GLM-5.3 先拿开源第一，权重还在路上

一款权重还没放出来的模型，已经拿到了「开放权重编程第一」的头衔。

GLM-5.3 今天发布，官方给出的时间表很清楚，API 和 Coding Plan 现在能用，模型权重两周后开放。

好家伙，这个时间差很适合制造两种极端反应。

一种是看到 Terminal-Bench 3.0 从 4.6 涨到 28.3，立刻宣布开源模型改朝换代。另一种是盯住「两周后」，认定权重没出来就不配谈开源。

我觉得两边都着急了。

Z.ai 的官方博客里其实放了足够多的细节，让我们把今天已经交付的东西、厂商自己的评测，以及两周后才能验收的承诺分开看。拆开以后，这次发布比一张排行榜有意思得多。

一个有点尴尬的时间差

先把最容易吵起来的词放桌面上，什么叫开放权重模型。

在开发者手里，它至少有三层。

最外面一层是 API 能调用。今天把模型名换成 glm-5.3，请求能跑，真实任务能测，这一层已经交付。

中间一层是评测能不能复现。厂商给了 harness、上下文、采样参数、超时和运行次数，外部团队可以尽量搭出同样的环境。GLM-5.3 的博客把不少脚注写得很细，但有一部分数据来自私有的 Z.ai Code Bench，外面仍然没法独立复跑。

最里面一层才是大家平常说的开源交付，权重文件、许可证、模型卡、校验值、推理框架适配，以及别人下载以后真的能跑出接近的结果。这一层今天没有，官方承诺两周后给。

所以「权重还没开放」是事实，「这次只有一张 PPT」又不准确。API 已经在服务，公开基准给了方法，真正缺的是本地部署所需的核心产物。

怎么说呢，开源不是一盏啪地亮起的灯，更像一次分批上线。问题不在分批，问题在厂商如果提前用了「开源第一」的标签，读者就有理由把两周后的权重发布当成一次正式验收，而不是可有可无的赠品。

这不是抬杠，是工程习惯。

接口文档里写「稍后支持」，程序员默认会在 issue 里留一个勾。时间到了，代码、许可证和复现记录都得回来把这个勾划掉。

真正值得看的不是一句开源第一

GLM-5.3 与 GLM-5.2 使用同一个基座。官方那句英文写得很直接，所有提升都来自后训练。

这才是本次最有点子牛逼的地方。

没有换更大的底座，没有靠一轮新预训练制造代际叙事，而是继续扩训练环境、任务种类和计算量。官方沿用了 IndexShare、SAO 和开源的 slime 训练栈，把任务从短小的代码题推向完整的专业工作。

一个机器学习基础设施任务，不再是补一段函数。模型要拿到计算集群、存储系统、内部文档、代码库和实验结果，找到训练瓶颈，改代码，跑实验，还得证明速度上去了、正确性没丢。

这玩意已经不是「会不会写代码」了，更像「能不能对一段工作负责」。

官方给出的公开数据确实猛。Terminal-Bench 3.0 从 4.6 升到 28.3，DeepSWE v1.1 从 46.2 升到 66.9，AutomationBench 从 26.2 升到 48.2。网络安全任务更抢眼，CyberGym 得到 84.5%，ExploitBench 从 24.4 升到 54.4。

但别急着把 84.5 写成全场碾压。

同一张官方表里，GLM-5.3 在 DeepSWE 上低于 GPT-5.6 Sol、Claude Fable 5 和 Kimi K3，在 NL2Repo 上低于 DeepSeek V4 Pro 与 Claude Opus 4.8，在更靠近完整漏洞利用链的 ExploitBench 上，也明显落后于两款闭源前沿模型。

官方自己没有藏这部分。厉害了，该赢的项目大字报喜，没赢的项目也留在表里。比起只截一列冠军，这种完整表更有阅读价值。

另一个容易被营销标题盖住的数字，是 token。

私有的 Z.ai Code Bench 里，GLM-5.3 在 Max 强度下用约 7.5 万输出 token 得到 34.5%，GLM-5.2 用约 9.6 万得到 23.4%。High 强度下，GLM-5.3 用约 5 万 token 得到 31.4%，Claude Opus 4.8 用约 12 万得到 29.5%。

这些数据来自厂商私有基准，不能当第三方审计。但它指出了一个很实用的方向，长任务竞争正在从「多吐一点也许能做对」，变成「更早找到有效路径，少走几万 token 的弯路」。做 Agent 的朋友应该很熟，模型多绕三轮，账单、延迟和失败面会一起长出来。

模型能力涨了，真正的瓶颈开始往环境和验证器移动。

官方用研究智能体收集真实任务模式，再生成含有多步依赖和隐藏状态的可执行环境。裁判智能体先试做，确认任务不是死题。验证器不能偷看参考答案，还要通过标准答案、空操作和未完成状态检查。求解轨迹则用来找奖励漏洞，免得模型学会骗分。

听起来有点绕，对吧。

用工程话讲，就是测试环境本身也得过测试。否则 RL 练得越猛，模型越可能把一条脆弱的评分规则钻成高速公路。模型没有学会修系统，只是学会让 CI 亮绿灯。棒棒的，线上一跑全是段错误。

跑分表背后藏着 Harness

很多模型发布都把分数摆在台前，把运行方式塞进脚注。GLM-5.3 这次的脚注值得反过来读。

Terminal-Bench 3.0 使用 Claude Code 2.1.207 作为 harness，推理强度设成 max，给 400K 上下文和 128K 最大输出。每个任务最多允许 600 个智能体回合，超时是 10 小时，三次运行取平均。Tool Search 关闭，每次运行放进独立容器，产物交给任务自带的验证器评分。

这已经不是把模型丢进一个题库，看它单轮答对多少道题。

同一个模型，换掉工具说明、上下文压缩、超时、最大输出、容器权限和重试策略，结果可能差得像两个产品。排行榜写的是模型名，交卷的却是模型和 Harness 的组合。

网络安全评测也一样。CyberGym 在 1507 个任务上做单次 Pass@1，运行时移除 Git 信息，关闭网页工具，只放行安装依赖所需的少数域名。ExploitGym 还按不同模型的生成速度折算时间预算，官方脚注采用 GLM-5.3 每秒 115 token、Kimi K3 每秒 40 token、Qwen3.8 Max 每秒 47 token 的口径。

你想想看，如果有人只截「105 对 36」，不告诉你预算按吞吐重新折算，这个比较就少了半张说明书。

这里不是说分数没用。恰好相反，分数很有用，但它回答的是一个更窄的问题。在指定版本的 Claude Code、指定工具权限、指定上下文和超时里，模型完成这套任务的概率有多高。

它不直接回答你公司的 monorepo 能不能修，也不替你决定一次任务愿意烧多少 token，更不保证私有依赖、内网权限和烂文档进来以后还保持同样的稳定性。

坦率讲，普通开发者今天最值得抄的不是冠军结论，而是评测纪律。

挑二十个真实任务，里面要有跨文件修改、测试失败、依赖缺失和模糊需求。固定同一套 Harness 与工具权限，让 GLM-5.2 和 GLM-5.3 各跑三次。别只记成功或失败，还要记输出 token、首个有效修改出现在哪一轮、测试跑了几次、有没有越权安装依赖，以及人工接管发生在什么位置。

二十题当然发不了论文，但足够决定下周要不要把团队默认模型切过去。厂商跑分解决认知问题，自己的回归集解决上线问题。两者不冲突，别拿一张表替另一张表干活。

今天能测什么，两周后要验什么

如果准备现在接入，先看一眼配置。

GLM-5.3 不再支持关闭思考，只提供 low、high、max 三档推理强度。已有请求若写着 thinking.type 为 disabled，直接换模型名会失败。官方开发文档建议先启用思考，把强度设为 low，再迁移到 glm-5.3。

{
  "model": "glm-5.3",
  "thinking": { "type": "enabled" },
  "reasoning_effort": "low"
}

别小看这一行。很多团队的模型切换做成配置开关，默认以为兼容 OpenAI 格式就能无痛换后端。模型名字能换，能力开关未必同构。没有在预发环境跑过错误响应和降级路径，周五下午切流量，告警会替你补一堂接口语义课。

GLM Coding Plan 同时改成积分额度制，输入、缓存输入和输出分别计点。工作日北京时间 14 点到 18 点属于高峰，其余时间和周末按一半积分消耗。ZCode 还给出重复上下文缓存命中率超过 98% 和约 30% 有效 token 增益的产品口径。

说真的，这部分对日常使用的影响，可能比一个基准多两分更直接。长任务是否划算，要看高峰规则、缓存命中、推理强度和失败重试一起算。最好拿真实账单核，不要把宣传页上的「最多」写进容量规划。

网络安全能力的跃迁，也解释了权重为什么要再等两周。

官方说 GLM-5.3 在真实代码库中协助发现了 2436 个漏洞，涉及 269 个项目，其中 1097 个被归为中高危。这个数字来自厂商及合作安全团队的复核口径，公开的 Z.ai Security Disclosure Ledger 目前区分了 53 项已披露问题和 2383 项仍在披露流程中的问题。

能力往漏洞利用链上长，开放权重前增加安全评估和加固，有合理性。与此同时，「安全原因」不能变成无限延期的万能解释。官方给了两周，屏幕前的你到时可以验四样东西，权重是否如期出现，许可证是否允许预期用途，主流推理框架能否跑通，第三方在公开任务上能否复现大致趋势。

少一样，都该记在那张工程验收单上。

我自己的判断是，GLM-5.3 今天已经是一款可测试的前沿 API 模型，但还不是一份完成交付的开放权重资产。这个判断并不矛盾，也没必要替厂商提前庆功或提前判刑。

模型没有迟到，权重还在安检。

两周后，等那只箱子真正上岸，再看里面装的是不是发布会上承诺的东西。