GLM-5.3: Z.ai-KI findet 1.097 kritische Bugs in Open-Source-Code
Veröffentlicht am: 14.08.2026 um 16:16 Uhr | Redaktion boerse-global.de
Das Technologieunternehmen Z.ai hat mit der Vorstellung seines neuesten KI-Modells GLM-5.3 für Aufsehen in der Cybersecurity-Branche gesorgt. In aktuellen Tests identifizierten Forscher mithilfe des Modells insgesamt 1.097 kritische sowie hohe Schwachstellen in real existierenden Softwareanwendungen.
Ein besonderes Merkmal dieser Entwicklung ist, dass das Post-Training des Modells zur Bildung von Exploit-Ketten führte, die in dieser Form nicht explizit geplant waren.
Massive Funde in Open-Source-Umgebungen
Die Leistungsfähigkeit des GLM-5.3-Modells wurde durch eine umfassende Analyse von 269 Open-Source-Projekten demonstriert. Insgesamt detektierte die KI dabei 2.436 Schwachstellen. Während 1.097 dieser Funde als kritisch oder hoch eingestuft wurden, unterstreicht die Entdeckung einer Sicherheitslücke aus dem Jahr 1981 die Tiefe der Analysefähigkeit des Systems.
Hinsichtlich des Umgangs mit diesen Funden verfolgt das Unternehmen eine vorsichtige Strategie: Bisher wurden lediglich 53 dieser Schwachstellen öffentlich offengelegt. Die verbleibenden 2.383 Sicherheitslücken befinden sich derzeit noch unter einem Embargo, um den betroffenen Projekten Zeit für entsprechende Korrekturen zu geben.
Architektur und Leistungswerte im Vergleich
Das GLM-5.3 basiert auf einer Mixture-of-Experts-Architektur (MoE) mit 743 Milliarden Parametern. Laut Angaben der Entwickler stammen sämtliche Leistungssteigerungen gegenüber den Vorgängerversionen ausschließlich aus dem Post-Training-Prozess. In verschiedenen Benchmarks konnte das Modell teils deutliche Fortschritte erzielen.
Angesichts der rasanten Entwicklung von KI-Modellen, die autonom Sicherheitslücken aufspüren können, stehen Unternehmen vor neuen Herausforderungen. Dieser kostenlose Report klärt auf, welche rechtlichen Pflichten und Bedrohungen Unternehmer jetzt kennen müssen. Kostenlosen Cyber-Security-Report jetzt sichern
Im sogenannten CyberGym-Benchmark erreichte GLM-5.3 einen Wert von 84,5 %. Damit positioniert sich das Modell knapp vor Konkurrenzprodukten wie Anthropic Mythos 5, das auf 83,8 % kommt, und GPT-5.6 Sol mit 83,6 %.
Im Bereich ExploitBench erzielte das System 54,4 % und konnte damit das Vorgängermodell GLM-5.2, welches bei 24,4 % lag, mehr als verdoppeln. Dennoch bleibt es hier hinter Anthropic Mythos 5 zurück, das in diesem Bereich 78,0 % erreichte.
Weitere Leistungsdaten zeigen signifikante Steigerungen in spezialisierten Testumgebungen:
- Terminal-Bench 3.0: 28,3 (zuvor 4,6)
- DeepSWE v1.1: 66,9 (zuvor 46,2)
- Agents' Last Exam: 28,5 (zuvor 23,8)
Im ExploitGym-Test bewältigte das Modell 105 Aufgaben innerhalb von zwei Stunden und steigerte sich auf 130 Aufgaben nach sechs Stunden. Auch hier zeigt sich der Fortschritt gegenüber GLM-5.2, das lediglich Werte von 29 beziehungsweise 39 erreichte, während Anthropic Mythos 5 mit 181 und 247 gelösten Aufgaben weiterhin die Führung in dieser spezifischen Metrik behauptet.
Wer sich mit den Risiken moderner IT-Infrastrukturen befasst, sollte proaktive Schutzmaßnahmen ergreifen, bevor Sicherheitslücken zum Problem werden. Experten erklären im kostenlosen E-Book, wie Sie Ihre IT-Sicherheit ohne hohe Investitionen stärken und Ihr Unternehmen langfristig schützen. Hier Gratis-E-Book für Unternehmen anfordern
Sicherheitsüberprüfung und Veröffentlichung
Trotz der beachtlichen Ergebnisse weist das Unternehmen darauf hin, dass die vorliegenden Daten bisher nicht von unabhängiger Seite verifiziert wurden. Z.ai plant die Veröffentlichung der Open Weights des Modells für den Zeitraum um den 28. August 2026, sofern die laufenden Sicherheitsüberprüfungen erfolgreich abgeschlossen werden.
Um einen Missbrauch der erweiterten Fähigkeiten zu verhindern, sollen sensible Funktionen nicht allgemein zugänglich gemacht werden. Diese werden stattdessen nur über einen gesicherten Zugang für vertrauenswürdige Akteure, den sogenannten Trusted Access, bereitgestellt. Das Unternehmen reagiert damit auf die potenzielle Gefahr, die von KI-Systemen ausgeht, welche autonom komplexe Angriffsketten in Softwarestrukturen identifizieren können.
