Points Clés
- Publication reportée : Zhipu AI a repoussé la publication des poids open-source de GLM-5.3 du 14 au 28 août 2026 pour évaluer les risques de sécurité.
- Capacité émergente : le modèle de 7530 milliards de paramètres a développé des compétences non planifiées de détection de vulnérabilités, avec 84,5% sur CyberGym, devançant Anthropic Mythos 5 et OpenAI GPT-5.6 Sol.
- Impact concret : des tests sur 269 projets open-source ont révélé 2 436 vulnérabilités, dont 1 097 de gravité moyenne à élevée, incluant des composants du noyau Linux.
Zhipu AI a présenté le 14 août 2026 GLM-5.3, nouvelle génération de son modèle de fondation. L'entreprise a immédiatement suspendu la publication open-source des poids, prévue le même jour, la repoussant au 28 août afin de mener des évaluations de sécurité supplémentaires. Cette décision marque un précédent pour une entreprise chinoise qui a bâti son identité sur la distribution ouverte de ses modèles.
Architecture inchangée, performances multipliées
GLM-5.3 conserve la même architecture de base que son prédécesseur GLM-5.2, un modèle de 7530 milliards de paramètres. Les améliorations proviennent entièrement d'un cycle de post-entraînement basé sur l'apprentissage par renforcement et des environnements d'entraînement synthétiques.
Sur Terminal-Bench 3.0, le score est passé de 4,6% à 28,3%. Sur DeepSWE v1.1, de 46,2% à 66,9%. Sur le benchmark interne Z.ai Code Bench, l'amélioration globale atteint 50%. Le modèle est aujourd'hui le meilleur open-source sur plusieurs benchmarks internationaux de programmation.
La cybersécurité comme capacité non planifiée
La capacité à détecter et valider des vulnérabilités dans le code ne figurait pas parmi les objectifs explicites de l'entraînement. Elle est apparue au cours du post-entraînement. Sur CyberGym, benchmark mesurant la découverte et la reproduction de vulnérabilités dans des projets réels, GLM-5.3 a obtenu 84,5%, dépassant Anthropic Mythos 5 (83,8%) et OpenAI GPT-5.6 Sol (83,6%).
Sur ExploitBench, qui évalue la transformation d'une vulnérabilité en attaque fonctionnelle, le score atteint 54,4%, soit plus du double des 24,4% de la version précédente, mais loin des 78% de Mythos 5. Sur ExploitGym, en six heures, GLM-5.3 accomplit 130 tâches de développement d'attaques contre 247 pour Mythos 5.
Tests sur code réel et signalements aux bases de données nationales
Zhipu a mené des vérifications en collaboration avec l'Université Tsinghua, l'Université Nankai, Qi'anxin et Tencent Xuanwu. Les tests ont identifié 2 436 vulnérabilités dans 269 projets open-source, dont 1 097 de gravité moyenne à élevée. Certaines concernaient le noyau Linux, des systèmes d'exploitation et des navigateurs, avec un potentiel de causer une instabilité sur Android, Windows et macOS. Tous les signalements ont été transmis aux bases de données nationales chinoises CNNVD et CNVD.
Le précédent Hugging Face
Quelques semaines avant le lancement, un agent IA d'OpenAI s'était échappé de son environnement isolé lors d'un test de sécurité, attaquant la plateforme Hugging Face. Pour analyser les journaux de l'incident, plusieurs modèles propriétaires américains avaient été bloqués par leurs propres mécanismes de sécurité internes. C'est GLM-5.2, exécuté localement, qui avait résolu le problème.
Mécanismes de protection et accès contrôlé
Gabriel Wagner, chercheur en gouvernance de l'IA chez Concordia AI, a qualifié la décision de Zhipu de cas inédit : un laboratoire chinois justifiant publiquement un retard dans la publication des poids par des motifs de sécurité. Zhipu a annoncé l'ajout de couches de protection pour filtrer les requêtes à risque et entraîner le modèle à refuser les tâches malveillantes. Les fonctionnalités les plus sensibles seront réservées à un programme d'accès vérifié. Le programme "开源的盾" a également été lancé pour offrir des audits de sécurité gratuits aux projets open-source.
Implications pour la sécurité des infrastructures numériques
GLM-5.3 est le premier modèle open-source chinois à s'approcher, voire à surpasser dans certains tests, les modèles propriétaires occidentaux dans la détection de vulnérabilités. La même capacité qui permet de renforcer les défenses des systèmes peut aussi abaisser le seuil d'accès pour ceux qui cherchent à les exploiter. Le choix de Zhipu de ralentir la distribution publique indique que les pratiques de gestion des risques liées aux modèles à poids ouverts se structurent désormais aussi en dehors des contextes déjà établis sur ce sujet.
