GLM-5.3 : modèle 743 milliards pour codage et cybersécurité

Un bug datant de 1981 et resté invisible pendant des décennies a ouvert le bal. Il a donné le ton pour la dernière annonce de Zhipu AI : GLM-5.3, un modèle de langage à 743 milliards de paramètres optimisé pour le codage, les flux de travail autonomes et l'analyse en cybersécurité.

Zhipu AI indique que GLM-5.3 n'arrive pas comme un modèle de base plus volumineux, mais comme un modèle plus intelligent. Les poids restent à 743 milliards de paramètres, pourtant l'équipe a retravaillé la phase post-entraînement (enrichissement des environnements simulés, élargissement de la diversité des tâches et augmentation de la puissance de calcul interactive) pour extraire ces gains de performance. Le résultat ressemble moins à une montée en force brute qu'à un affinage chirurgical.

L'accès commence via le plan payant GLM Coding et la plateforme ZCode. L'accès API et les poids du modèle téléchargeables sont prévus pour un déploiement échelonné après des revues de sécurité en plusieurs étapes au cours des prochaines semaines, ce qui permet aux organisations d'essayer le modèle tôt pendant que Zhipu l'évalue pour une diffusion plus large.

L'efficacité en tokens a été un indicateur clé. Dans le Code Bench de Z.ai, GLM-5.3 a atteint un taux de réussite de 34,5 % en utilisant environ 75 000 tokens de sortie, contre 23,4 % pour GLM-5.2 avec environ 96 000 tokens. En clair : moins de bavardage, plus de résultats. C'est le type d'amélioration que les ingénieurs remarquent en premier.

En matière de compétences de programmation brutes, le bilan est mitigé. Terminal Bench 3.0, qui évalue les performances dans des environnements Linux en direct et des systèmes automatisés, a propulsé GLM-5.3 à un score de 28,3, contre 4,6 pour la génération précédente. Impressionnant. Pourtant les concurrents commerciaux restent en tête ; Claude Fable 5 a obtenu 33,7 et GPT-5.6 Sol 34,6, conservant les places du podium.

Sur la correction de bugs en conditions réelles testée avec DeepSWE v1.1, GLM-5.3 a obtenu un score de 66,9, s'améliorant nettement par rapport à son prédécesseur mais restant légèrement en deçà de pairs comme Kimi K3 (67,5) et Fable 5 (69,7). En conclusion : GLM-5.3 réduit l'écart avec les concurrents open source et propriétaires, mais les meilleures piles d'entreprise restent intensément compétitives.

Ce qui surprend vraiment avec GLM-5.3, c'est la cybersécurité : il a dominé le benchmark CyberGym avec un score de 84,5 %, devançant Fable 5 (83,8 %) et GPT-5.6 Sol (83,6 %). Zhipu a publié un dossier de sécurité montrant que GLM-5.3 a identifié 2 436 vulnérabilités dans 269 projets open source, dont 1 097 classées du risque moyen au critique. Une découverte attire l'attention : un exploit dont l'origine remonte à 1981, prétendument passé inaperçu en moyenne pendant 26,6 ans par les scanners et chercheurs précédents.

Tout cela positionne GLM-5.3 comme un concurrent crédible face à des rivaux régionaux comme Kimi K3 et comme un entrant provocateur contre les modèles commerciaux américains. Ce n'est pas seulement une sortie de plus ; c'est une étude de cas sur la substitution de la croissance brute des paramètres par un post-entraînement plus intelligent et ciblé, avec en prime des gains en cybersécurité.

GLM-5.3 incitera-t-il les fournisseurs à ouvrir davantage leurs chaînes d'outils ou provoquera-t-il une nouvelle vague d'ingénierie centrée sur les benchmarks ? Les prochains mois de tests API et d'examen par la communauté le diront.