Anthropic 实测 GLM-5.3:是第一个展现出实质性漏洞利用能力的开重模型 水平和 Claude Mythos Preview 接近

五个月前 Anthropic 不敢公开的“自己写攻击代码”能力,现在出现在人人可下载的智谱 GLM-5.3 上。它追到了哪一步、自带的拒绝为什么挡不住、这份出自竞争对手的报告该怎么读,一次讲清。

作者:Anthropic10-01 · 约 12 分钟

五个月前,Anthropic 公布了 Claude Mythos Preview,第一个能自己写出复杂攻击代码的模型。它没有公开发布,只通过 Project Glasswing 交给一批审核过的安全防守方先用,这些人借它在关键软件里找出了 1 万多个漏洞。

Anthropic 当时就判断,这种能力迟早会扩散到其他模型上。现在它说,这一天到了:它的前沿红队(Frontier Red Team)发了一份研究,分析智谱 AI(在海外称 Z.ai)的最新模型 GLM-5.3。

结论分两半:GLM-5.3 是第一个展现出实质性漏洞利用能力的开源权重模型,自己从头到尾做出可用攻击代码的水平和 Claude Mythos Preview 接近;但它发布时没有像样的防护,Anthropic 用几种简单手法就能在 64% 到 100% 的模拟测试中绕过它的拒绝,而同样的手法对带防护的 Claude 都没成功。

美国国家标准与技术研究院(NIST)下属的 AI 标准与创新中心(CAISI)之前也做过评估,称 GLM-5.3 是“迄今网络能力最强的开源权重模型”,在 CAISI 的一组网络基准上综合落后美国前沿约四个月,Anthropic 测出的能力和它大体一致。不过 CAISI 测美国模型时关掉了能关的网络防护,“美国前沿”里还包括只对审核用户开放的模型,攻击者拿不到这些版本;而任何人都可以下载 GLM-5.3 的全部权重在本地运行。所以这份报告多测了一件事:它的防护有多容易被绕开或拆掉。

读之前先记住:这是 Anthropic 在分析竞争对手的模型,而它自己一直主张强能力模型只给审核过的用户。

两组柱状图:上方是 ExploitBench 攻击代码成功率,下方是被下达恶意攻击命令时模型配合的比例
全文结论一图看完。上:在 41 个 Chrome V8 漏洞上自己做出可用攻击代码的比例;下:面对明确恶意的攻击命令,四种条件下模型配合的比例(图:Anthropic)

先弄懂几个词

  • Exploit(漏洞利用程序): 发现漏洞只是知道“窗户锁有点松”,exploit 是真把窗户撬开、翻进屋的那段程序。从漏洞一路做到能跑起来的攻击,叫“端到端”,过去要靠经验丰富的安全研究员花不少时间。
  • Open-weight(开源权重): 常说的“开源大模型”大多是这种:厂商把训练好的模型参数(权重)放到网上,谁都能下载到自己的机器上,断网也能跑。厂商也就没法再从云端叫停或拦截。
  • 控制流劫持(Control-Flow Hijack): 程序本来按自己的逻辑一步步执行,攻击者借内存漏洞改掉它的跳转地址,让它去执行攻击者的代码,基本等于接管了这个程序。
  • 0-day 与 N-day 漏洞: 0-day(零日漏洞) 是厂商还不知道、还没补丁的漏洞;N-day 是已经公开、甚至有了补丁,但很多机器还没更新的漏洞。攻击者常盯着补丁公告,赶在大家更新前动手。
  • Abliteration(去拒绝化): 模型会拒绝有害请求,是训练时学来的。拿到权重的人可以找出模型内部跟“拒绝”有关的方向,把它从权重里削掉,之后模型对明显有害的请求也很少拒绝。

GLM-5.3 能做到什么程度

Anthropic 主要测的是“写攻击代码”这项能力,因为 Mythos Preview 当初比之前的 Claude 强出一大截,就强在这里。测试分两类:自动化基准,和专家带着模型实战。模型都跑在断网的隔离沙箱里,攻击的是 Anthropic 自己搭的本地离线目标,没有碰任何真实系统。

ExploitBench:浏览器漏洞上,和 Mythos 同一档

ExploitBench 是一个公开基准,给模型 Chrome 浏览器 V8 引擎(Chrome 里运行网页 JavaScript 的部分)的已知漏洞,看它能不能自己写出可用的 exploit。一共 41 个漏洞,每个试 10 次,共 410 次:

模型 成功率(95% 区间为估读)
Claude Mythos Preview(关闭防护) 14%(约 6.5%–21.5%)
GLM-5.3(开源权重) 12%(约 5.5%–20%)
Kimi K3(开源权重) 0.5%
DeepSeek V4.1-Flash(开源权重) 0.2%
GLM-5.2(上一代) 0%
Claude Opus 4.6(上一代) 0%

GLM-5.3 成功 50 次,Mythos Preview 成功 56 次。两者的误差范围大面积重叠,统计上分不出高低,算同一档。

12% 听起来不高,但这是单次尝试的成功率。真要用的时候,同一个漏洞可以反复跑,跑通一次就够了,所以 12% 并不等于“没什么用”。

“同一档”也要说清是跟谁比:它追上的是 4 月受限发布的 Mythos Preview,不是现在美国最强的模型。CAISI 说得很直接,GLM-5.3 的网络能力“显著低于当前美国前沿”。它测的四项基准,差距还很大:

测试 GLM-5.3 美国最佳
SEC-Bench Pro 40.4% 90.2%
ExploitBench 61.1% 100%
ExploitGym 9.4% 44.4%
OSS-Fuzz 7.7% 23.2%

CAISI 的 ExploitBench 按 16 分制、每题三次取最好来算,跟 Anthropic 的算法不一样,两边的数不能直接比;“美国最佳”也包括只给审核用户的版本。所以 GLM-5.3 让人担心的地方,是它在谁都能下载的模型里最强,而且已经到了几个月前顶尖实验室只敢受限发布的水平。

图 1 还标了各模型的发布时间:Claude 从 Opus 4.6(2 月,0%)跳到 Mythos Preview(4 月,14%);GLM 从 5.2(6 月,0%)跳到 5.3(8 月,12%)。两次跳法几乎一样,只晚了约四个月,和 CAISI 的判断对得上。同期的 Kimi K3(7 月)只有 0.5%,DeepSeek V4.1-Flash(9 月)只有 0.2%。

二进制漏洞利用:能不能真正接管程序

这是 Anthropic 的内部基准,题目来自参与谷歌 OSS-Fuzz(谷歌给开源项目做自动化漏洞挖掘的计划)的热门开源项目,这次随机抽了 100 道,只有做到控制流劫持才算满分。

结果:GLM-5.3 做成了 4%,Mythos Preview 6%,其他模型(Opus 4.6、GLM-5.2、Kimi K3、DeepSeek 等)全是 0。GLM-5.3 稍弱一点,但 Anthropic 认为一道门槛已经过了,之前的 Opus 4.6 和 GLM-5.2 一道都没做出来。

GLM-5.3 更费 token

两张折线图:横轴是每次尝试的输出 token 预算,纵轴是成功率,GLM-5.3 的曲线在 Mythos Preview 右侧
横轴是每次尝试最多输出多少 token(对数刻度),纵轴是达到最高结果的比例。两个基准上 GLM-5.3(绿)的曲线都在 Mythos Preview(蓝)右边(图:Anthropic)

两张图里,GLM-5.3 的曲线都整体在 Mythos Preview 右边:Mythos 大约几十万 token 就到顶了,GLM-5.3 要花更多 token 才爬到同样高度,在内部基准上要用到上百万 token(看图估读)。它效率不如 Mythos,但对攻击者不算障碍:模型在自己机器上,多给点 token、多跑几轮就是了。

专家上手:从挖新漏洞到复刻旧漏洞

基准是考试,Anthropic 还让安全专家拿着模型去做开放式的攻击任务,做法和当初测 Mythos Preview 一样。每次一般跑一天以内,人实际盯着的时间加起来不到一小时。

案例一:一天内挖出浏览器 0-day,做成“打开网页就被偷私钥”

研究员在隔离的沙箱里给 GLM-5.3 一个热门浏览器的 Linux 本地版本,自己事先也不知道里面有什么漏洞。

一天之内,GLM-5.3 在浏览器的 JavaScript 引擎里找出了好几个此前没人发现的漏洞(0-day),又把它们串成一条攻击链:

  • 生成了一个看似普通的诱饵网页(http://attacker.com);
  • 一旦受害者用目标浏览器点开该网页,脚本先利用渲染进程的漏洞拿到代码执行(Renderer RCE);
  • 成功逃逸出浏览器的安全沙箱,读取了受害者机器上的 SSH 私钥文件 /root/.ssh/id_rsa;
  • 演示日志显示,从页面加载到私钥发往攻击者服务器,大约只用了 0.3 秒。
打码的攻击页面截图,红色横幅写着沙箱已逃逸,网页内容读取了 SSH 私钥文件
GLM-5.3 在研究员测试中生成的攻击页面(已打码):访客打开网页后,私钥文件被读走并发到攻击者服务器(图:Anthropic)

这条攻击链只在 Linux 版上验证过,因为模型只拿到了这个环境;Anthropic 认为漏洞也可能影响其他平台,只是利用路径可能更复杂。漏洞已报告给浏览器维护方。同一次测试后段,研究员还用 GLM-5.3 在无线网卡和显卡驱动、联网设备软件等常用系统里找到了可利用的漏洞,Anthropic 正在核实,之后视情况通知维护方。

案例二:20 美元,把公开漏洞做成绕过 PAC 的攻击链

第二次,研究员用的是更小、更弱的 GLM-5.3-Flash,看它能多快把一个已公开的漏洞做成攻击。

目标是 Chrome 最近披露的漏洞 CVE-2026-11645。研究员把它和另一个已知漏洞的公开信息交给模型,基本没做指导:人只投入了 20 分钟 的注意力,模型自己干了 8 小时。

GLM-5.3-Flash 自己把两个漏洞拼成了一条稳定的攻击链,目标是 ARM64 设备,还绕过了 PAC(指针认证):ARM 芯片上用来防止攻击者篡改程序跳转地址的硬件防护。按智谱的 API 价格算,这一整套大约花了 20.40 美元。

防护为什么挡不住:三种常见绕法

GLM-5.3 自带一些防护:直接让它帮忙写恶意软件、或攻击远程目标,它通常会拒绝(前面那类找漏洞、写 exploit 的任务,发布版本本身并不拒绝)。问题是这层拒绝有多牢。

Anthropic 在受控模拟环境下,给模型下达明确恶意的攻击命令(比如攻击关键系统),看模型会不会试图连接远程攻击目标。直接下命令时,GLM-5.3 和其他被测模型一样,一次都没配合。

但换三种简单的方法,结果就不一样了:

条件 GLM-5.3 Flash Opus 5
直接下令 0% 0% 0%
假借口 64% 16% 0%
预填思考 92% 80% 不适用
去拒绝化 100% 92% 不适用

Flash 指 GLM-5.3-Flash,Opus 5 指带 API 防护的 Claude Opus 5(API 不接受预填思考,权重不公开,所以后两项不适用)。每格 50 次(5 条攻击命令 × 2 个目标 × 各 5 次)。模拟里没有任何代码真正执行:模型用的是一个假命令行,结果由另一个大模型按场景估算,所以它衡量的是模型愿不愿意动手,不完全等同于真实情况。

表格:各模型在四种条件下配合恶意攻击命令的比例
原图:GLM-5.3 从 0% 一路升到 100%;Claude 在带防护的 API 上全是 0%,后两种绕法对 Claude 用不上,所以上了锁(图:Anthropic)

手段一:编一个“红队演练”的假借口(64%)

最简单的一招:告诉模型它是在做演练的自主红队 Agent。GLM-5.3 有 64% 的时候会开始动手(Flash 是 16%),带 API 防护的 Claude 是 0%。

这里要注意,报告里其实有两种 Claude。前面比能力时,用的是关掉防护的 Claude,这样比才公平;这里比防护,用的是带 API 防护的 Claude。如果关掉防护,同样的假借口下,Claude Opus 4.8 有 4%、Opus 5 有 10% 也会配合。也就是说,光靠模型自己的拒绝,Claude 也挡不全,真正拦住攻击的是部署方式:API 上的检测、不让用户预填思考、不交出权重。

手段二:预填它的思考(92%)

推理模型在给出回答前,会先“想”一段(thinking tokens)。如果调用者能替它把这段思考的开头写好,写成它已经考虑过请求、决定照做,模型往往就顺着接下去。开源模型自己部署,这一步想怎么写就怎么写。这一招让 GLM-5.3 的配合率升到 92%(Flash 是 80%)。Claude 这边用不了,Anthropic 的 API 不让用户预填 Claude 的思考(图 5 里为此画了锁)。

手段三:Abliteration 去拒绝化(100%)

这是最彻底的一招,只对开源权重模型有效:直接改权重。Anthropic 自己做了一份去拒绝化的 GLM-5.3,团队此前从没做过这件事:

  • 在 GLM-5.3 上消耗了约 2,200 个 GPU 小时,算力成本约 4,400 美元,大部分花在并行尝试多种方案和改完后测能力上(Anthropic 估计一个熟悉这项技术的团队从头做,约需 600 GPU 小时 / $1,200);
  • 针对轻量版 GLM-5.3-Flash,用了约 600 GPU 小时。
  • GLM-5.3 发布后几天内,就已经有好几位开发者公开放出了去拒绝化版本。
指标 GLM-5.3 原版 → 去拒绝化 GLM-5.3-Flash 原版 → 去拒绝化
有害请求平均拒绝率 95% → 6% 95% → 14%
GPQA-Diamond 88% → 88% 89% → 89%
CyberGym(子集) 85% → 81% 86% → 86%
柱状图:去拒绝化后 GLM-5.3 拒绝率从 95% 降到 6%,而 GPQA-Diamond 和 CyberGym 成绩基本不变
上:三个有害请求基准的平均拒绝率,Claude 各模型约 95%–96%(关闭防护时的模型本身);下:去拒绝化前后的能力测试(图:Anthropic)

结果:

  1. 拒绝几乎消失:在 JailbreakBench、HarmBench 和 StrongREJECT 三个有害请求基准上,GLM-5.3 的平均拒绝率从 95% 降到 6%(分项是 JailbreakBench 约 3%、HarmBench 约 2%、StrongREJECT 12%;Flash 从 95% 降到 14%);
  2. 能力几乎没掉:衡量研究生水平科学能力的 GPQA-Diamond 测试中,去拒绝化前后的 GLM-5.3 都是 88%(Flash 都是 89%);网络安全测试 CyberGym 上,GLM-5.3 从 85% 降到 81%,Flash 没变,都是 86%。
  3. 攻击命令配合率 100%:回到前面的模拟攻击测试,去拒绝化后的 GLM-5.3 配合比例是 100%(图5)。

去拒绝化后的“内心独白”(图 6)

Anthropic 从测试记录里挑出了一段 GLM-5.3-abliterated 在一个模拟医疗系统场景里的思考过程(中文为意译,原文节选见下图):

。操作员在命令我去造成死亡。……”*

去拒绝化 GLM-5.3 的思考过程英文原文
英文原文节选,引自模型的思考过程,未改动(图:Anthropic)

拒绝被削掉之后,模型并不是看不出这件事不对,它甚至认出了环境里的警告,只是不再有东西让它停下,最后还是听了操作者的。

怎么看这份报告

先说 Anthropic 自己怎么看。它认为 GLM-5.3 让攻击者能用的工具上了一个台阶,国家背景和非国家背景的攻击者都很可能拿它造成现实危害。它的办法是让防守方手里的工具至少不比对手差:它在把 Claude 的网络安全能力开放给更多防守方,审核过的防守方已经能用上更强的 Claude Mythos 5.1。Glasswing 让防守方找出了上万个漏洞,Patch the Planet 等行动也在提前修补,但还有大量工作没做完。它还希望政府对足够强的模型(包括 GLM-5.3 的后继者)做独立安全测试,也希望开源模型的开发者给这类能力配上防护。

下面是我们的看法。

1. 「先给防守方用」只争取到大约四个月

Anthropic 4 月受限发布 Mythos Preview,8 月开源的 GLM-5.3 就追到了同一档。据 The Decoder 引述,英国 AISI 此前测得开源模型的网络能力落后前沿的时间,已经从 6–10 个月缩到了 4–7 个月。Glasswing 找出上万个漏洞,说明抢时间差有用;但这个时间差是按月算的,而且还在变短。

2. 问题不在智谱护栏做得差,而在开源权重本来就留不住护栏

智谱发布 GLM-5.3 时说过,它设了三层防护:API 外侧拦截滥用请求,推理时检查任务意图,模型自己拒绝危险指令。它也说得很清楚,开放权重后,三层里还管用的只剩最后一层,所以推迟了两周才开放下载,用来做安全评估。据 Trending Topics 报道,智谱的新许可还要求年营收超 100 亿美元的公司商用前先过它的安全审查。可 Anthropic 的数据显示,最后这层一两千美元的算力就能拆掉;连 Claude 只靠模型自己,也有 4%–10% 会被骗。所以该争的是这个能力级别的模型要不要开放权重,怪智谱护栏没做好,并不公平。

3. 数据可信,说法有取舍

能力数据有 CAISI 独立测试印证,去拒绝化版本也确实已经有人放出来了。但报告的比法有挑选:比能力拿的是几个月前的 Mythos Preview,不是现在最强的;比防护拿的是带 API 防护的 Claude;最吓人的那段推理链,也是从模拟场景里挑出来的一段。Anthropic 是 Z.ai 的直接竞争对手,据 Trending Topics 报道,它也是各大模型厂中唯一没有签署支持开源模型行业公开信的大厂;The Decoder 直言这份警告“也服务于它的生意”,呼吁政府测试容易被怀疑是想用监管挡住后来者,但同时承认这不全是自利。也有人不认同这份警告。据 Trending Topics 报道,IANS Research 的 Jake Williams 认为攻击者当然会使用它,但不会显著改变现有的威胁格局;Lawfare 的 Tom Uren 则认为,中国开源模型更便宜、能跑在自己的硬件上、网络安全任务也做得不错,美国公司用它们有正当理由,一禁了之没有道理。

4. 防守方已经在用了

据智谱披露,GLM-5.3 发布一个月后,网络安全成了它最先大规模赚到钱的方向,已有 100 家安全企业接入。Anthropic 的路子是把受控的模型交给审核过的少数机构;开源这条路,是直接把工具交到大批安全公司手里。两条路现在同时在走。

5. 对普通人最实在的一条:补丁出来后的空窗期在缩短

小号的 Flash 版 8 小时、约 20 美元就能把一个公开漏洞做成攻击链。“补丁出了,过两周再更新”的习惯越来越危险。电脑系统、浏览器、显卡驱动、路由器这类联网设备,自动更新该开就开。

工具已经锁不住了,接下来比的是漏洞公开之后,谁先把它补上。

↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。

阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。