GLM-5.3, 같은 기반 모델로 코딩과 보안 성능을 끌어올렸어요

GLM-5.3, 같은 기반 모델로 코딩과 보안 성능을 끌어올렸어요

AI 뉴스 썸네일

Z.ai가 GLM-5.2의 기반 모델을 그대로 두고 포스트 트레이닝을 확장한 GLM-5.3을 공개했어요. 코딩 과제 성능이 크게 올랐고, 취약점을 찾은 뒤 공격 단계를 연결하는 사이버 보안 능력도 빠르게 향상됐어요. 1

핵심 요약

구분	확인된 내용	읽을 때 볼 점
훈련 방식	기반 모델은 GLM-5.2와 같고 환경·과제·연산을 늘렸어요	모델 크기보다 훈련 환경과 검증 설계가 성능 차이를 만들었어요
코딩 성능	Terminal Bench 3.0은 4.6에서 28.3, DeepSWE v1.1은 46.2에서 66.9로 올랐어요	실제 개발 흐름에 가까운 장기 과제를 훈련에 넣은 결과예요
사이버 보안	CyberGym 84.5%, ExploitBench 54.4%를 기록했어요	취약점 발견을 넘어 여러 공격 단계를 잇는 능력이 향상됐어요
실제 조사	269개 프로젝트에서 전문가 검토 후 취약점 2,436개를 식별했다고 밝혔어요	2,383개는 아직 엠바고 상태라 외부에서 전체 내용을 확인할 수 없어요
공개 계획	안전성 평가와 보강을 마친 뒤 출시 2주 후 가중치를 공개할 예정이에요	현재는 공개 가중치를 직접 검증할 수 없는 단계예요

1. 포스트 트레이닝이 코딩과 보안 성능을 바꿨어요

GLM-5.3의 변화는 새 기반 모델에서 나오지 않았어요. Z.ai는 GLM-5.2와 같은 기반 모델에 더 많은 실행 환경과 다양한 과제, 추가 연산을 투입했다고 설명해요. 장문 맥락을 다루는 IndexShare, 장기 과제를 위한 SAO 강화학습, 비동기 훈련 프레임워크 slime도 이어서 사용했어요. 2

훈련 과제는 짧은 코딩 문제보다 실제 개발 업무에 가깝게 구성됐어요. 모델이 연산 클러스터와 저장 시스템, 내부 문서, 코드베이스를 살펴본 뒤 병목을 찾고 수정안을 시험하도록 했어요. 일부 과제는 숙련된 엔지니어도 며칠이 걸릴 정도라고 Z.ai는 밝혔어요. 과제를 실행할 수 있고 결과를 자동으로 판정할 수 있어야 강화학습 보상도 안정적으로 줄 수 있어요.

728x90

공개 벤치마크에서는 GLM-5.2보다 뚜렷한 상승폭이 나왔어요. Terminal Bench 3.0 점수는 4.6에서 28.3으로 올랐고, DeepSWE v1.1은 46.2에서 66.9로 상승했어요. 다만 모든 평가에서 가장 높은 점수를 낸 것은 아니에요. Terminal Bench 3.0에서는 Fable 5가 33.7, GPT-5.6 Sol이 34.6을 기록했어요. DeepSWE v1.1에서도 두 모델이 각각 69.7과 72.7로 앞섰어요. 2

사이버 보안 결과는 더 조심해서 볼 필요가 있어요. CyberGym은 77.2%에서 84.5%로 올랐고, ExploitBench는 24.4%에서 54.4%로 두 배 넘게 상승했어요. ExploitGym에서는 2시간 기준 완료 과제가 29개에서 105개로 늘었어요. 반면 공격 단계가 복잡해지는 평가에서는 폐쇄형 상위 모델과 격차가 남았어요. ExploitBench에서 Fable 5는 78.0%, GPT-5.6 Sol은 76.5%였어요.

Z.ai는 중국 보안팀들과 실제 코드베이스를 조사해 269개 프로젝트에서 취약점 2,436개를 식별했다고 밝혔어요. 전문가가 검토하고 중복을 제거한 수치이며, Critical 107개와 High 990개를 합치면 1,097개예요. 현재 공개된 항목은 53개이고 2,383개는 엠바고 상태예요. 공개 원장에는 영향을 받은 프로젝트와 심각도, 가능한 경우 CVE 정보가 올라와요. 3

개발자가 바로 확인해야 할 API 변경도 있어요. GLM-5.3은 `thinking.type`에서 `enabled`만 지원해요. 기존 코드가 `thinking.type: "disabled"`를 사용하면 모델 ID를 바꾸기 전에 설정을 고쳐야 해요. 사고 노력을 낮추려면 `thinking.type`을 `enabled`로 두고 `reasoning_effort`를 `low`로 설정해야 요청 실패를 피할 수 있어요. 2

벤치마크 숫자를 그대로 일반화하면 안 돼요

각 평가는 맥락 길이와 출력 한도, 실행 시간, 도구 구성이 달라요. Terminal Bench 3.0 결과는 과제당 최대 10시간과 600턴을 허용한 조건에서 세 번 실행한 평균이에요. ExploitBench는 41개 과제를 세 번 실행하고 최대 상호작용을 300회로 제한했어요. 숫자만 놓고 다른 제품의 일반 코딩 품질이나 실제 공격 성공률로 바꾸어 읽기는 어려워요.

실제 취약점 2,436개라는 수치도 같은 기준으로 봐야 해요. 대부분이 엠바고 상태라 외부 연구자가 전체 목록과 중복 제거 과정, 오탐지율을 아직 재검증할 수 없어요. 공개 원장이 늘어나면 프로젝트별 패치와 CVE, 발견 시점을 함께 확인해야 해요.

왜 중요한가요

GLM-5.3은 기반 모델을 새로 키우지 않아도 실행 가능한 환경과 장기 과제, 검증기를 충분히 늘리면 코딩 성능이 크게 달라질 수 있다는 사례예요. 모델을 만드는 팀에는 데이터 양보다 어떤 업무를 실행하고 판정할 수 있게 설계하는지가 더 큰 비용 항목이 될 수 있어요. 2

보안팀에는 접근성과 통제 문제가 함께 생겨요. 공개 가중치 모델이 취약점 탐지와 공격 체인 추론을 수행하면 유지보수자도 저렴하게 보안 검사를 돌릴 수 있어요. 같은 기능을 공격자가 사용할 위험도 커져요. Z.ai가 가중치 공개를 2주 미루고 안전성 평가와 보강을 먼저 진행하는 이유도 여기에 있어요.

도입을 검토하는 개발팀은 세 가지를 확인하면 돼요. 실제 저장소에서 재현 가능한 테스트를 먼저 만들고, 보안 결과는 사람이 검토해야 해요. 기존 API에서 사고 기능을 끈 설정이 있는지도 배포 전에 점검해야 해요. 공개 가중치가 나온 뒤에는 모델 카드와 라이선스, 안전성 평가 범위를 확인해야 실제 운영 조건을 판단할 수 있어요.

참고 자료

1. GLM-5.3: 포스트 트레이닝 확장으로 프런티어급 코딩·사이버 역량 달성 — GeekNews
2. GLM-5.3: Frontier Coding with Emergent Cyber Capabilities — Z.ai
3. Z.ai Security Disclosure Ledger — Z.ai