8月14日，智谱（2513.HK）发布GLM-5.3，与GLM-5.2相比，基座模型没变，但通过极致的后训练Scaling大大提高了模型的智能上界：数十倍的长程任务环境、更丰富多样的环境类型、超长的后训练时间。智谱表示，在多项主流基准测试中GLM-5.3是当前排名最高的开源模型，编程与智能体能力接近Claude Fable 5，编程体感超过其他国产模型。

智谱称，相比前代，GLM-5.3的新能力包括：更强的编程能力、网络安全能力、后训练Scaling以及开源。

根据智谱介绍，在衡量模型于真实终端环境中完成复杂任务的Terminal-Bench 3.0上，GLM-5.3得分从4.6提升至28.3；在聚焦长程软件工程与持续代码修改能力的DeepSWE v1.1上，得分从46.2提升至66.9；在覆盖多类真实专业场景、强调跨工具协作与长程任务的Agents' Last Exam上，得分从23.8提升至28.5。在覆盖44种职业、考察真实高价值知识工作的GDPval-AA v2中得分1769，展现基于编程能力涌现的专业任务执行能力。

在白盒代码审查与漏洞发现等安全任务中，GLM-5.3的表现持平Mythos 5。“从任务链条看，网络安全能力大致包括代码审查、漏洞验证、漏洞利用以及真实环境中的攻防闭环。我们选取了覆盖漏洞分析、验证和利用不同阶段的三个基准，对GLM-5.3的网络安全能力进行了全面评估，GLM-5.3当前优势主要集中在前半段。”智谱表示，在CyberGym测试中，模型从白盒源代码出发，通过触发程序故障来识别和验证漏洞。GLM-5.3得分为84.5%，高于GLM-5.2的77.2%，也略高于Mythos 5的83.8%和GPT-5.6 Sol的83.6%。

近期，大模型领域频频上新。

8月13日凌晨，DeepSeek V4 Pro正式推出，并已更新至API，模型版本为DeepSeek-V4-Pro-0813，新版本增强了Agent能力。根据DeepSeek给出的模式测试对比成绩，与此前V4-Pro-Preview版本相比，V4-Pro-0813已经全面提升，例如在AI编程智能体基准测试DeepSWE中，得分从Preview的7.3，大幅提升至62.7，甚至超越了Claude Opus 4.8。在AI安全智能体基准测试Cybergym、智能体基准测试AutomationBench中甚至超越目前公认最强大的Claude Fable 5。

随后，DeepSeek首款智能体也开放测试，13日晚间，DeepSeek宣布，DeepSeek Harness的开发者预览版（v0.1 版本）面向全球 Harness开发者开放测试，并同步以 MIT 协议开放源代码。DeepSeek Harness 采取“一切皆插件”的设计思路。我们采用插件式开放架构来构建 Agent Harness：模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件组合而成，可自由替换、灵活重组。

与此同时，SpaceXAI发布Grok 4.6。SpaceXAI表示，新模型是在Grok 4.5基础上进一步升级，重点提升长流程任务中的表现，以及处理更复杂的交互式、视觉和知识工作任务的能力。

截至发稿时，智谱跌超4%。