Waarom GLM-5.3 toch niet de Amerikaanse AI-modellen verslaat

Sophie Jansen · 2026-08-18

Zhipu's release note voor GLM-5.3 bevat een zin die de meeste media over het hoofd zagen. Bij het beschrijven van de eigen cybersecurityresultaten schrijft het bedrijf uit Beijing dat de capaciteit "het snelst groeit precies waar we het verst achterlopen." Zhipu, dat ook handelt als Z.ai, is een van de weinige Chinese labs die modellen uitbrengen die concurreren met de Amerikaanse top. Op 14 augustus lanceerde het GLM-5.3, een model gericht op coderen, en publiceerde een technische release note met daarin hoe het model presteert tegenover concurrenten. Die note is de bron voor alles wat hier gerapporteerd wordt. ### De claim die wél de headlines haalde De claim die rondging ging over beveiliging. Naast de coderingsresultaten zei Zhipu dat GLM-5.3 onverwacht goed was geworden in het vinden van softwarekwetsbaarheden. Het scoorde 84,5% op een benchmark genaamd CyberGym, tegenover 83,8% voor Anthropic's Mythos 5 en 83,6% voor OpenAI's GPT-5.6 Sol. Koppen volgden: een Chinees model verslaat de Amerikanen nu in het vinden van bugs. Waarom dit harder binnenkomt dan een gebruikelijke benchmarkuitslag? Omdat kwetsbaarheidontdekking tegenwoordig een groot goed is. Een model dat een codebase kan lezen en exploiteerbare fouten kan vinden, is nuttig voor een verdediger die eigen software controleert. Maar ook voor iemand die hetzelfde doet bij andermans software. Anthropic houdt zijn equivalente werk achter beperkte toegang, terwijl Zhipu van plan is de weights van GLM-5.3 vrij te geven voor iedereen. ### De nuance die je in de media mist Zhipu's eigen release is echter genuanceerder dan de berichtgeving doet vermoeden. Het CyberGym-getal is echt en staat in het paper. Maar het is ook de smalste van de drie cybersecurityresultaten die het bedrijf publiceerde. Zhipu is open over het feit dat de andere twee de andere kant op wijzen. #### Drie benchmarks, drie verschillende beelden CyberGym start vanuit broncode die het model kan lezen en test of het een kwetsbaarheid kan vinden én bevestigen dat de fout echt is. Dat is het resultaat dat de wereld rondging, met een marge van zeven tienden van een procentpunt. ExploitBench vraagt iets moeilijkers: het model moet redeneren over een echte kwetsbaarheid en hoe die misbruikt zou worden. GLM-5.3 scoort hier 54,4%, meer dan het dubbele van zijn voorganger (24,4%). Maar Mythos 5 scoort 78,0% en GPT-5.6 Sol 76,5%. ExploitGym telt hoeveel exploitatieopdrachten een model afrondt binnen een vast tijdsbudget. GLM-5.3 voltooit 105 taken in twee uur en 130 in zes uur. Mythos 5 voltooit respectievelijk 181 en 247 taken. Deze twee resultaten zijn nauwelijks gerapporteerd, en juist zij beschrijven de kloof. Een fout vinden en een werkende exploit bouwen zijn twee verschillende banen. Zhipu's eigen lezing: hoe verder een test in de keten zit, hoe verder hun model achterloopt. Het bedrijf zegt dit zelf in de release, in plaats van dat het ontdekt moet worden. ### Welk Anthropic-model, en waarom verandert het steeds? Een deel van de verwarring in de berichtgeving komt doordat Zhipu drie verschillende Anthropic-modellen vergelijkt op drie verschillende plekken. De hoofd benchmarktabel zet GLM-5.3 tegenover Opus 4.8. De prestatiediagrammen gebruiken Fable 5. Het cybersecuritygedeelte gebruikt Mythos 5. Wie snel leest, krijgt een enkele vergelijking die eigenlijk niet bestaat. Op het gebied van coderen is het beeld gemengd, niet dominant. GLM-5.3 leidt op sommige tests en verliest op andere. Zhipu stelt ronduit dat het model nog steeds achterloopt op Claude Fable 5 bij hun eigen interne codeerbenchmark. ### Hoe de tests werden uitgevoerd De methodologievoetnoten bevatten iets dat de samenvattingen oversloegen. Zhipu evalueerde GLM-5.3 op CyberGym, ExploitGym, ExploitBench, Terminal Bench en diverse andere taken binnen Claude Code 2.1.207, de codeeragent van Anthropic. Dat is niet onjuist. Het gebruik van een gemeenschappelijke testomgeving is juist hoe een vergelijking eerlijk blijft. Het betekent wel dat de prestaties van GLM-5.3 gemeten zijn in een omgeving die door de concurrent is gebouwd. Een detail dat het verschil maakt in hoe je de resultaten interpreteert. ### Wat betekent dit voor de praktijk? Voor Nederlandse professionals die met AI-modellen werken, is het belangrijk om verder te kijken dan de koppen. De benchmark zegt iets over kwetsbaarheiddetectie, maar weinig over daadwerkelijke exploitatie. Als je een model zoekt voor security-audits, kijk dan verder dan het eerste getal. - CyberGym meet detectie, niet exploitatie - ExploitBench meet redeneren over misbruik - ExploitGym meet daadwerkelijke uitvoering binnen tijdslimiet De conclusie is helder: GLM-5.3 is een sterke speler op het gebied van het vinden van kwetsbaarheden, maar de Amerikaanse modellen blijven voorlopig leidend in het volledige cybersecurityspectrum. Zhipu's eigen woorden vatten het misschien wel het beste samen: de groei is het snelst waar de achterstand het grootst is. Dat is eerlijk, maar het is nog geen overwinning.