โมเดล GLM‑5.3 เพิ่มศักยภาพไซเบอร์ ค้นพบช่องโหว่ใน Cursor

Lead: บริษัทสตาร์ทอัพด้านปัญญาประดิษฐ์ของจีน Z.ai เปิดตัวโมเดลภาษา GLM‑5.3 เมื่อวันพฤหัสบดีนี้ โดยเน้นการปรับปรุงความสามารถในการเขียนโค้ดระยะยาวและศักยภาพด้านความปลอดภัยไซเบอร์อย่างมีนัยสำคัญแล้ว รายงานจากนักสนับสนุนของ Z.ai บน X ว่าโมเดลรุ่นใหม่ได้ค้นพบ “ช่องโหว่ที่อาจเป็นอันตราย” ในระบบ Cursor** ซึ่งเพิ่งถูก SpaceX เข้าซื้อกิจการ ทำให้เรื่องนี้ได้รับความสนใจจากวงการเทคโนโลยีและความปลอดภัยทั่วโลก

Overview

GLM‑5.3 เป็นรุ่นต่อเนื่องของชุดโมเดล GLM ที่พัฒนาโดย Z.ai ซึ่งตั้งแต่เวอร์ชัน 5.2 มุ่งเน้นให้เป็นฐานข้อมูลขนาด 743 พันล้านพารามิเตอร์ การอัพเกรดครั้งนี้ไม่ได้เพิ่มการฝึกแบบ pre‑training ใหม่ แต่ใช้ post‑training scaling ผ่านสภาพแวดล้อมที่หลากหลายและงานหลายประเภทรวมถึง reinforcement learning ที่เข้มข้นกว่าเดิม

บริษัทระบุว่าการปรับขนาด post‑training ทำให้โมเดลสามารถทำความเข้าใจโค้ดที่ซับซ้อนได้ดีขึ้น และยังช่วยให้การประเมินผลด้านความปลอดภัยของซอฟต์แวร์มีความแม่นยำสูงกว่าเวอร์ชันก่อน การเปิดตัวครั้งแรกจะจำกัดอยู่ใน GLM Coding Plan และสภาพแวดล้อม ZCode coding เท่านั้น ส่วน API และน้ำหนักโมเดลที่เป็นโอเพนจะเผยแพร่ต่อไปเมื่อผ่านการประเมินความปลอดภัยครบถ้วน

Key Improvements

การปรับปรุงหลักของ GLM‑5.3 แบ่งออกได้สองด้านคือ coding horizon และ cybersecurity capability ด้านแรกโมเดลได้รับการฝึกให้ทำงานในโครงการซอฟต์แวร์ที่ต้องใช้เวลาหลายวันเหมือนกับวิศวกรระดับมืออาชีพ สามารถเข้าถึงฐานข้อมูลโค้ด เอกสาร ระบบคอมพิวเตอร์คลัสเตอร์ และผลการทดลองเพื่อแก้ไขปัญหาและปรับปรุงประสิทธิภาพได้โดยอัตโนมัติ

ด้านความปลอดภัยไซเบอร์ Z.ai แสดงว่าการเพิ่มสเกลของ post‑training ทำให้โมเดลก้าวหน้าเร็วกว่าแผนที่คาดไว้ โดยจากการฝึกใน CyberGym โมเดลสามารถระบุช่องโหว่ได้ถึง 84.5 % ซึ่งสูงกว่ารุ่น 5.2 ที่ 77.2 % และเกินคะแนนของ GPT‑5.6 Sol (83.6 %) รวมถึง Mythos 5 (83.8 %) ด้วย

Benchmark Performance

GLM‑5.3 แสดงผลการทดสอบบนหลายชุด benchmark ของ Z.ai อย่างต่อเนื่อง โดยมีการปรับตัวอย่างชัดเจนในเกณฑ์ต่อไปนี้

• Terminal‑Bench 3.0 : 28.3 (จาก 4.6 ใน GLM‑5.2)
• DeepSWE v1.1 : 66.9 (จาก 46.2)
• AutomationBench : 48.2 (จาก 26.2)
• Agents’ Last Exam CLI : 28.5 (จาก 23.8)

แม้คะแนนของ GLM‑5.3 จะไม่ครองอันดับหนึ่งเมื่อเทียบกับ GPT‑5.6 Sol (34.6) หรือ Claude Fable 5 (33.7) ใน Terminal‑Bench 3.0 แต่ Z.ai เน้นที่ ประสิทธิภาพการใช้โทเค็น โดย GLM‑5.3 ใช้เพียงประมาณ 75,000 โทเค็นต่อภารกิจเพื่อให้ได้ผลลัพธ์ 34.5 % ที่ระดับ Max reasoning ซึ่งดีกว่า GLM‑5.2 (23.4 % กับ 96,000 โทเค็น) อย่างชัดเจน

Cybersecurity Capabilities

ในด้านการตรวจจับและสร้างช่องโหว่ โมเดลได้ขยายความสามารถจากขั้นตอน “identification” ไปสู่ “exploitation chain” อย่างรวดเร็ว การประเมินบน ExploitBench ให้คะแนน 54.4 % ซึ่งสูงกว่ารุ่น 5.2 (24.4 %) แต่ยังห่างไกลจาก GPT‑5.6 Sol (76.5 %) และ Mythos 5 (78 %)

ในสภาพแวดล้อม ExploitGym GLM‑5.3 สามารถทำภารกิจได้ 105 งานภายในงบเวลาสองชั่วโมงและ 130 งานภายในหกชั่วโมง ซึ่งเพิ่มขึ้นจาก 29/39 งานของรุ่นก่อน อย่างไรก็ตาม โมเดลอื่น ๆ เช่น Fable 5 (181/247) และ GPT‑5.6 Sol (216/293) ยังมีประสิทธิภาพดีกว่า

Z.ai รายงานว่าการทำงานร่วมกับทีมความปลอดภัยในจีนได้นำไปสู่การค้นพบช่องโหว่ 2,436 รายการจาก 269 โครงการ หลังจากผ่านการตรวจสอบและคัดกรอง 1,097 รายการถือเป็นระดับวิกฤตหรือสูง มีเพียง 53 รายการที่เปิดเผยต่อสาธารณะ ส่วน 2,383 รายการยังอยู่ในระยะ embargo

Access & Safety Controls

โมเดล GLM‑5.3 จะเริ่มให้บริการผ่านแผน GLM Coding Plan และแพลตฟอร์ม ZCode coding เท่านั้น ผู้ใช้ที่ต้องการเข้าถึง API หรือไฟล์น้ำหนักของโมเดลจะต้องรอจนกว่าการประเมินความปลอดภัยและกระบวนการ hardening เสร็จสิ้นตามที่บริษัทระบุ ทั้งนี้ Z.ai ตั้งเป้าปล่อยน้ำหนักแบบเปิดภายในประมาณ สองสัปดาห์หลังจากการเปิดตัว

Reuters รายงานว่า Z.ai กำลังพัฒนากลไก “trusted access” เพื่อจำกัดการใช้งานฟังก์ชันที่อาจเป็นอันตราย โดยผู้ใช้ต้องผ่านกระบวนการยืนยันและข้อตกลงด้านความปลอดภัยก่อนจึงจะสามารถเรียกใช้ความสามารถขั้นสูงของโมเดลได้

Impact on Developers and Enterprises

สำหรับนักพัฒนาซอฟต์แวร์และองค์กรที่มุ่งเน้นอัตโนมัติ การปรับตัวให้เข้ากับ GLM‑5.3 ต้องมีการเปลี่ยนแปลงวิธีเรียกใช้งานโมเดล ทั้งในด้าน prompt engineering และการจัดการโทเค็นเพื่อให้ได้ประสิทธิภาพสูงสุด ความสามารถที่เพิ่มขึ้นของโมเดลทำให้กระบวนการพัฒนาและตรวจสอบซอฟต์แวร์อาจเร็วขึ้นหลายเท่า แต่ในขณะเดียวกันก็สร้างความกังวลเรื่องการใช้เทคโนโลยีนี้เพื่อจุดประสงค์ร้าย

นักวิจัยด้านความปลอดภัยไซเบอร์เห็นว่าโมเดลที่สามารถสร้าง exploitation chain ได้อาจเป็นเครื่องมือสองหัว การป้องกันและตรวจสอบการใช้งานอย่างเคร่งครัดจะกลายเป็นส่วนสำคัญของนโยบาย IT ขององค์กร ทั้งนี้ Z.ai ย้ำว่าการเปิดตัวฟีเจอร์ควบคุม “trusted access” มีเป้าหมายเพื่อลดความเสี่ยงจากการนำโมเดลไปใช้ในกิจกรรมที่ไม่เหมาะสม

Summary

GLM‑5.3 ของ Z.ai แสดงให้เห็นถึงก้าวกระโดดด้าน coding และ cybersecurity ผ่านการขยาย post‑training โดยยังคงใช้ฐานโมเดลเดียวกับ GLM‑5.2 การเปิดตัวเริ่มต้นผ่านแผนโค้ดดิ้งและสภาพแวดล้อมเฉพาะ พร้อมมาตรการควบคุมความปลอดภัยใหม่ ทำให้ผู้พัฒนาและองค์กรต้องเตรียมพร้อมรับมือทั้งด้านประสิทธิภาพและความเสี่ยงที่เพิ่มขึ้น.