La start-up chinoise d’intelligence artificielle Z.ai a annoncé le 14 août 2026 le lancement du modèle GLM-5.3, avec des améliorations importantes pour les tâches de programmation de longue durée et un bond plus marqué de ses capacités en cybersécurité. Selon Lou, défenseur des développeurs de Z.ai, les capacités cybernétiques du modèle ont déjà découvert une « vulnérabilité potentiellement grave » dans Cursor, l’entreprise de programmation par intelligence artificielle récemment acquise par SpaceX. VentureBeat a déclaré avoir demandé à Cursor de confirmer les faits et attendre une réponse.
GLM-5.3 est initialement disponible uniquement via le GLM Coding Plan et l’environnement ZCode de Z.ai. L’accès à l’API et aux poids ouverts sera proposé ultérieurement, « après l’achèvement des évaluations de sécurité et du renforcement », selon l’entreprise, qui prévoit de publier les poids environ deux semaines après le lancement.
Améliorations importantes grâce à l’entraînement postérieur
GLM-5.3 utilise la même base de modèle que celle qui se trouve derrière GLM-5.2, dans une fourchette de 743 milliards de paramètres, et son lancement n’a pas nécessité de nouveau cycle d’entraînement préalable. Z.ai a plutôt étendu l’entraînement postérieur à davantage d’environnements et de tâches variées, avec des ressources de calcul supplémentaires pour l’apprentissage par renforcement. L’entreprise a déclaré dans son annonce technique : « Tout ce que nous avons fait dans GLM-5.3 consiste à étendre l’entraînement postérieur ».
Les environnements d’entraînement simulent des tâches d’ingénierie complètes plutôt que des exercices de programmation isolés ; l’agent reçoit des bases de code, de la documentation, des grappes de calcul, des systèmes de stockage et les résultats d’expériences, puis il doit diagnostiquer les problèmes, modifier les systèmes, exécuter des expériences et démontrer une amélioration mesurable tout en préservant la validité des résultats. Certaines tâches sont conçues pour simuler plusieurs jours de travail d’un ingénieur expérimenté.
Dans les évaluations annoncées par Z.ai, le score de GLM-5.3 sur Terminal-Bench 3.0 est passé de 4.6 à 28.3, celui obtenu sur DeepSWE v1.1 de 46.2 à 66.9, et celui obtenu sur AutomationBench de 26.2 à 48.2. Son score sur Agents' Last Exam CLI s’est également amélioré, passant de 23.8 à 28.5.
Le modèle ne dépasse pas tous ses concurrents dans les tableaux publiés par l’entreprise ; GPT-5.6 Sol a obtenu 34.6 et Claude Fable 5 33.7 sur Terminal-Bench 3.0, contre 28.3 pour GLM-5.3. Sur DeepSWE v1.1, le modèle a obtenu 66.9, contre 72.7 pour GPT-5.6 Sol et 69.7 pour Fable 5. Z.ai met également l’accent sur l’efficacité en matière de consommation de tokens : GLM-5.3 a obtenu 34.5 % lors de son test interne Z.ai Code Bench, avec le paramètre Max et environ 75 000 tokens de sortie pour la tâche, contre 23.4 % pour GLM-5.2 avec environ 96 000 tokens. Ces résultats proviennent d’un test interne à l’entreprise et ne constituent pas des mesures indépendantes.
Des capacités cybernétiques ayant dépassé les attentes de l’entreprise
Z.ai a intégré des environnements de détection des vulnérabilités dans l’entraînement postérieur, en s’attendant à une amélioration de la découverte des défauts logiciels. Mais l’entreprise a déclaré que ces capacités avaient évolué plus rapidement que prévu, passant davantage de l’identification des vulnérabilités à la construction de chaînes d’exploitation complètes.
GLM-5.3 a obtenu 84.5 % sur CyberGym, contre 77.2 % pour GLM-5.2, dépassant légèrement les résultats rapportés par Z.ai pour GPT-5.6 Sol, à 83.6 %, et Mythos 5, à 83.8 %. Sur ExploitBench, il a obtenu 54.4 %, soit plus du double du résultat de GLM-5.2, qui s’élevait à 24.4 %, mais il est resté derrière GPT-5.6 Sol, à 76.5 %, et Mythos 5, à 78 %.
Z.ai a déclaré que son travail avec des équipes de sécurité en Chine avait abouti, après examen, vérification et dédoublonnage, à 2 436 découvertes de vulnérabilités dans 269 projets. Son registre de divulgation classe 1 097 de ces résultats comme présentant une gravité élevée ou critique ; 53 ont été publiés au public et 2 383 restaient sous embargo au moment du lancement. Reuters a également rapporté que l’entreprise propose des contrôles pour certaines capacités avancées, notamment une approche d’« accès de confiance » pour les fonctions sensibles.
Modifications requises pour l’intégration et la disponibilité
Le passage à GLM-5.3 nécessite de modifier certaines applications existantes. Le modèle prend en charge les niveaux d’effort de raisonnement low, high et max, max étant le paramètre par défaut et recommandé pour la programmation. Il n’est plus possible de désactiver la réflexion comme dans les versions précédentes ; les applications qui envoient thinking.type: "disabled" doivent donc le remplacer par enabled et définir un niveau d’effort de raisonnement, faute de quoi la requête échouera.
L’environnement ZCode est disponible sur macOS, Windows et Linux, et prend en charge les tâches Goal de longue durée pour la planification, l’exécution, les tests et la vérification, ainsi que le contrôle à distance des tâches en cours. Les forfaits individuels GLM Coding commencent, selon les tarifs promotionnels indiqués, à 12.60 dollars par mois pour le forfait Lite avec 10 000 crédits hebdomadaires, tandis que le forfait Pro coûte environ 56 dollars et le forfait Max environ 117.60 dollars. Les sièges Team Standard et Premium coûtent respectivement 88 et 188 dollars par utilisateur et par mois. Dans les documents de lancement fournis, Z.ai n’a pas annoncé les tarifs publics de l’API pour GLM-5.3.