GLM-5.3이 기존 GLM-5.2와 동일한 기반 모델을 유지하면서도, 포스트 트레이닝(post-training) 확장을 통해 코딩 및 사이버 보안 역량을 획기적으로 개선했습니다. 이는 모델 자체의 크기를 키우는 대신, 더 많은 환경과 다양한 과제, 추가 연산을 활용한 훈련 방식을 통해 성능을 끌어올렸다는 점에서 주목할 만합니다. 특히 실행 및 검증 가능한 실제 엔지니어링 환경과 장기 강화학습(Reinforcement Learning) 기법인 SAO를 적용하여 복잡한 코딩 과제와 장기적인 문제 해결 능력을 강화했습니다.
GLM-5.3은 여러 주요 코딩 및 에이전트 벤치마크에서 GLM-5.2 대비 큰 폭의 성능 향상을 보였습니다. 예를 들어, Terminal Bench 3.0에서는 4.6점에서 28.3점으로, DeepSWE v1.1에서는 46.2점에서 66.9점으로 상승했습니다. 또한, 취약점 탐지 훈련을 확장하자 전체 공격 체인을 추론하는 사이버 역량(cyber capability)이 예상보다 빠르게 성장하여 CyberGym에서 84.5%, ExploitBench에서 54.4%를 기록했습니다. 실제 코드베이스에서는 269개 프로젝트에서 2,436개의 취약점을 찾아내는 등 실제 환경에서의 유용성도 입증했습니다. 이 모든 발전은 'slime'이라는 대규모 비동기 훈련 프레임워크와 효율적인 장문 맥락 처리 기술인 IndexShare 덕분에 가능했습니다.
이번 GLM-5.3의 성과는 대규모 언어모델(LLM)의 발전 방향에 중요한 시사점을 던집니다. 단순히 모델의 규모를 키우는 것을 넘어, 실제와 유사한 복잡한 환경에서 모델을 훈련하고 검증하는 포스트 트레이닝의 중요성을 강조합니다. 이는 LLM이 단순한 텍스트 생성 도구를 넘어, 실제 엔지니어링 및 보안 문제 해결에 직접적으로 기여하는 강력한 에이전트(agent)로 진화할 수 있음을 보여줍니다. 특히 사이버 보안 분야에서 공격 체인을 스스로 추론하고 취약점을 찾아내는 능력은 미래 보안 시스템의 패러다임을 바꿀 잠재력을 가지고 있습니다.