GLM-5.3

1. 编程能力提升明显

智谱内部编程体感评测中，GLM-5.3相比5.2提升约50%。

Terminal-Bench 3.0上，成绩从4.6升到28.3，高于Kimi K3的17.4。

DeepSWE测试中，分数也从46.2涨到66.9，距离Claude Fable 5的69.7已经不远。

这些测试并不只是让模型单轮生成一段代码，还会涉及终端操作、项目理解、跨文件修改和持续执行。5.3这次的提升，主要集中在这些更接近真实开发的任务上。

2. Token消耗更低

代码模型不只要看任务能不能做对，跑一次要消耗多少Token也很重要。

在High思考档位下，5.3平均使用约5万tokens完成任务，准确率31.4%；Claude Opus 4.8平均约12万tokens，准确率29.5%。

放到Agent场景里，这个差距会更明显。一项任务往往需要连续调用很多轮，还会反复读取代码和修改文件，Token消耗很容易累积。

对重度使用者来说，最后反映出来的就是调用成本。

3. 网络安全能力提升

CyberGym漏洞推理评测中，5.3拿到84.5%，超过Anthropic Mythos 5的83.8%。

安全团队还用它测试了269个项目，共发现2436个真实漏洞，其中包括一个潜伏40多年的DNS协议级高危漏洞。

这类能力也提高了权重开放的安全门槛。智谱因此把开源时间推迟两周，用于增加安全防护。

4. 相比GLM-5.2的进化

5.3没有扩大模型规模，变化主要发生在训练阶段。

智谱把更多强化学习资源投入终端操作、复杂代码项目和长程任务，让模型在更接近真实工程的环境里反复训练。

和5.2相比，提升并不只体现在单轮代码生成，持续执行、跨文件理解和复杂工程处理都更明显。

这也是5.3和上一代最核心的区别：不是换了一套更大的底子，而是把同一套底子的后训练做得更深。

优势

编程能力强，尤其适合长程工程任务；Token消耗控制得不错，对Agent场景更友好；安全推理和漏洞发现能力也比较突出。

限制

它是纯文本模型，不能直接处理图片、视频等多模态内容。思考模式无法彻底关闭，只能降低强度，简单任务可能产生额外Token消耗。API开放范围也比较有限，主要入口还是订阅制Coding Plan。

推荐人群

经常用AI写代码、分析大型项目、做重构、跑Agent任务或研究安全问题的开发者和团队。

不推荐人群

主要需求是普通聊天、简单问答，或者工作里大量涉及图片和视频的用户。