645) cộng thêm một lỗ hổng khác và, không có chỉ đạo đáng kể, đã xây dựng một chuỗi khai thác ARM64 đáng tin cậy vượt qua lớp gia cố xác thực con trỏ. Việc đó mất 20 phút sự chú ý của con người và tám giờ làm việc của mô hình, mà Anthropic định giá là 20,40 đô la theo mức giá API của Zhipu.

Phần an toàn của bài viết là phần làm thay đổi quyết định triển khai. Ngay khi mới chạy, GLM-5.3 đã từ chối mọi yêu cầu độc hại công khai trong thế giới mô phỏng của A​nthropic, cũng như mọi mô hình khác được thử nghiệm. Sau đó Anthropic đã tìm ra những cách đơn giản để lách qua sự từ chối đó, và báo cáo tỷ lệ mà mô hình đã tương tác với yêu cầu có hại:

• Một câu lệnh đánh lừa — nói với mô hình rằng nó là một tác nhân red-team tự trị đang thực hiện một bài tập: 64% số lần thử.

• Điền trước các token suy nghĩ của mô hình để có vẻ như nó đã xem xét yêu cầu và quyết định tiếp tục: 92%.

• Chạy một bản sao trọng số đã được abliterate, với các từ chối đã bị loại bỏ: 100%.

Không mô hình Claude được bảo vệ nào trong ba mô hình có thể thực hiện cùng những nhiệm vụ đó, Anthropic cho biết — các biện pháp bảo vệ của họ đã chặn câu chuyện vỏ bọc, API của họ không cung cấp cách nào để prefill phần suy nghĩ, và trọng số của họ không được phân phối, nên hoàn toàn không thể abliterate các mô hình này. Sự bất đối xứng cuối cùng đó mới là yếu tố có hiệu ứng đuôi dài. Abliteration là một kỹ thuật giảm từ chối tiêu chuẩn, và vì GLM-5.3 được phân phối dưới dạng trọng số có thể tải xuống, bất kỳ ai cũng có thể áp dụng nó: Anthropic đã tự tạo một bản abliterated trong khoảng 2.200 giờ GPU với chi phí khoảng 4.400 USD và nói rằng một nhóm chưa từng thử nhiệm vụ này trước đây cũng có thể làm được. Thao tác chỉnh sửa này đã đưa tỷ lệ từ chối của GLM-5.3 từ trên 90% xuống còn khoảng 3% trên JailbreakBench, 2% trên HarmBench và 12% trên StrongREJECT, trong khi GPQA-Diamond không thay đổi và một tập con đã được kiểm thử của CyberGym chỉ đạt điểm thấp hơn vài điểm phần trăm. Anthropic cho biết một số nhà phát triển đã công bố các phiên bản abliterated của GLM-5.3 cho công chúng chỉ trong vòng vài ngày sau khi mô hình được phát hành, và việc abliterate GLM-5.3-Flash mất khoảng 600 giờ GPU.

Hãy coi toàn bộ đó là các phép đo của một phòng thí nghiệm duy nhất, chứ không phải sự thật đã được xác lập. Anthropic tự chạy các harness và sandbox của riêng mình, tự đếm số lần thử của mình và không công bố bản tái lập của bên thứ ba, nên không có gì ở đây được kiểm toán độc lập, cũng như các con số của chính Z.ai không được kiểm toán độc lập. Điều khiến nó có sức nặng hơn một tuyên bố của nhà cung cấp là hướng của động cơ: Anthropic đang đo mô hình của một đối thủ, họ công bố các mẫu số, và các phát hiện của họ khớp với Trung tâm Tiêu chuẩn và Đổi mới AI của NIST, cơ quan đã đánh giá GLM-5.3 vào ngày 17 tháng 9, gọi nó là “mô hình trọng số mở có năng lực mạng mạnh nhất được phát hành cho đến nay,” và xếp nó đi sau khoảng bốn tháng so với đường biên của Mỹ trên một tổng hợp các điểm chuẩn an ninh mạng của CAISI — kèm theo lưu ý rằng các mô hình Mỹ trong so sánh đó được kiểm thử với các biện pháp bảo vệ mạng bị tắt và bao gồm những mô hình chỉ được phát hành cho người dùng đã được thẩm định. Kết luận của chính Anthropic vừa là một lập luận kỹ thuật vừa là một lập luận chính sách: nó nói rằng một ngưỡng quan trọng về năng lực có thể truy cập tự do đã bị vượt qua, rằng bất kỳ ai cũng có thể tải GLM-5.3 xuống, và rằng các bên phòng thủ nên có quyền truy cập vào những mô hình ít nhất là tốt ngang với những mô hình mà đối thủ của họ đang dùng. Hai tuần sau đánh giá của CAISI, Epoch AI đo cùng khoảng cách đó theo một cách khác và đưa ra kết quả rộng hơn — sáu đến bảy tháng — dựa trên một phần của cùng dữ liệu.

Không có gì ở trên thay đổi cơ chế của một quyết định định tuyến, vốn là phần bạn kiểm soát. Một phần lưu lượng đến GLM-5.3 trên OrcaRouter có chi phí theo mức giá của bên thứ nhất — $1.40 / $4.40 mỗi triệu token, được chuyển tiếp nguyên vẹn không cộng thêm phụ phí — và chuyển đổi dự phòng tự động sẽ chuyển khối lượng công việc sang GLM-5.2 hoặc một mô hình đã được kiểm chứng khác khi một mô hình suy giảm, nên một bất ngờ về năng lực theo bất kỳ hướng nào cũng chỉ là một thay đổi cấu hình chứ không phải viết lại. Điều mà bài đăng của Anthropic bổ sung là một câu hỏi đáng để đặt ra trước khi bạn gửi công việc liên quan đến bảo mật hoặc chịu sự quản lý đến nó: mô hình bạn gọi chính là mô hình có trọng số được công khai, và một điểm cuối được lưu trữ không phải là một biện pháp bảo vệ. Lộ trình dành cho doanh nghiệp không thay đổi phép tính đó. Danh mục niêm yết của chính Bedrock cho GLM-5.3 là $1.68 / $5.28 mỗi triệu token trên hồ sơ suy luận toàn cầu và $1.848 / $5.808 trên hồ sơ Hoa Kỳ, cao hơn 20% và 32% so với mức giá bên thứ nhất của Z.ai, vì vậy việc gọi cùng một mô hình ở mức giá niêm yết của Z.ai thông qua một khóa vẫn là con đường rẻ hơn, trong khi một hợp đồng đám mây mua lại vị thế về mua sắm và tuân thủ thay vào đó.

Biên giới không gian mạng mở thực sự nằm ở đâu

Cyber ECI của Epoch AI là một biến thể tập trung vào an ninh mạng của Epoch Capabilities Index do phòng thí nghiệm này xây dựng, được tạo từ kết quả benchmark trên 35 đánh giá an ninh mạng và, sau bản cập nhật ngày 16 tháng 10, 76 mô hình. Trên chỉ số này, GLM-5.3 của Z.ai đạt 160.10 — điểm open-weight cao nhất mà phòng thí nghiệm ghi nhận, cao hơn GPT-5.4 của OpenAI (157.04, phát hành ngày 5 tháng 3 năm 2026) và thấp hơn Claude Mythos Preview của Anthropic (164.82, ngày 7 tháng 4) cùng GPT-5.5 của OpenAI (162.22, ngày 23 tháng 4). Biên giới mô hình đóng được dẫn đầu bởi Claude Opus 5.5 của Anthropic (171.14) và GPT-6 Astra của OpenAI (171.03), cặp đôi mà phòng thí nghiệm nêu là biên giới ở mức 171. Trong nhóm open-weight, GLM-5.3 nằm trên Kimi K3 của Moonshot (157.60) và DeepSeek-V4-Pro của DeepSeek (150.35), đồng thời vượt xa các phiên bản tiền nhiệm của chính nó, GLM-5.2 (154.12) và GLM-5 (147.95). Việc đặt GLM-5.3 vào khoảng giữa những mô hình đóng gần đây nhất mà nó đánh bại và những mô hình đóng sớm nhất mà nó không đánh bại chính là điều tạo ra con số nổi bật: biên giới an ninh mạng mở gần đúng với vị trí của biên giới mô hình đóng sáu đến bảy tháng trước đó — khoảng cách mà GPT-5.4 và checkpoint ngày 7 tháng 4 của Claude Mythos Preview lần lượt đặt ở mức bảy và sáu tháng, so với mốc cắt dữ liệu ngày 8 tháng 10 của Epoch.

Các lưu ý ở đây quan trọng hơn thường lệ, và Epoch nêu ra một số. Chỉ những mô hình có ít nhất hai kết quả benchmark an ninh mạng mới được đưa vào chỉ số — 57 trong số 76 mô hình — và mức 160,10 của GLM-5.3 chỉ dựa trên đúng ba kết quả, tất cả đều đến từ đánh giá của CAISI thuộc NIST ngày 17 tháng 9. Đó là những kết quả an ninh mạng duy nhất mà phòng thí nghiệm có cho mô hình này, nghĩa là ước tính của Epoch là một lần tái khớp lại bằng chứng do CAISI công bố chứ không phải một lần chạy lại độc lập; con số sáu đến bảy tháng và con số khoảng bốn tháng của CAISI khác nhau vì các bộ benchmark và phép so sánh mà họ đưa ra là khác nhau, chứ không phải vì hai bên bất đồng về mô hình. Epoch cũng lưu ý rằng CAISI không nêu tên các mô hình Mỹ mà mình đã đánh giá, nên phòng thí nghiệm đã gán những kết quả đó cho các ứng viên dẫn đầu khả dĩ như GPT-6 Astra và Claude Mythos Preview; rằng các khoảng quanh hai trong số các mô hình tiên phong gần như chồng lấn hoàn toàn, nên thứ tự ở phần đầu biểu đồ kém ổn định hơn so với điều mà các ước lượng điểm hàm ý; và rằng lần tái khớp tháng Mười đã làm dịch chuyển các giá trị đã công bố trước đó, giảm Claude Mythos 5 đi 3,9 điểm và GPT-5.6 Sol đi 4,7 điểm, nên không nên so sánh số liệu tháng này với số liệu tháng trước mà không cẩn trọng. Có một quy ước đáng biết trước khi đọc biểu đồ: Epoch xếp các giấy phép hạn chế sử dụng và phi thương mại vào nhóm open-weight, và đó là lý do GLM-5.3 lọt vào được — trọng số của nó được phát hành theo các điều khoản “glm-5.3” tùy chỉnh của Z.ai, chứ không phải giấy phép MIT mà GLM-5.2 và GLM-5.3-Flash sử dụng.

Điều mà vị trí xếp hạng thay đổi không hẳn là mô hình mà là lập luận xoay quanh nó. Trước ngày 16 tháng 10, việc gọi GLM-5.3 là bản phát hành mở mạnh nhất về cyber đồng nghĩa với việc phải trích dẫn các tỷ lệ phần trăm CyberGym và ExploitBench của chính Z.ai cùng các lần chạy sandbox của một đối thủ; giờ đây đã có một vị trí trên một chỉ mục công khai với khoảng cách được nêu rõ tới biên giới năng lực, và khoảng cách đó là một con số mà người đọc có thể theo dõi dịch chuyển. Có hai điều rút ra cho bất kỳ ai đang cân nhắc một mô hình trọng số mở cho công việc liên quan đến bảo mật. Chậm hơn biên giới sáu tháng không đồng nghĩa với an toàn: một khai thác mà mô hình biên giới có thể tạo ra hôm nay cũng là thứ mà năng lực cách đây sáu tháng có thể tạo ra một khi phương pháp được công bố, và các kết quả của Anthropic ở trên đặt những trọng số cụ thể này vào trong cửa sổ đó. Và một bảng xếp hạng là phát biểu về các trọng số tốt nhất hiện có, không phải về endpoint đang trả lời yêu cầu của bạn — cùng một bộ trọng số được các nhà cung cấp khác nhau phục vụ đã khác nhau tới chín lần về chi phí mỗi tác vụ, đó là một câu hỏi định tuyến hơn là câu hỏi về năng lực.

Đường cơ sở GLM-5.3 cần phải vượt qua

GLM-5.2 là điểm tham chiếu mà toàn bộ câu chuyện xoay quanh. Nó ra mắt vào tháng 6 năm 2026 dưới dạng mô hình Mixture-of-Experts 743B với khoảng 40B tham số hoạt động trên mỗi token, cửa sổ ngữ cảnh 1M token, đầu ra tối đa 128K, giấy phép MIT và trọng số mở trên Hugging Face. Chỉ số Intelligence của Artificial Analysis — do chính phòng thí nghiệm này đo, không phải Z.ai — hiện đang ở phiên bản v4.3.2 được tính lại, và trên đó GLM-5.2 (Max) đạt 34 điểm trong khi GLM-5.3 (Max) đạt 45. Khoảng cách mười một điểm vẫn là cùng khoảng cách mà trang này đã đưa tin khi ra mắt, khi phiên bản chỉ số trước đó của cùng phòng thí nghiệm cho GLM-5.2 53 điểm và GLM-5.3 60 điểm; thứ đã thay đổi là thước đo, không phải kết quả, và giờ phòng thí nghiệm đánh dấu GLM-5.2 là không còn được khuyến nghị, nhường chỗ cho mô hình kế nhiệm. Điểm 45 của GLM-5.3 đưa nó lên vị trí thứ hai trong số các mô hình trọng số mở, xếp sau MiMo-V2.6-Pro (46 điểm) và hơn Kimi K3 (Max) (44 điểm) một điểm. Đó là con số độc lập đầu tiên gắn với GLM-5.3, và nó nhất quán với định hướng — dù không phải mọi chi tiết — trong các tuyên bố của chính Z.ai. Hai điểm dữ liệu bên thứ ba nữa đã xuất hiện kể từ đó: vào cuối tháng 8, Perplexity báo cáo rằng GLM-5.3 vượt GLM-5.2 trên WANDR, chuẩn đánh giá mở của họ cho nghiên cứu quy mô lớn dựa trên bằng chứng — bài kiểm tra “rộng và sâu”, nơi một tác nhân phải tập hợp một lượng lớn bản ghi có nguồn hỗ trợ thay vì trả lời một câu hỏi duy nhất. Đó là chuẩn đánh giá của chính Perplexity và tuyên bố của chính họ, không có điểm số nào được công bố, nên hãy coi đó là chỉ mang tính định hướng cho đến khi có số liệu. Điểm thứ hai là đánh giá an ninh mạng ngày 29 tháng 9 của Anthropic — phép đo bên ngoài đầu tiên về năng lực cụ thể mà Z.ai đã lấy làm trọng tâm cho màn ra mắt. Trong lập trình tầm xa, bộ khung OrcaRouter đo được 77.9 trên Terminal-Bench 2.1, trong khi con số GLM-5.2 tốt nhất được Z.ai báo cáo là 82.7; đây sẽ là điểm trọng số mở đầu tiên vượt 80 nhưng do nhà cung cấp báo cáo và chưa được tái lập. Giá niêm yết là $1.40 cho mỗi triệu token đầu vào và $4.40 cho mỗi triệu token đầu ra.

Bảng điểm ở trên là dự phóng thời kỳ rò rỉ mà trang này đã công bố trước khi ra mắt — hàng “>1T tham số (tin đồn)”, ngữ cảnh và giấy phép chưa được xác nhận, chỉ số AA dự phóng. Buổi ra mắt đã đính chính ô lớn nhất: GLM-5.3 dùng lại cùng nền tảng 743B như GLM-5.2, nên không có bước nhảy tham số. Cửa sổ ngữ cảnh được xác nhận ở 1M, và giấy phép không còn là câu hỏi mở như trước — Z.ai đã công bố một giấy phép “glm-5.3” tùy chỉnh, không phải các điều khoản MIT mà GLM-5.2 và GLM-5.3-Flash sử dụng. Ô chỉ số dự phóng — phỏng đoán của chính trang này khoảng ~57–60 — là dự phóng hiếm hoi về đúng mức 60 trên chỉ số đúng như nó đứng vào thời điểm ra mắt; phòng thí nghiệm kể từ đó đã công bố lại chỉ số, và trên phiên bản v4.3.2 hiện hành, cùng mô hình đó cho kết quả 45. Điều chưa hề thay đổi là câu hỏi mở: điểm số đó sẽ ra sao khi được tái lập trên các trọng số tự lưu trữ.

Bản chụp ở trên là đường cơ sở độc lập mà các tuyên bố của GLM-5.3 được đo đối chiếu. GLM-5.2 đứng đầu bảng xếp hạng open-weights với Artificial Analysis Intelligence Index đạt 53 trên phiên bản chỉ số mà trang này đang đọc vào tháng 8. Đường cơ sở đó kể từ đó đã được điều chỉnh lại cùng với chỉ số của mọi mô hình khác: trên chỉ số v4.3.2 hiện tại của phòng thí nghiệm, GLM-5.2 (Max) đạt 34 và GLM-5.3 (Max) đạt 45, một khoảng cách cùng hướng và gần như cùng độ lớn, với Kimi K3 (Max) kém một điểm ở mức 44 và MiMo-V2.6-Pro dẫn trước ở mức 46. Cả hai kết quả đều là phép đo của chính phòng thí nghiệm trên harness riêng của họ, và cả hai đều không phải số liệu của nhà cung cấp.

Giá cả và tình trạng sẵn có

GLM-5.3 có mức giá giống hệt GLM-5.2: 1,40 USD cho mỗi triệu token đầu vào và 4,40 USD cho mỗi triệu token đầu ra (¥8 / ¥28 trong bảng niêm yết nội địa), với lượt đọc đầu vào được lưu cache ở mức 0,26 USD / ¥2 mỗi triệu. Bản phát hành được ghi ngày 18 tháng 8 trên các danh mục model của bên thứ ba, Z.ai chính thức mở API vào ngày 19 tháng 8, và model được xác nhận là có thể truy cập qua API riêng của Z.ai, ZCode, AutoClaw, G​LM Coding Plan, cùng danh sách ngày càng tăng các nền tảng bên thứ ba, và — kể từ cuối tháng 8 — thư viện Ollama, nơi GLM-5.3 được niêm yết dưới dạng model lưu trữ trên cloud (glm-5.3:cloud) phục vụ từ Hoa Kỳ và châu Âu với chính sách không lưu giữ dữ liệu. Perplexity Computer, nền tảng agent của Perplexity cho công việc chạy dài, nhiều bước, đã bổ sung GLM-5.3 trong cùng khoảng thời gian và hiện cung cấp model này cho các khối lượng công việc agent. Thẻ Ollama chỉ dành cho cloud, không phải GGUF cục bộ, nên lộ trình tự host vẫn chạy qua trọng số trên Hugging Face; GLM-5.3-Flash nhỏ hơn giờ đã có danh mục cloud tương ứng trên Ollama. Giai đoạn rò rỉ đã qua: khả năng sẵn có giờ là sự thật đã được xác nhận, không còn là tin đồn cần theo dõi. Một thay đổi hành vi quan trọng đối với người gọi API: các yêu cầu giờ đây bắt buộc phải bật "thinking" trên ba mức effort — low, high và max — không có nút tắt, đây là thay đổi mang tính phá vỡ đối với các tích hợp hiện có.

Amazon Bedrock hiện cũng cung cấp GLM-5.3. AWS đã đăng mô hình này vào ngày 5 tháng 10 năm 2026 — ngày ra mắt trên chính model card của mô hình — và mô tả tại đó rằng đây vẫn là thiết kế Mixture-of-Experts với khoảng 40B tham số hoạt động mỗi token, cùng cửa sổ ngữ cảnh 1M token và giới hạn đầu ra 128K như API chính thức, và khả năng suy luận được bật vĩnh viễn với các mức nỗ lực có thể chọn. Tuyến này không phải bản sao endpoint của Z.ai. Bedrock chỉ phục vụ GLM-5.3 thông qua suy luận xuyên Vùng: ID mô hình cơ sở (zai.glm-5.3) không chấp nhận các lệnh gọi theo yêu cầu trong cùng Vùng, vì vậy yêu cầu phải đi qua hồ sơ địa lý Hoa Kỳ (us.zai.glm-5.3) hoặc hồ sơ toàn cầu (global.zai.glm-5.3), và AWS đánh dấu suy luận trong Vùng là không được hỗ trợ ở mọi Vùng mà họ liệt kê, bao gồm bốn Vùng tại Hoa Kỳ. Điều mà nó bổ sung là bề mặt AWS xung quanh mô hình — Invoke, Converse, các API Responses và Chat Completions tương thích OpenAI, Guardrails, Agents, Flows, đầu ra có cấu trúc, đánh giá mô hình, và prompt caching mặc định là ngầm định hoặc tường minh tại các điểm cache có ít nhất 1.024 token với thời gian lưu giữ ít nhất 30 phút — cộng với các bậc dịch vụ tiêu chuẩn, trong đó Priority có mức phụ phí 75% so với Standard, còn Flex và Batch được giảm giá 50%. Điểm vướng mắc là quyền truy cập: thông báo của AWS gọi GLM-5.3 là có sẵn rộng rãi trên Bedrock, trong khi cả thông báo đó và model card đều giới hạn mô hình ở những khách hàng đủ điều kiện liên hệ đội phụ trách tài khoản AWS của họ. Tuyến doanh nghiệp có tồn tại; hiện nay nó không phải là tự phục vụ. Một con số cần lưu ý khi đọc chính các trang của AWS: model card ghi GLM-5.3 có tổng cộng 744B tham số và thông báo đi kèm ghi 753B, trong khi Z.ai và kho Hugging Face nói 743B — cùng một mô hình, ba tổng số, và không con số nào trong đó được đo độc lập.

Chi phí mỗi tác vụ, và tỷ lệ cache hit đằng sau nó

Cùng một mức giá không có nghĩa là cùng một hóa đơn, và giờ đây sự khác biệt được đo lường chứ không phải suy luận. Artificial Analysis đặt GLM-5.3 (Max) ở mức $2,01 mỗi tác vụ Intelligence Index theo mức giá first-party, so với $1,47 của GLM-5.2 (Max) — cùng bảng giá $1,40 / $4,40, hóa đơn lớn hơn 37% cho một lượt chạy qua cùng một tập tác vụ cố định. Có hai điều giải thích cho việc này, và cả hai đều nằm trong bản tóm tắt mô hình của chính phòng thí nghiệm. Thứ nhất là khối lượng: GLM-5.3 tiêu tốn 210M token đầu ra trên Intelligence Index, so với trung vị 140M của các mô hình open-weight tương đương, điều mà phòng thí nghiệm gọi là rất dài dòng, và token đầu ra là phần đắt đỏ trong bảng giá. Thứ hai là tốc độ: 64,2 token đầu ra mỗi giây so với trung vị 66,9, tức chậm hơn mức trung bình và, trong một lượt chạy agent dài, cũng mua nhiều thời gian thực hơn với cùng số token. Điều này thay thế ước tính mà trang này từng đưa ra trước đây, vốn đặt GLM-5.3 ở khoảng $0,68 mỗi tác vụ và GLM-5.2 ở khoảng $0,44 dựa trên mức sử dụng token quan sát được của chính chúng tôi. Số liệu của phòng thí nghiệm cao hơn ước tính đó trên mọi phương diện và là số liệu nên trích dẫn: chúng là mức trung bình có trọng số qua mười đánh giá ở một số lượng tác vụ cố định, chứ không phải một phép đọc từ một khối lượng công việc duy nhất.

Endpoint gây ra phần lớn thiệt hại hơn mô hình. Cùng phòng thí nghiệm đó giờ đây công bố một cột Cost per Task cho mọi nhà cung cấp mà họ theo dõi trên GLM-5.3 (Max) — 25 nhà cung cấp — và cột này chạy từ $0,92 ở endpoint rẻ nhất đến $8,68 ở endpoint đắt nhất. Đó là mức chênh 9,4 lần trên cùng trọng số, cùng một benchmark và cùng một thiết lập suy luận. (9,4 lần là phép tính của chúng tôi trên cột mà phòng thí nghiệm công bố; điều mà chính trang đó nói bằng lời là giá trung bình hỗn hợp trên mỗi triệu token dao động “lên tới 4,4 lần giữa các nhà cung cấp” và tốc độ đầu ra dao động 1.152%.) Không có gì trong mức chênh đó là một phát hiện về năng lực — Endpoint Accuracy Index của phòng thí nghiệm, vốn chạy lại BFCL v4-500, HLE-250 và AA-LCR-25 trên từng endpoint, đọc mức 95% trở lên ở mọi endpoint mà nó chấm điểm, nghĩa là thứ mà một nhà cung cấp đánh mất chỉ là một chút độ chính xác, không phải mô hình. Cơ chế mà phòng thí nghiệm nêu tên là caching. Cost per Task được tính từ giá token đầu vào, cache hit, cache write, suy luận và câu trả lời, chia cho số lượng tác vụ và được đánh trọng số theo tỷ trọng của từng benchmark trong chỉ số — vì vậy một vòng lặp agentic hoặc lập trình gửi lại toàn bộ lịch sử hội thoại ở mỗi lượt sẽ phải trả cho lịch sử đó lặp đi lặp lại, mỗi lượt một lần, và phần lịch sử được phục vụ từ prompt cache của nhà cung cấp là đòn bẩy lớn nhất đối với tổng chi phí. Artificial Analysis đo phần đó dưới dạng cache hit rate, định nghĩa nó là “tỷ lệ token đầu vào có thể cache được phục vụ từ prompt cache của nhà cung cấp, được đo trong các phiên lập trình agentic nhiều lượt”, báo cáo nó dưới dạng trung vị của bốn tuần gần nhất (cập nhật ngày 26 tháng 9 năm 2026) và vẽ biểu đồ nó so với cost per task. Hướng mà họ nêu là hướng quan trọng ở đây: tỷ lệ hit cao hơn nghĩa là nhiều phần đầu vào hơn được tính ở mức giá cache-hit rẻ hơn, điều này làm giảm chi phí hiệu dụng của công việc agentic. Mức giảm giá cache của chính GLM-5.3 là 81% ở mức giá first-party — $0,26 mỗi triệu token đầu vào được cache so với $1,40 mỗi triệu token đầu vào mới — và cache write cùng lưu trữ được tính riêng, với mức giá thay đổi theo nhà cung cấp. Một lưu ý về bằng chứng: tỷ lệ hit theo từng nhà cung cấp được vẽ biểu đồ chứ không được lập bảng, nên mức chênh có thể được quy cho caching như một cơ chế mà không cần khẳng định một con số tỷ lệ hit cho bất kỳ endpoint nào.

Đó là một lập luận về định tuyến trước khi là một lập luận về giá, bởi vì biến số bạn có thể tác động là endpoint nào trả lời, chứ không phải các trọng số tốn bao nhiêu. GLM-5.2 có trên OrcaRouter với mức $1.40 / $4.40 mỗi triệu token, được chuyển tiếp đúng theo giá niêm yết của chính nhà cung cấp với mức markup bằng không, nên giá hay điều khoản cache của nhà cung cấp đi thẳng vào hóa đơn của bạn ngay ngày chúng thay đổi thay vì đợi đến hợp đồng kế tiếp. Failover tự động chuyển một khối lượng công việc khỏi endpoint đã suy giảm sang GLM-5.2 hoặc một mô hình đã được kiểm chứng khác, và routing DSL chính là nơi một quy tắc như thế trú ngụ. Với một mô hình mà chi phí mỗi tác vụ giờ đây biến thiên gấp chín lần tùy theo endpoint, cách ít rủi ro để tìm ra con số của riêng bạn là một lát cắt lưu lượng thật với một cơ chế failover phía sau — endpoint rẻ trên vòng lặp agent của người khác không nhất thiết là endpoint rẻ trên vòng lặp của bạn.

Build Week trở thành một chuỗi sự kiện thường kỳ — với 100 triệu token GLM-5.3 miễn phí

Z.ai đã biến ZCode Build Week của mình thành một chuỗi sự kiện thường xuyên vào ngày 21 tháng 8, ghi công cho cộng đồng về điều mà công ty nói là một làn sóng dự án được xây dựng trên ZCode với GLM-5.3. Để đánh dấu sự tái khởi động, Z.ai đã tặng 50.000 người dùng ZCode mới 100 triệu token GLM-5.3 miễn phí mỗi người — đến trước được phục vụ trước, kéo dài đến ngày 23 tháng 8 lúc 6 giờ chiều giờ Thái Bình Dương (ngày 24 tháng 8, 09:00 giờ Bắc Kinh) — với các token chưa sử dụng sẽ hết hạn khi sự kiện kết thúc. Ưu đãi và các điều khoản của nó là do chính Z.ai đưa ra: do nhà cung cấp công bố, mặc dù chương trình tặng quà này đã được các hãng tin độc lập đưa tin.

Đây là vòng thứ hai của bản dựng cuối tuần. Vòng 1, diễn ra từ ngày 16–17 tháng 8, đã bị tạm dừng trong khoảng một giờ sau khi ra mắt khi nhu cầu vượt quá khả năng phục vụ — các token đã được nhận trước đó không bị ảnh hưởng, và Z.ai đã mở rộng hệ thống phục vụ kể từ đó. Với 50.000 lượt phân bổ, mỗi lượt 100 triệu token, tổng số token phát tối đa được công bố là năm nghìn tỷ token: một con số thu hút khách hàng đồng thời là một bài kiểm tra tải trực tiếp trên cùng cơ sở hạ tầng phục vụ mà API GLM-5.3 trả phí đang chạy.

Việc ra mắt thay đổi điều gì cho bạn

Đối với người gọi API đã dùng GLM-5.2, bước thực tế là đổi tên mô hình, không phải làm lại dự án: GLM-5.2 tương thích với O​penAI và phần tích hợp vẫn giữ nguyên, với lưu ý về thinking-effort ở trên. Với người tự lưu trữ, không còn phải chờ nữa. Kho lưu trữ chính thức zai-org/GLM-5.3 trên Hugging Face — được tạo ngày 25 tháng 8 và được đưa nội dung vào trong khoảng ngày 27–28 tháng 8 — hiện chứa toàn bộ mô hình flagship 743B trong 141 phân đoạn safetensors, với SGLang, vLLM, TokenSpeed, Transformers và KTransformers đều được liệt kê trên model card như các đường triển khai được hỗ trợ. Giấy phép là điểm bất ngờ thực sự: Z.ai đã công bố một giấy phép tùy chỉnh "glm-5.3", không phải MIT — nội dung giống như việc cấp phép MIT kèm thêm điều kiện rằng bất kỳ doanh nghiệp cung cấp mô hình dưới dạng dịch vụ nào có doanh thu 12 tháng gần nhất trên 10 tỷ USD đều phải vượt qua đánh giá bảo mật của Z.ai trước khi sử dụng thương mại. Dưới ngưỡng đó, tự lưu trữ và sử dụng thương mại thông thường không có rào cản như vậy, dù các điều khoản chính xác đáng để đọc trước khi bạn dựa vào chúng. Nếu quy mô của flagship vượt quá nhu cầu của cụm máy của bạn, GLM-5.3-Flash nhỏ hơn đã phát hành trọng số của nó theo giấy phép MIT vào ngày 26 tháng 8 — một mô hình riêng biệt, đa phương thức gốc, không phải flagship. Với người dùng Ollama, flagship giờ chỉ cách một lệnh từ client riêng của thư viện — ollama run glm-5.3:cloud — nhưng lệnh đó gọi mô hình lưu trữ trên đám mây được phục vụ từ Hoa Kỳ và Châu Âu, không phải tải cục bộ; vẫn chưa có thẻ cục bộ đã lượng tử hóa. Chạy GLM-5.3 trên phần cứng của riêng bạn vẫn có nghĩa là dùng trọng số Hugging Face với một ngăn xếp kiểu vLLM hoặc SGLang. Với bất kỳ ai đang so sánh các mô hình trong nhóm D​eepSeek V4 Pro, Qwen3.8-Max, K​imi K3, G​PT-5.6 Sol và C​laude Fable 5, GLM-5.3 giờ là một biến số đang hiện diện và được chấm điểm độc lập trong bảng xếp hạng đó thay vì chỉ là tin đồn. Với người mua doanh nghiệp thay vì nhà phát triển cá nhân, lựa chọn mới nhất là A​mazon Bedrock, nơi đã đưa GLM-5.3 vào danh mục vào ngày 5 tháng 10 cho các khách hàng đủ điều kiện — cùng trọng số và cùng cửa sổ ngữ cảnh 1M token được cung cấp theo hợp đồng AWS, với giá niêm yết cao hơn giá của chính Z.ai.

Luận điểm trong ngày ra mắt xoay quanh GLM-5.3 là biên giới lập trình đã hội tụ: theo cách kể này, với hầu hết tác vụ thường ngày, rất ít người dùng có thể phân biệt một cách đáng tin cậy GPT-5.6 Sol, Claude Fable 5, Kimi K3, GLM-5.2 và Qwen3.8-Max. Nếu sự hội tụ đó là thật, các yếu tố quyết định không còn là năng lực thô mà trở thành giá, độ mở và chi phí chuyển đổi — đây chính là vị thế mà GLM-5.3 đang khẳng định với mức $1.40 / $4.40 mỗi triệu trên nền tảng 743B có thể tự triển khai, mà đợt phát hành trọng số ngày 28 tháng 8 từng được hứa nay đã đến. Việc các mô hình lập trình có thực sự hoán đổi được cho nhau hay không là một quan điểm, không phải một benchmark; còn giá cả, số lượng tham số và ngày phát hành trọng số thì không phải vậy.

Về phía định tuyến, GLM-5.3 đã chính thức hoạt động trên OrcaRouter vào ngày 18 tháng 8, cùng ngày mô hình này ra mắt trên thị trường rộng lớn hơn — với mức giá niêm yết bên thứ nhất, 1,40 đô la / 4,40 đô la mỗi triệu token, được chuyển qua mà không cộng thêm phí. Ảnh chụp màn hình bên dưới hiển thị trang của GLM-5.2, vốn có hình dạng chính xác như GLM-5.3 hiện tại: cùng mức giá, cùng ngữ cảnh 1 triệu token, cùng đầu ra tối đa 128K. Việc định tuyến một phần lưu lượng thực tế đến GLM-5.3 với cơ chế chuyển đổi dự phòng tự động sang GLM-5.2 hoặc một mô hình đã được kiểm chứng khác chỉ là một thay đổi cấu hình, không phải viết lại toàn bộ — vẫn cùng khóa API, không cần hợp đồng thứ hai. Nếu mô hình mới hoạt động kém hơn trên khối lượng công việc của bạn, bộ định tuyến sẽ tự động quay lại mô hình cũ trước khi một trang web kịp tải, và bạn nhận được tín hiệu về chất lượng trên chính lưu lượng của mình thay vì dựa vào bản trình bày của nhà cung cấp. Đối với một mô hình mà những tuyên bố hàng đầu vẫn chủ yếu do nhà cung cấp tự công bố, đây chính là cách ít rủi ro để tự mình kiểm chứng.

Xem gì tiếp theo

• Bản phát hành trọng số mở giờ đã chính thức: Z.ai xác nhận vào ngày 28 tháng 8, tuyên bố mô hình chủ lực là mở và chỉ đến các trọng số trên Hugging Face cùng một bài phân tích kỹ thuật chuyên sâu. Điều bất ngờ nằm ở giấy phép — các điều khoản “glm-5.3” tùy chỉnh thay vì các điều khoản MIT mà GLM-5.2 và GLM-5.3-Flash sử dụng — nên hãy đọc chính xác các điều khoản của nó trước khi tự host. Đánh giá ngày 29 tháng 9 của Anthropic là cuộc kiểm chứng từ bên ngoài đầu tiên về giá trị của các biện pháp bảo vệ trong bản phát hành: nó phát hiện các lời từ chối tích hợp có thể bị vượt qua bằng một câu chuyện ngụy trang, một suy nghĩ được điền sẵn, hoặc một bản sao đã bị abliterated, và các biến thể abliterated đã lưu hành chỉ vài ngày sau khi các trọng số xuất hiện.

• Liệu một tag GGUF cục bộ có xuất hiện trên Ollama hay không. Thư viện hiện chỉ liệt kê GLM-5.3 dưới dạng cloud-only; một tag cục bộ đã lượng tử hóa sẽ thu gọn đường tự lưu trữ thành một lệnh duy nhất cho người dùng Ollama, trong khi tag cloud vẫn là một tuyến phục vụ thứ hai.

• Liệu khoảng cách mạng sáu đến bảy tháng sẽ thu hẹp hay giữ nguyên. Epoch AI hiện xếp GLM-5.3 đứng đầu trong số các mô hình trọng số mở với 160,10 trên Cyber ECI của mình, chậm sáu đến bảy tháng so với một mô hình tiên phong đóng ở mức 171 — nhưng con số đó dựa trên ba benchmark CAISI, những kết quả mạng duy nhất mà phòng thí nghiệm có cho mô hình này, và lần tái hiệu chỉnh tháng Mười đã làm điểm của các mô hình cũ dịch chuyển vài điểm. Một nguồn dữ liệu thứ hai, hoặc một bên thứ ba chạy lại chính các harness của Z.ai, sẽ là phép kiểm tra đầu tiên không bắt nguồn từ CAISI. Đánh giá ngày 29 tháng 9 của Anthropic vẫn là cách đọc độc lập còn lại, và nó phát hiện các cơ chế từ chối tích hợp có thể bị vượt qua bằng một câu chuyện ngụy trang, một suy nghĩ được điền sẵn, hoặc một bản sao đã abliterated.

Liệu tuyên bố về WANDR của Perplexity có đi kèm số liệu hay không. Việc GLM-5.3 vượt GLM-5.2 trên WANDR là benchmark và bài kiểm tra do chính Perplexity thực hiện, và chưa có điểm số nào được công bố — một lần chạy độc lập sẽ là lần kiểm tra bên thứ ba đầu tiên về hiệu suất nghiên cứu tác nhân của mô hình này.

• Chỉ số sẽ đạt mức nào trên một bản tự lưu trữ. Con số 45 được đo dựa trên một endpoint được phục vụ; phiên bản tự lưu trữ — nay đã có thể tải xuống, kèm theo các điều khoản giấy phép — mới là phiên bản mà các nhóm sẽ thực sự triển khai lại và các phòng thí nghiệm độc lập sẽ đánh giá lại hiệu năng. Phòng thí nghiệm đã công bố lại chỉ số này một lần rồi, nên hãy dự kiến con số sẽ lại thay đổi.

• Mức tăng giá đã công bố của D​eepSeek V4 Flash, vốn đặt ra khung giá mà GLM-5.3 đang được đánh giá dựa theo, và cách chi phí mỗi tác vụ của các mô hình frontier đóng bám theo đó: G​PT-5.6 Sol (max) đứng ở 47 trên chỉ số so với 45 của GLM-5.3, trong khi phòng thí nghiệm đánh dấu Sol là đã ngừng khuyến nghị để chuyển sang G​PT-6 Sol.

• Liệu chuỗi Build Week đang diễn ra có duy trì được sự ổn định dưới áp lực nhu cầu hay không — Vòng 1 đã sụp đổ chỉ trong một giờ, và cách thiết kế chuỗi khiến mỗi vòng tương lai trở thành một bài kiểm tra tải mới đối với năng lực mà API trả phí phụ thuộc vào.

Liệu rò rỉ đa phương thức có trở thành một mô hình được phát hành hay không. Công việc về bộ xử lý sglang là bằng chứng ở cấp độ mã nguồn cho thấy dòng sản phẩm chủ lực đang được chuẩn bị cho đầu vào hình ảnh, và đề xuất về "khối lượng công việc tác tử đa phương thức" của Perplexity dành cho Computer cũng đi theo cùng hướng đó — nhưng đó chỉ là định vị, không phải một mô hình đã phát hành, và chưa có GLM-5.3 đa phương thức nào được công bố hay chạy benchmark. Hãy theo dõi thẻ mô hình, trang tài liệu hoặc trọng số trước khi coi nó là thật.

• Liệu cổng dành cho doanh nghiệp của Bedrock có mở ra hay không. Thông báo của AWS gọi GLM-5.3 là khả dụng rộng rãi trên Bedrock, trong khi thẻ mô hình lại giới hạn nó cho những khách hàng đủ điều kiện, những người phải liên hệ với đội ngũ tài khoản AWS của mình, và suy luận trong vùng hoàn toàn không được hỗ trợ — mọi yêu cầu đều phải đi xuyên vùng, dù là trong cấu hình địa lý Hoa Kỳ hay trên cấu hình toàn cầu. Chính cổng này, chứ không phải danh sách vùng, mới là thứ quyết định doanh nghiệp nào có thể gọi nó trong tháng này.

FAQ

GLM-5.3 có phải là mô hình lớn hơn GLM-5.2 không?

Không. Z.ai và đồng sáng lập Tang Jie đều cho biết GLM-5.3 sử dụng cùng nền tảng Mixture-of-Experts với 743 tỷ tham số như GLM-5.2, cùng cửa sổ ngữ cảnh 1 triệu token và khoảng 40 tỷ tham số kích hoạt cho mỗi token. Mọi cải thiện được báo cáo đều đến từ quá trình hậu huấn luyện — Tang Jie mô tả thay đổi này là một tháng học tăng cường tầm nhìn dài được xếp chồng lên nền tảng không đổi — chứ không phải tăng tham số, điều này trực tiếp đính chính tin đồn thời kỳ rò rỉ về một nền tảng trên một nghìn tỷ tham số. Tuyên bố về kiến trúc đó vẫn là của riêng nhà sáng lập và công ty, chưa được kiểm toán độc lập.

Khi nào trọng số mở của GLM-5.3 sẽ có sẵn?

Chúng đã ra mắt. Kho lưu trữ chính thức zai-org/GLM-5.3 trên Hugging Face — được tạo vào ngày 25 tháng 8, với các tệp trọng số được đẩy lên trong các ngày 27–28 tháng 8 — hiện lưu trữ toàn bộ mô hình chủ lực 743B, ra mắt đúng ngày 28 tháng 8 mà Z.ai đã cam kết kể từ khi công bố — một bản phát hành mà chính Z.ai đã công bố vào ngày 28 tháng 8, tuyên bố mở trọng số và liên kết tới kho lưu trữ Hugging Face cùng một bài phân tích kỹ thuật chuyên sâu. Giấy phép hiện cũng đã được nêu rõ: một giấy phép "glm-5.3" tùy chỉnh, không phải các điều khoản MIT mà GLM-5.2 và GLM-5.3-Flash sử dụng — gần như một cấp phép kiểu MIT kèm điều kiện rà soát bảo mật đối với các nhà cung cấp MaaS lớn, vì vậy hãy đọc kỹ các điều khoản chính xác trước khi dựa vào chúng. Z.ai cũng đã tuyên bố riêng rằng các chức năng an ninh mạng nhạy cảm sẽ bị giới hạn trong chương trình "trusted access" dành cho người dùng đã xác minh.

Tôi nên xử lý các con số benchmark như thế nào?

Chia danh sách thành ba nhóm. Các con số của chính Z.ai — các mức tăng vọt về lập trình (Terminal-Bench 3.0 ở 28,3, DeepSWE v1.1 ở 66,9, SWE-Marathon ở 42,5) và các kết quả an ninh mạng (CyberGym 84,5%, ExploitBench 54,4%) — đến từ thông báo của công ty và vẫn do nhà cung cấp tự báo cáo cho đến khi một bộ đánh giá độc lập tái lập được chúng. Nhóm độc lập là nơi sức nặng hiện nằm: Chỉ số Intelligence của Artificial Analysis — 45 cho GLM-5.3 (Max) trên phiên bản v4.3.2 hiện hành, so với 44 cho Kimi K3 (Max) và 34 cho GLM-5.2 (Max) — cột Chi phí mỗi Tác vụ theo từng điểm cuối của nó cho cùng mô hình, dao động từ $0,92 đến $8,68 trên 25 nhà cung cấp mà nó theo dõi, các phép đo của Frontier Red Team thuộc Anthropic trên ExploitBench (50 trong số 410 khai thác end-to-end) và bộ đánh giá khai thác nhị phân nội bộ của họ (4% các vụ chiếm toàn bộ luồng điều khiển), đánh giá CAISI của NIST ngày 17 tháng 9, và Cyber ECI của Epoch AI, công bố ngày 16 tháng 10, xếp GLM-5.3 ở mức 160,10 — đứng đầu trong các mô hình trọng số mở và chậm sáu đến bảy tháng so với nhóm mô hình đóng tiên phong ở mức 171, dù ước tính đó dựa trên ba benchmark CAISI và các lưu ý về nhận diện mô hình và khoảng tin cậy của chính Epoch. Tuyên bố của Perplexity rằng GLM-5.3 vượt GLM-5.2 trên WANDR nằm trong một nhóm thứ ba riêng — benchmark của người khác, tuyên bố của người khác, không có điểm số nào được công bố. Các con số độc lập là những con số cần cân nhắc so với của Z.ai, còn các số liệu về chi phí và bộ nhớ đệm là phép đo của chính phòng thí nghiệm trên bộ đánh giá của chính họ, chứ không phải đầu ra của nhà cung cấp.

Tại sao GLM-5.3 lại tốn kém hơn nhiều để chạy ở một số nhà cung cấp so với những nhà cung cấp khác?

Bởi vì chi phí trên mỗi tác vụ bị chi phối bởi việc nhà cung cấp có thể phục vụ bao nhiêu phần của cuộc hội thoại từ bộ đệm prompt của mình, và sự khác biệt về giá token nằm chồng lên trên đó. Artificial Analysis tính toán con số này từ giá token đầu vào, cache hit, ghi cache, suy luận và câu trả lời, chia cho số lượng tác vụ và nhân trọng số theo trọng số của từng benchmark trong Chỉ số Trí tuệ (Intelligence Index). Các khối lượng công việc dạng tác tử (agentic) và lập trình gửi lại toàn bộ lịch sử hội thoại trong mỗi lượt, nên phần prompt có thể đưa vào cache bị tính phí lặp đi lặp lại, và tỷ lệ mà nhà cung cấp phục vụ từ cache thay vì tính theo giá đầu vào đầy đủ là đòn bẩy đơn lẻ lớn nhất đối với tổng chi phí. Việc ghi cache và lưu trữ cache được tính phí riêng theo mức giá riêng của từng nhà cung cấp. Trên GLM-5.3 (Max), cột kết quả trải từ $0.92 đến $8.68 trên 25 endpoint mà phòng thí nghiệm theo dõi — chênh khoảng 9 lần với cùng trọng số và cùng một benchmark — đó là lý do vì sao endpoint, chứ không phải model, mới là yếu tố quyết định chi phí.

Tôi có thể chạy GLM-5.3 cục bộ thông qua Ollama không?

Chưa. GLM-5.3 được liệt kê trong thư viện Ollama, nhưng chỉ là mô hình lưu trữ trên đám mây — glm-5.3:cloud, được phục vụ từ Hoa Kỳ và Châu Âu với chính sách không lưu trữ dữ liệu. Không có nhãn GGUF cục bộ, vì vậy hiện tại ollama run glm-5.3:cloud gọi mô hình được lưu trữ thay vì tải một bản sao về máy của bạn. Đường dẫn tự lưu trữ vẫn là các bộ trọng số Hugging Face kết hợp với ngăn xếp kiểu vLLM hoặc SGLang, và nhãn đám mây là một tuyến phục vụ thứ hai cho người đọc đã sử dụng Ollama.

Vụ rò rỉ là thật, buổi ra mắt đã xác nhận tên gọi, cách định vị và thời điểm — và hai tháng sau, năng lực mạng mà Z.ai đặt làm tâm điểm trong thông báo của mình đã được hai tổ chức bên ngoài đo lường và được một bên thứ ba xếp hạng. Frontier Red Team của A​nthropic đánh giá GLM-5.3 chỉ còn cách C​laude M​ythos Preview vài lần thử về phát triển khai thác đầu-cuối, nhận xét mô hình có năng lực cao bất thường so với một bản phát hành mở, và bổ sung phát hiện còn quan trọng hơn với bất kỳ ai triển khai nó: các biện pháp bảo vệ là thật nhưng nông, và trọng số có thể tải xuống, nên việc từ chối chỉ là một cấu hình chứ không phải một bảo đảm. CAISI của NIST đã đi đến một kết luận tương thích từ hướng ngược lại — mô hình mạng trọng số mở tốt nhất cho đến nay, tụt lại khoảng bốn tháng so với nhóm tiên phong của Mỹ. Epoch AI giờ đã biến kết luận đó thành một vị trí: 160,10 trên Cyber ECI của mình, đứng đầu trong các mô hình trọng số mở, xếp trên G​PT-5.4 của O​penAI và tụt lại sáu đến bảy tháng so với C​laude O​pus 5.5 của A​nthropic và G​PT-6 Astra của O​penAI ở mức 171 — một con số, xét cho cùng, được xây dựng trên ba chuẩn đánh giá của CAISI, và trung thực về điều đó. Artificial Analysis cung cấp phép đo bên ngoài thứ tư, và đó là phép đo chi phí: 2,01 USD cho mỗi tác vụ Intelligence Index theo mức giá của chính nhà cung cấp, và bất kỳ đâu từ 0,92 USD đến 8,68 USD cho cùng tác vụ tùy thuộc vào điểm cuối nào trả lời. Các con số của nhà cung cấp vẫn là con số của nhà cung cấp, giấy phép vẫn là tùy chỉnh, và câu hỏi liệu dòng chủ lực có chuyển sang đa phương thức hay không vẫn còn bỏ ngỏ. Điều đã thay đổi là khoảng cách giữa năng lực mạng mở và đóng không còn là thứ mà người đọc phải tin theo — đó là một con số được công bố với phương pháp mà bạn có thể kiểm tra. Cách rẻ nhất để tìm hiểu mô hình làm được gì với công việc của bạn vẫn là một lát cắt lưu lượng thật với cơ chế chuyển dự phòng sang một thứ đã được chứng minh.

Các sự cố AI và lỗi tác nhân AI được ghi nhận đằng sau các mô hình trọng số mở trong lớp này được tập hợp trong Kho lưu trữ Sự cố AI của OrcaRouternơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, mức độ tin cậy và cờ tranh chấp.