Z.ai تطلق GLM-5.3 بقدرات سيبرانية متقدمة وتكتشف ثغرة في Cursor

مقدمة تحليلية

أصدرت شركة Z.ai الصينية الناشئة، المعروفة بسلسلة نماذجها اللغوية GLM مفتوحة المصدر، نموذجها GLM-5.3 في 14 أغسطس 2026. يبرز الإصدار بتحسينات جوهرية في قدرات البرمجة طويلة الأفق، وقفزة أكثر حساسية وتأثيراً في مجال الأمن السيبراني. بالفعل، كشفت قدرات GLM-5.3 السيبرانية عن “ثغرة أمنية خطيرة محتملة في Cursor”، وهي شركة برمجة الذكاء الاصطناعي التي استحوذت عليها SpaceX مؤخراً، وفقاً لمطور Z.ai Lou في منشور على X. يتوفر GLM-5.3 مبدئياً فقط عبر خطة الشركة GLM Coding Plan وبيئة ZCode للبرمجة، مع توفر الوصول إلى API والأوزان المفتوحة لاحقاً “بعد اكتمال تقييم السلامة والتحصين”، بحسب الشركة.

هذه الخطوة، رغم ادعاءات السلامة، تضع Z.ai في مواجهة مباشرة مع التحديات التي تواجه كبرى المختبرات المغلقة، خاصة مع قدرات نموذجها المزدوجة الاستخدام.

التحليل التقني

يعتمد GLM-5.3 على نفس النموذج الأساسي الذي يبلغ حجمه 743 مليار معلمة والذي يدعم GLM-5.2، دون استبداله. تأتي جميع التحسينات بالكامل من توسيع نطاق التدريب اللاحق عبر بيئات أكثر تنوعاً ومهام إضافية وحوسبة تعزيز التعلم. صرحت Z.ai في إعلانها التقني أن “توسيع نطاق التدريب اللاحق هو كل ما فعلناه لـ GLM-5.3”. هذا النهج يمثل اختباراً لمدى إمكانية دفع نموذج أساسي واسع النطاق دون الحاجة إلى دورة تدريب مسبق باهظة أخرى.

تشير النتائج إلى إمكانات كبيرة، لكنها أسفرت أيضاً عن مشكلة غير معتادة لمطور نموذج مفتوح، حيث تحسنت قدرات الأمن السيبراني بشكل أسرع من المتوقع مع توسع التدريب، خاصة مع تقدم المهام من تحديد الثغرات إلى بناء سلاسل استغلال كاملة.

قدرات البرمجة والأمن السيبراني

لقد أنتج هذا النهج تحسينات كبيرة بين الأجيال على تقييمات Z.ai المُعلنة:

• قفز GLM-5.3 من 4.6 إلى 28.3 على Terminal-Bench 3.0.
• من 46.2 إلى 66.9 على DeepSWE v1.1.
• من 26.2 إلى 48.2 على AutomationBench.
• تحسن من 23.8 إلى 28.5 على Agents' Last Exam CLI.

في مجال الأمن السيبراني، أدخلت Z.ai بيئات اكتشاف الثغرات في مزيج التدريب اللاحق لـ GLM-5.3، متوقعة أن يتحسن النموذج في العثور على عيوب البرامج. بدلاً من ذلك، بدأت القدرة في التقدم أكثر على طول سلسلة الاستغلال. تسجل GLM-5.3 نسبة 84.5% على CyberGym، مقارنة بـ 77.2% لـ GLM-5.2، متجاوزة نتائج Z.ai المعلنة لـ GPT-5.6 Sol (83.6%) وMythos 5 (83.8%). لكن هذه الميزة لا تمتد عبر مكدس الاستغلال بالكامل؛ فسجلت GLM-5.3 نسبة 54.4% على ExploitBench، وهو أكثر من ضعف نسبة GLM-5.2 البالغة 24.4%، لكنها لا تزال متخلفة كثيراً عن 76.5% التي أبلغت عنها Z.ai لـ GPT-5.6 Sol و78% لـ Mythos 5.

على ExploitGym، أنجزت GLM-5.3 عدد 105 مهام في ظل ميزانية ساعتين و130 مهمة في ست ساعات، مرتفعة من 29 و39 لـ GLM-5.2. أدت هذه القدرات إلى 2,436 اكتشافاً للثغرات عبر 269 مشروعاً بعد مراجعة الخبراء، مع إدراج 1,097 منها بخطورة حرجة أو عالية، و53 تم الكشف عنها علناً و2,383 لا تزال تحت الحظر. تتطلب GLM-5.3 من المطورين تغيير طريقة استدعاء النموذج؛ حيث تدعم ثلاثة مستويات لجهد التفكير (`low`, `high`, `max`)، ولا يمكن تعطيل التفكير، مما يجعلها عملية ترحيل حقيقية لبعض التطبيقات.

السياق وتأثير السوق

لم يهيمن GLM-5.3 على كل منافسيه الرائدين. تُظهر جداول Z.ai المعيارية أن GPT-5.6 Sol يحقق 34.6 وClaude Fable 5 يحقق 33.7 على Terminal-Bench 3.0، مقارنة بـ 28.3 لـ GLM-5.3. على DeepSWE v1.1، سجلت GLM-5.3 نسبة 66.9%، مقارنة بـ 72.7% لـ GPT-5.6 Sol و69.7% لـ Fable 5. ومع ذلك، تؤكد Z.ai أيضاً على الكفاءة. على Z.ai Code Bench الخاص بها، تصل GLM-5.3 إلى 34.5% عند إعداد Max reasoning مع استهلاك حوالي 75,000 توكن إخراج لكل مهمة. بينما تصل GLM-5.2 إلى 23.4% باستهلاك حوالي 96,000 توكن. عند High effort، تصل GLM-5.3 إلى 31.4% باستهلاك حوالي 50,000 توكن إخراج، مقارنة بـ 29.5% التي أبلغت عنها Z.ai لـ Claude Opus 4.8 باستخدام 120,000 توكن. هذا التخفيض في استهلاك التوكن مع تحسين إنجاز المهام أمر حيوي للمؤسسات التي تنشر وكلاء البرمجة.

تأتي GLM-5.3 في خضم تحول سريع لـ Z.ai نحو وكلاء البرمجة وأعباء العمل الهندسية المستقلة طويلة الأمد. بدأت هذه الاستراتيجية مع GLM-4.5 (يوليو 2025)، وهو نموذج خبراء مختلط بـ 355 مليار معلمة، وتلاه GLM-4.6 (سبتمبر 2025) الذي وسع السياق من 128,000 إلى 200,000 توكن. شهد GLM-5 (فبراير 2026) قفزة معمارية بزيادة المعلمات من 355 مليار إلى 744 مليار (40 مليار معلمة نشطة) وبيانات التدريب المسبق إلى 28.5 تريليون توكن. ثم جاء GLM-5.2 (يونيو 2026) بنموذج 753 مليار معلمة ونافذة سياق مستقرة بمليون توكن، وأوزان مفتوحة بترخيص MIT، ودعم لأكثر من 20 بيئة برمجة. تم تسعير GLM-5.2 بسعر 1.40 دولار لكل مليون توكن إدخال API و4.40 دولار لكل مليون توكن إخراج. قامت Z.ai أيضاً بجمع حوالي 31.4 مليار دولار هونج كونجي (حوالي 4 مليارات دولار) من بيع أسهم في هونج كونج، مما يعكس طموحاتها المتزايدة خارج تطوير النماذج.

رؤية Glitch4Techs

يمثل إطلاق GLM-5.3 تقدماً تقنياً محسوباً من Z.ai، مؤكداً على إمكانية استخلاص قدرات أكبر بكثير من نموذج أساسي واحد عبر تحسين التدريب اللاحق والبيئات المتخصصة. لكن هذا التطور يسلط الضوء على معضلة جوهرية: القدرات الوكيلية القوية التي تجعل النماذج أكثر فائدة في الهندسة البرمجية تزيد أيضاً من فعاليتها كباحثين أمنيين مستقلين، وربما كمشغلين هجوميين. الدليل الصريح على ذلك هو اعتراف Z.ai بأن “قدرات الأمن السيبراني تطورت بشكل أسرع مما توقعنا” مع تقدم التدريب نحو *بناء سلاسل استغلال كاملة*. هذا التطور غير المتوقع فرض على الشركة تبني نهج “الوصول الموثوق” للوظائف الحساسة، مما يشير إلى أن حتى المطورين الملتزمين بالنماذج المفتوحة قد يضطرون لفرض قيود على نماذجهم الأكثر قوة.

GLM-5.3 هو إنجاز تقني يفاقم التوتر بين المنفعة والتحكم.