Anthropic опубликовала разбор возможностей китайской модели GLM-5.3 (Z.ai/Zhipu AI) в области кибербезопасности и пришла к выводу, что по способности находить и эксплуатировать уязвимости она почти сравнялась с передовой закрытой моделью Claude Mythos Preview. Проблема в том, что GLM-5.3 распространяется с открытыми весами, а значит, встроенные ограничения на вредоносное использование из неё можно снять самостоятельно — и, по оценке Anthropic, сделать это относительно легко.

Это первый случай, когда Anthropic оценила открытую китайскую модель по киберспособностям, и доклад вышел в тот же день, когда в Белом доме лидеры технологических компаний, включая OpenAI и Anthropic, подписали с Трампом соглашение о моральных обязательствах по ИИ без государственного регулирования — что усилило политический подтекст публикации.

ВыводНа бенчмарке ExploitBench (эксплуатация известных уязвимостей движка V8) GLM-5.3 довела до рабочего эксплойта 50 попыток из 410 (≈12%), Claude Mythos Preview — 56 из 410 (≈14%); у Claude Opus 4.6 и GLM-5.2 результат близок к нулю

Полный разбор →

Компания Z.ai рассказала о практическом кейсе Recursiive Self-Improvement (RSI): модель GLM-5.3 совместно с инженерами компании участвовала в построении и оптимизации inference-инфраструктуры для новой модели GLM-5.3-Flash. ИИ-агент на базе GLM-5.3 искал ошибки в коде и оптимизировал kernels, bottleneck'и и inference engine — то есть модель фактически помогала разворачивать production-инфраструктуру для своей же младшей версии.

По данным компании, благодаря такому подходу систему довели до готовности к запуску менее чем за две недели, а пропускную способность увеличили втрое относительно первой версии на том же железе.

Полный разбор →

В конце августа — начале сентября 2026 года независимые разработчики и энтузиасты одновременно выпустили серию GGUFi-квантизаций флагманских открытых LLM (Qwen3.8-27B, GLM-5.3, DeepSeek-V4-Flash) с технологиями ускорения инференса DFlash2i и DSpark drafter, а также несколько версий этих моделей со снятой цензурой («abliteratedi»/«uncensored»).

Расцензуренные версии позиционируются авторами не для развлечения, а для практических задач: ред-тиминга, кибербезопасности и автономных агентов, которым мешает встроенный механизм отказа отвечать на запросы.

Полный разбор →

В середине августа 2026 года китайская Z.ai выпустила GLM-5.3 — по её собственному описанию, «самую способную» модель компании для агентного программирования (agentic codingi) и киберзащиты. Это дообученная версия GLM-5.2 с 743 млрд параметров. Спустя пару недель, после оценки безопасности, компания опубликовала веса модели на HuggingFace — это полноценный релиз весов, а не просто доступ по API, так что модель можно скачивать, запускать локально и дообучать под свои задачи.

Однако, в отличие от предыдущих релизов, Z.ai отказалась от свободной лицензии MIT: теперь сервисы с годовой выручкой выше $10 млрд обязаны проходить проверку безопасности у Z.ai перед использованием GLM-5.3. Это отмечают как признак того, что китайский открытый ИИ начинает «закрываться».

Полный разбор →

Основатель Zhipu AI (и профессор Tsinghua) Тан Цзе выступил с тезисом, который уже называют «манифестом новой эры масштабирования»: наращивание числа параметров модели больше не главный источник прироста качества. Вместо одной «ручки» (параметры) у scaling теперь как минимум четыре независимых рычага — параметры, объём и качество данных, compute на forward pass, и post-trainingi/RL.

Практическим подтверждением стала GLM-5.3: модель с той же базовой архитектурой и тем же числом параметров, что у GLM-5.2, но с дополнительным месяцем long-horizon environments и RL, — по данным источников, она обогнала все открытые аналоги и вплотную приблизилась к закрытым флагманам.

Полный разбор →

Китайская Z.ai представила GLM-5.3i — новую флагманскую модель для программирования, агентных задач и кибербезопасности. Новую базовую модель не обучали: разработчики взяли ту же ~743B MoEi модель, что лежала в основе GLM-5.2, и существенно прокачали её посттренировкой — масштабированием RL на реальных задачах, включая оптимизацию тренировки самой модели.

Результат — резкий рост показателей в кодинге и особенно в кибербезопасности: модель приблизилась к закрытым лидерам рынка, а по ряду бенчмарков поиска уязвимостей их обошла. Именно из-за высоких кибервозможностей открытые веса пока не публикуются — компания проводит дополнительную проверку безопасности.

Полный разбор →