Spesifikasi Teknis GLM-5.3
| Spesifikasi | GLM-5.3 |
|---|---|
| Pengembang | Z.ai / Zhipu AI |
| Rilis | 14 Agustus 2026 |
| Tipe model | Model fondasi unggulan |
| Masukan | Teks |
| Keluaran | Teks |
| Jendela konteks | 1,000,000 token |
| Keluaran maksimum | 128,000 token |
| Penalaran | Multi-mode |
| Streaming | Ya |
| Pemanggilan fungsi | Ya |
| Keluaran terstruktur | Ya |
| Caching konteks | Ya |
| MCP | Ya |
| Aplikasi utama | Pengodean, agen, rekayasa, keamanan siber |
Repositori model publik Z.ai masih menampilkan GLM-5.2 secara menonjol, bukan artefak GLM-5.3 yang dapat diunduh, sehingga spesifikasi yang belum dipublikasikan harus tetap ditandai secara eksplisit sebagai belum dikonfirmasi.
Apa Itu GLM-5.3?
GLM-5.3 adalah generasi terbaru dari keluarga GLM milik Z.ai dan merepresentasikan pergeseran menuju sistem AI yang mampu melakukan tugas keamanan dan rekayasa yang kompleks secara otonom.
Pengumuman ini menonjol karena keamanan siber tidak sekadar disajikan sebagai kategori tolok ukur lain. Z.ai menggunakan GLM-5.3 untuk menunjukkan sistem AI yang mampu menemukan kerentanan perangkat lunak dan berpartisipasi dalam alur kerja pengembangan serangan.
Reuters melaporkan bahwa Z.ai berencana merilis model tersebut ke publik setelah menyelesaikan penilaian keamanan, sementara kemampuan yang lebih maju awalnya akan dibatasi melalui mekanisme akses tepercaya.
Ini merupakan perubahan fokus yang signifikan dibanding GLM-5.2.
GLM-5.2 terutama diposisikan pada rekayasa perangkat lunak jangka panjang dan pengodean berbasis agen. Halaman riset Z.ai bulan Juni menggambarkan GLM-5.2 sebagai "Dibangun untuk Tugas Jangka Panjang."
GLM-5.3 membawa pendekatan agen tersebut ke ranah yang jauh lebih sensitif:
rekayasa perangkat lunak → penemuan kerentanan → pertahanan siber → keamanan ofensif terkontrol
Apa Fitur Utama GLM-5.3?
Penalaran Berpusat pada Keamanan Siber
Kemampuan utama adalah keamanan siber.
GLM-5.3 meraih:
84,5% pada CyberGym
CyberGym mengevaluasi kemampuan sistem AI mengidentifikasi kerentanan perangkat lunak. Hasil ini sedikit melampaui 83,8% yang dilaporkan Mythos 5.
Itu penting karena keamanan siber menuntut lebih dari sekadar menghasilkan kode yang benar secara sintaksis.
Agen keamanan yang mumpuni perlu:
- Memahami kode yang tidak familiar.
- Mengidentifikasi permukaan serangan.
- Membentuk hipotesis tentang kerentanan.
- Menelusuri aliran data dan kendali.
- Memvalidasi hipotesis.
- Mengembangkan bukti konsep yang tepat.
- Menentukan apakah kerentanan tersebut benar-benar dapat dieksploitasi.
Skor CyberGym GLM-5.3 menunjukkan kemajuan bermakna pada bagian awal rantai ini.
Penemuan Kerentanan yang Kuat
Skor CyberGym 84,5% barangkali merupakan hasil awal yang paling mengesankan.
Ini menempatkan GLM-5.3 sedikit di depan Mythos 5 dalam identifikasi kerentanan:
| Model | CyberGym |
|---|---|
| GLM-5.3 | 84,5% |
| Mythos 5 | 83,8% |
Marginnya hanya 0,7 poin persentase, jadi akan menyesatkan jika menggambarkan GLM-5.3 sebagai unggul secara tegas.
Poin yang lebih menarik adalah bahwa model dengan bobot terbuka dari Z.ai memasuki kisaran kinerja yang sama dengan sistem keamanan siber yang sangat terbatas.
Pengembangan Eksploit Masih Menjadi Titik Lemah
GLM-5.3 tidak mendominasi setiap tugas keamanan siber.
Pada ExploitBench:
| Model | ExploitBench |
|---|---|
| GLM-5.3 | 54,4% |
| Mythos 5 | 78,0% |
Itu adalah kesenjangan 23,6 poin.
Ini mengungkap perbedaan penting:
Menemukan kerentanan tidak sama dengan mengeksploitasinya secara andal.
GLM-5.3 tampak sangat kapabel dalam mengidentifikasi kelemahan, tetapi hasil awal menunjukkan bahwa mengubah temuan tersebut menjadi pengembangan eksploit yang andal tetap jauh lebih sulit.
Bagi tim keamanan perusahaan, ini justru menjadikan model tersebut menarik sebagai asisten analisis kerentanan defensif, bukan sekadar mesin otomatisasi ofensif.
GLM-5.3 vs GLM-5.2
GLM-5.2 menyediakan tolok ukur dasar yang paling berguna dan terkonfirmasi.
| Fitur | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Status | Dirilis | Diumumkan |
| Posisi utama | Agen jangka panjang | Keamanan siber + agen |
| Pengodean | Sangat baik | Diperkirakan tetap kuat |
| Keamanan siber | Potensi kuat | Fokus andalan yang eksplisit |
| CyberGym | — | 84,5% |
| ExploitBench | — | 54,4% |
| Konteks | 1M | Belum dikonfirmasi |
| Parameter | ~753B | Belum dikonfirmasi |
| Lisensi | MIT | Bobot terbuka diumumkan |
| Harga API | Dipublikasikan | Belum dipublikasikan |
| Bobot publik | Tersedia | Direncanakan |
Arsitektur GLM-5.2 yang telah dikonfirmasi berjumlah sekitar 753B parameter, dan katalog model publiknya masih mencantumkan model 753B dan versi FP8.
GLM-5.2 juga meraih 81,0 pada Terminal-Bench 2.1 dan 62,1 pada SWE-bench Pro menurut pelaporan pihak ketiga yang didasarkan pada materi evaluasi model Z.ai.
Namun angka-angka tersebut harus tetap menjadi tolok ukur GLM-5.2, bukan diatribusikan ke GLM-5.3.
GLM-5.3 vs Mythos 5
Ini saat ini merupakan perbandingan tolok ukur yang paling bermakna.
| Tolok ukur | GLM-5.3 | Mythos 5 | Perbedaan |
|---|---|---|---|
| CyberGym | 84,5% | 83,8% | +0,7 pp |
| ExploitBench | 54,4% | 78,0% | −23,6 pp |
Hasilnya menghasilkan kesimpulan yang bernuansa.
GLM-5.3 unggul dalam identifikasi kerentanan.
Namun:
Mythos 5 tetap secara signifikan lebih kuat dalam pengembangan eksploit.
Karena itu, mengatakan "GLM-5.3 mengalahkan Mythos 5" akan menjadi interpretasi yang tidak akurat terhadap data yang tersedia.
Deskripsi yang lebih baik adalah:
GLM-5.3 mencapai kinerja setara Mythos 5 pada penemuan kerentanan, namun tetap tertinggal dalam pengembangan eksploit.