GLM-5.2<\/a> y que todas las mejoras proceden del post-training. Durante el \u00faltimo mes, la compa\u00f1\u00eda ampli\u00f3 el n\u00famero de entornos, diversific\u00f3 las tareas y dedic\u00f3 m\u00e1s c\u00f3mputo a entrenar al sistema en trabajos largos y cercanos a los que afrontar\u00eda un ingeniero. En esa mezcla incluy\u00f3 deliberadamente datos y entornos para descubrir vulnerabilidades, de modo que la mejora en ciberseguridad no surgi\u00f3 de la nada. Lo inesperado, seg\u00fan Z.ai, fue hasta d\u00f3nde avanz\u00f3 despu\u00e9s esa faceta al seguir escalando el entrenamiento. El proceso combin\u00f3 simulaciones de entornos reales de desarrollo, herramientas de depuraci\u00f3n y tareas que exig\u00edan al modelo razonar sobre c\u00f3digo vulnerable, corregirlo y, en algunos casos, explotarlo. A medida que el sistema aprend\u00eda a gestionar sesiones m\u00e1s largas y complejas, las habilidades relacionadas con la seguridad inform\u00e1tica se reforzaron de manera desproporcionada.<\/p>\nEncontrar no es explotar: los benchmarks que separan la teor\u00eda de la pr\u00e1ctica<\/h2>\n
La distinci\u00f3n entre identificar una vulnerabilidad y convertirla en un ataque funcional es crucial, y los propios benchmarks utilizados por Z.ai reflejan esa gradaci\u00f3n. CyberGym proporciona al agente la descripci\u00f3n de una vulnerabilidad y el repositorio correspondiente, y mide si puede reproducirla mediante una prueba de concepto que provoque el fallo; su conjunto re\u00fane 1.507 vulnerabilidades de 188 proyectos. ExploitBench mide hasta d\u00f3nde consigue avanzar el sistema en la explotaci\u00f3n, desde provocar un fallo hasta alcanzar capacidades como lectura, escritura o ejecuci\u00f3n arbitraria de c\u00f3digo, mientras que ExploitGym pone el foco directamente en completar tareas de explotaci\u00f3n. La diferencia importa porque demostrar que existe un problema y convertirlo en un ataque funcional son desaf\u00edos distintos.<\/p>\n
El salto fue inesperado: los n\u00fameros de GLM-5.3 frente a GLM-5.2<\/h3>\n
Los n\u00fameros publicados por Z.ai muestran un patr\u00f3n claro: la mejora frente a GLM-5.2 se hace mayor cuanto m\u00e1s avanzan las pruebas por la cadena de explotaci\u00f3n. En CyberGym, GLM-5.3 pasa del 77,2% de su predecesor al 84,5%; en ExploitBench, del 24,4% al 54,4%. La diferencia es todav\u00eda m\u00e1s acusada en ExploitGym, donde completa 105 tareas con el presupuesto normalizado de dos horas y 130 con el de seis, frente a las 29 y 39 de GLM-5.2. La compa\u00f1\u00eda interpreta ese comportamiento como una se\u00f1al de que las fases m\u00e1s avanzadas progresaron especialmente r\u00e1pido, aunque Reuters advierte de que los resultados no han sido verificados de forma independiente. Estos incrementos, que duplican o triplican el rendimiento en explotaci\u00f3n, sugieren que el post-training no solo mejor\u00f3 la capacidad t\u00e9cnica general, sino que desbloque\u00f3 un salto cualitativo en la comprensi\u00f3n de cadenas de ataque complejas.<\/p>\n
GLM-5.3 frente a Mythos 5: d\u00f3nde est\u00e1 el l\u00edmite de la frontera china<\/h2>\n
La comparaci\u00f3n con Mythos 5 ayuda a poner ese salto en perspectiva. Se trata de una versi\u00f3n de Claude Fable 5 sin sus salvaguardas habituales de ciberseguridad y cuyo acceso Anthropic limita a organizaciones verificadas. Seg\u00fan las cifras difundidas por Z.ai, GLM-5.3 alcanza un 84,5% en CyberGym, ligeramente por encima del 83,8% de Mythos 5, pero la fotograf\u00eda cambia al avanzar hacia la explotaci\u00f3n. En ExploitBench obtiene un 54,4% frente al 78% de Anthropic, y en ExploitGym completa 105 tareas frente a 181 con el presupuesto normalizado de dos horas. Puede competir en las primeras fases del an\u00e1lisis de vulnerabilidades, pero todav\u00eda queda por detr\u00e1s cuando toca convertirlas en ataques funcionales. Esta brecha indica que, aunque el modelo chino ha progresado de forma notable en la fase de descubrimiento \u2014igualando o superando a un modelo dise\u00f1ado espec\u00edficamente para ciberseguridad ofensiva\u2014, el verdadero dominio de la explotaci\u00f3n sigue siendo un escal\u00f3n m\u00e1s alto. La distancia, sin embargo, se ha reducido dr\u00e1sticamente en cuesti\u00f3n de meses, y la tendencia sugiere que podr\u00eda cerrarse por completo en las pr\u00f3ximas iteraciones.<\/p>\n
M\u00e1s all\u00e1 de los benchmarks: vulnerabilidades reales encontradas por GLM-5.3<\/h2>\n
La firma china asegura que sus modelos ya han llevado parte de este trabajo m\u00e1s all\u00e1 de los benchmarks. Desde GLM-5.2, la compa\u00f1\u00eda trabaja con varios equipos de seguridad chinos sobre c\u00f3digo real y afirma haber identificado, tras revisi\u00f3n experta, filtrado y eliminaci\u00f3n de duplicados, 2.436 vulnerabilidades en 269 proyectos. Hay adem\u00e1s un precedente independiente: Hugging Face utiliz\u00f3 GLM-5.2 en su propia infraestructura para analizar for\u00e9nsicamente una intrusi\u00f3n protagonizada por un agente aut\u00f3nomo impulsado por una combinaci\u00f3n de modelos de OpenAI, y asegura que le ayud\u00f3 a descifrar buena parte de los payloads recuperados. El episodio muestra la otra cara de estas herramientas: pueden servir para estudiar c\u00f3mo explotar un fallo, pero tambi\u00e9n para comprenderlo y corregirlo. Este doble uso \u2014ofensivo y defensivo\u2014 es inherente a la tecnolog\u00eda, y el hecho de que modelos abiertos o semicerrados como GLM-5.3 est\u00e9n alcanzando estas capacidades acelera el debate sobre los mecanismos de control necesarios.<\/p>\n
China acorta la brecha en ciberseguridad: el contexto geopol\u00edtico<\/h2>\n
En julio, el UK AI Security Institute situ\u00f3 a GLM-5.2 como el modelo open-weight m\u00e1s capaz que hab\u00eda probado en ciberseguridad y concluy\u00f3 que rend\u00eda de forma comparable a modelos cerrados publicados entre cuatro y siete meses antes, frente a una distancia de seis a diez meses observada durante buena parte de 2025. Esa evaluaci\u00f3n no incluye a GLM-5.3, pero sirve para situar la tendencia. Z.ai prev\u00e9 publicar sus pesos tras completar las evaluaciones de seguridad. Si esa distancia contin\u00faa reduci\u00e9ndose, capacidades que hoy est\u00e1n en la frontera cerrada podr\u00edan llegar antes a modelos descargables y sin las mismas posibilidades de control por parte del proveedor. Esto tiene implicaciones directas para la seguridad nacional de pa\u00edses que no cuentan con sus propios modelos de frontera, as\u00ed como para el equilibrio de poder en el \u00e1mbito del ciberespionaje y la defensa inform\u00e1tica. Un modelo abierto con capacidades de explotaci\u00f3n comparables a las de los sistemas m\u00e1s avanzados de Anthropic u OpenAI cambiar\u00eda radicalmente el panorama de amenazas.<\/p>\n
\u00bfPor qu\u00e9 el post-training desbloquea habilidades de ciberseguridad de forma desproporcionada?<\/h3>\n
La raz\u00f3n t\u00e9cnica detr\u00e1s de este fen\u00f3meno radica en la naturaleza del aprendizaje por refuerzo en entornos simulados. Cuando un modelo se entrena para completar tareas largas de programaci\u00f3n \u2014depurar, optimizar, integrar librer\u00edas, manejar APIs\u2014, inevitablemente se encuentra con fallos de seguridad, condiciones de carrera, desbordamientos de b\u00fafer y otros problemas que debe resolver para avanzar. Al ser recompensado por completar la tarea, aprende a explotar esos fallos como parte de la soluci\u00f3n. El post-training con datos espec\u00edficos de vulnerabilidades refuerza ese aprendizaje, pero lo que sorprendi\u00f3 a Z.ai fue la velocidad con la que las habilidades de explotaci\u00f3n avanzada mejoraron una vez que el modelo ya hab\u00eda alcanzado un nivel b\u00e1sico de competencia. Esto sugiere la existencia de un umbral a partir del cual las capacidades de ciberseguridad se realimentan: entender un exploit permite comprender mejor el siguiente, y as\u00ed sucesivamente, creando un ciclo de mejora acelerada.<\/p>\n
Implicaciones pr\u00e1cticas para equipos de seguridad y desarrolladores<\/h2>\n
Para los profesionales de la ciberseguridad, la existencia de modelos como GLM-5.3 representa tanto una herramienta como una amenaza. Por un lado, equipos de blue team pueden usar el modelo para auditar c\u00f3digo de forma automatizada, identificando vulnerabilidades antes de que sean explotadas. Por otro, actores malintencionados con acceso a los pesos del modelo podr\u00edan emplearlo para generar exploits a escala. La decisi\u00f3n de Z.ai de publicar los pesos tras las evaluaciones de seguridad es un gesto que busca equilibrar transparencia y responsabilidad, pero la historia reciente demuestra que una vez que un modelo est\u00e1 en la naturaleza, su control es pr\u00e1cticamente imposible. Los desarrolladores que integren asistentes de c\u00f3digo basados en GLM-5.3 deber\u00e1n ser conscientes de que el modelo no solo corrige errores, sino que podr\u00eda sugerir soluciones que introduzcan vectores de atago si se usa sin supervisi\u00f3n humana.<\/p>\n
El futuro de la inteligencia artificial en ciberseguridad: una frontera que se difumina<\/h2>\n
El caso de GLM-5.3 ilustra una tendencia m\u00e1s amplia: la convergencia entre inteligencia artificial general y especializada en seguridad. A medida que los modelos de lenguaje se vuelven agentes aut\u00f3nomos capaces de operar durante horas en entornos reales, las habilidades que antes requer\u00edan a\u00f1os de experiencia en hacking \u00e9tico empiezan a estar al alcance de un sistema entrenado con los datos adecuados. La pregunta ya no es si estos modelos pueden explotar vulnerabilidades, sino c\u00f3mo gestionaremos un mundo donde cualquier persona con acceso a un modelo descargable pueda disponer de un asistente ofensivo de nivel experto. Los reguladores, las empresas de tecnolog\u00eda y la comunidad de seguridad deber\u00e1n colaborar para definir protocolos de evaluaci\u00f3n y publicaci\u00f3n que minimicen los riesgos sin frenar la innovaci\u00f3n. Mientras tanto, lo ocurrido con GLM-5.3 sirve como advertencia: las capacidades emergentes en el post-training pueden sorprender incluso a sus propios creadores, y la frontera entre lo defensivo y lo ofensivo es m\u00e1s delgada de lo que muchos suponen.<\/p>\n","protected":false},"excerpt":{"rendered":"
Mejorar un modelo de inteligencia artificial para programar ya no significa \u00fanicamente conseguir que escriba c\u00f3digo con menos errores. Cuando se entrena un sistema para desenvolverse durante horas en entornos complejos, utilizar herramientas, revisar resultados y resolver problemas de principio a fin, tambi\u00e9n se est\u00e1n empujando habilidades que pueden aparecer en terrenos bastante m\u00e1s delicados. […]<\/p>\n","protected":false},"author":2,"featured_media":66268,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/raw.githubusercontent.com\/medeiroslima\/overcentral-images\/main\/images\/ocie_1786744606988.jpg","fifu_image_alt":"GLM-5.3 dispara sus capacidades de ciberseguridad durante el post-training","footnotes":""},"categories":[5],"tags":[],"class_list":["post-66265","post","type-post","status-publish","format-standard","has-post-thumbnail","category-tecnologia"],"fifu_image_url":"https:\/\/raw.githubusercontent.com\/medeiroslima\/overcentral-images\/main\/images\/ocie_1786744606988.jpg","fifu_image_alt":"GLM-5.3 dispara sus capacidades de ciberseguridad durante el post-training","_links":{"self":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66265","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/comments?post=66265"}],"version-history":[{"count":2,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66265\/revisions"}],"predecessor-version":[{"id":66267,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66265\/revisions\/66267"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media\/66268"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media?parent=66265"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/categories?post=66265"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/tags?post=66265"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}