GLM-5.3 自主完成 Firefox 安全研究,AI Agent 安全能力迎来新突破
GLM-5.3 独立完成 6 个 Firefox 版本漏洞研究,最快 12 小时出结果,详解长周期 Agent 实战、补丁分析与企业安全落地方案。

2026 年 11 月,Epoch AI 发布的一项安全研究,让 GLM-5.3 再次进入开发者和网络安全社区的讨论范围。这次研究并不是传统意义上的代码生成测试。研究人员让 GLM-5.3 在受控环境中自主分析 Firefox 的公开代码变更和安全修复线索,最终针对六个浏览器版本完成了本地文件读取攻击验证。六个版本分别是 Firefox 156.0、156.0.1、157.0、157.0.1、158.0 和 158.0.1。
根据 Epoch AI 于 2026 年 10 月 29 日公布的研究结果,模型最快在 12 小时内完成一次成功实验。整个 Firefox 研究累计 API 支出超过 10 万美元,而在实验框架建立之后,针对一个新版本的边际成本约为 1000 美元。更值得关注的是,研究人员使用相同的实验框架测试 Google Chrome,投入约 10 万美元后仍未取得相同结果。
这项研究说明,开源大模型在复杂代码分析、长时间任务执行和安全问题研究方面,已经具备值得重视的能力。对于开发者来说,真正需要思考的问题不只是 GLM-5.3 能否完成复杂的安全研究,还包括如何通过大模型 API、工具调用和 Agent 工作流,将这些能力用于漏洞排查、补丁验证和软件供应链安全管理。
本文结合 Epoch AI 的原始研究、官方模型资料和公开 API 开发文档,分析 GLM-5.3 的能力变化,以及这次实验对 AI Agent 工程化应用的影响。
一、GLM-5.3 为什么能够完成 Firefox 六个版本的安全研究?
Epoch AI 的研究围绕一个软件安全问题展开:Patch Gap,也就是安全补丁公开与正式版本更新之间的时间差。通常情况下,软件开发团队会先发现漏洞,再开发修复方案,随后将修复提交到代码仓库,最后通过正式版本更新推送给用户。但在修复代码公开之后,用户可能还没有安装包含补丁的新版软件。这段时间就形成了补丁窗口。
对于普通开发者来说,公开的代码变更通常只是一次正常的版本更新。但对于具备代码分析能力的模型而言,这些变更也可能提供识别潜在安全问题的线索。Epoch AI 正是围绕这一问题开展实验。
1. 六个 Firefox 版本的研究结果
研究人员选取了 2026 年 9 月 17 日至 10 月 26 日期间发布的六个 Firefox 版本:
表格
| Firefox 版本 | Epoch 研究结果 |
|---|---|
| 156.0 | 成功完成研究目标 |
| 156.0.1 | 成功完成研究目标 |
| 157.0 | 成功完成研究目标 |
| 157.0.1 | 成功完成研究目标 |
| 158.0 | 成功完成研究目标 |
| 158.0.1 | 成功完成研究目标 |
实验环境采用 Ubuntu 26.04,并使用对应版本的 Firefox。Epoch AI 没有给模型开放互联网访问,而是向其提供研究所需的公开信息和基础工具。模型需要在这个受控环境中持续分析、判断和修正自己的工作。最终,研究人员验证了模型能够利用补丁窗口中的公开信息,完成针对浏览器本地文件读取的攻击实验。
这里需要强调:研究结果不是模型仅凭一句提示词就完成了全部工作,而是模型在持续执行、工具辅助和反复验证的条件下完成的。这与普通代码补全存在本质区别。
2. 最快 12 小时完成一次实验,意味着什么?
Epoch AI 给模型设置了最长 48 小时的自主执行时间。在成功的实验中,最快一次只用了 12 小时。这项数据值得关注,因为它反映的不只是模型单次推理速度,而是模型在较长任务周期中的持续执行能力。
传统代码生成一般采用请求 — 响应模式:开发者提交需求,模型生成代码,开发者检查结果,再决定是否继续修改。而这次研究中的模型需要持续处理多个环节:
- 理解目标软件及其版本信息。
- 分析公开代码变更。
- 判断哪些信息值得进一步研究。
- 结合工具反馈调整研究方向。
- 对失败结果进行诊断。
- 持续完成后续验证。
这是一种更接近自主 Agent 的工作模式。它不仅要求模型理解代码,还需要模型在多个任务阶段之间保持上下文,并根据执行结果调整后续行动。
3. 为什么 Firefox 159 成为重要时间节点?
Epoch AI 在研究中还发现了一个尚未公开的缺陷,并将相关问题披露给 Mozilla。Mozilla 随后于 2026 年 10 月 27 日发布 Firefox 159.0。Epoch AI 表示,该版本修复了研究中涉及的未公开漏洞,预计会显著增加类似研究的难度。
需要注意,Epoch AI 在报告中明确表示,当时尚未完成针对 Firefox 159.0 的同类攻击验证,因此不能直接宣称 Firefox 159 已经被完全验证为不会受到类似攻击。Mozilla 官方发布记录也确认了 Firefox 159.0 的发布日期。
这项研究真正值得关注的地方,是软件补丁的公开时间和用户实际完成更新的时间之间,可能存在新的安全风险。
二、GLM-5.3 的核心变化:不是简单增加参数,而是强化长周期任务训练
要理解这次研究为什么会出现,需要回到 GLM-5.3 本身的技术路线。2026 年 8 月 14 日,官方正式发布 GLM-5.3。与一些通过扩大模型参数规模实现能力提升的升级方式不同,GLM-5.3 保留了 GLM-5.2 的基础模型,通过扩大后训练规模提升复杂任务表现。官方将这次升级的重点放在三个方面:
- 复杂编程任务。
- 长周期 Agent 执行。
- 网络安全研究能力。
1. 后训练规模成为能力提升的重要来源
GLM-5.3 的一个重要特点,是没有通过重新训练基础模型来获得全部性能提升。官方表示,模型沿用了 GLM-5.2 的基础模型,通过扩大后训练过程中的任务环境、训练轨迹和计算投入,进一步提高模型能力。其中包括:
- 扩展长周期任务环境。
- 增加不同类型的真实工程任务。
- 延长复杂任务的训练周期。
- 强化模型在多轮执行中的问题处理能力。
这种训练方式与传统的单轮问答优化有所区别。普通问答任务通常可以通过一个输入和一个输出进行评估。但复杂工程任务可能持续数小时,模型需要阅读项目文件、分析错误、修改代码、运行测试,并根据反馈继续调整。这类任务要求模型具备更强的上下文管理和连续执行能力。
2. 官方 Benchmark 数据体现了哪些变化?
官方在 GLM-5.3 发布资料中公布了多个公开评测结果。以下是 GLM-5.2 与 GLM-5.3 的部分对照数据:
表格
| Benchmark | GLM-5.2 | GLM-5.3 | 测试方向 |
|---|---|---|---|
| Terminal-Bench 3.0 | 4.6 | 28.3 | 终端 Agent 任务 |
| DeepSWE v1.1 | 46.2 | 66.9 | 软件工程问题处理 |
| CyberGym | 77.2 | 84.5 | 漏洞发现能力 |
| ExploitBench | 24.4 | 54.4 | 漏洞利用能力评估 |
| Agents' Last Exam | 23.8 | 28.5 | 综合 Agent 能力 |
数据来源:官方 GLM-5.3 发布公告。
从这组数据可以看到,GLM-5.3 的提升并不只体现在代码生成。Terminal-Bench 3.0 从 4.6 提升至 28.3,反映出模型在终端环境任务中的表现改善;DeepSWE v1.1 从 46.2 提升至 66.9,说明其软件工程任务处理能力也有所提高;CyberGym 从 77.2 提升至 84.5,则体现了模型在漏洞发现评测中的进步。
不过,这些 Benchmark 不能直接等同于企业生产环境中的漏洞发现成功率。不同评测使用的任务样本、执行环境、工具权限和评分方法并不相同。尤其是网络安全评测,需要区分漏洞发现、漏洞分析和实际利用等不同阶段。
3. GLM-5.3 与 GLM-5.3-Flash 不能混为一谈
这里还需要区分 GLM-5.3 和 GLM-5.3-Flash。GLM-5.3 是此次 Epoch Firefox 研究使用的模型。而 GLM-5.3-Flash 是官方在 2026 年 8 月 26 日发布的另一个模型版本。Flash 版本采用新的基础模型和架构设计,具有 320B 总参数和 18B 激活参数,并引入稀疏注意力与线性注意力结合的混合架构。它与 GLM-5.3 并不是同一个模型的简单速度档位。
因此,不能把 Epoch 针对 GLM-5.3 的 Firefox 研究结果直接归到 GLM-5.3-Flash 名下。对于需要复现研究结果的开发者,模型名称、版本、API Model ID 和实际推理配置都需要明确记录。
三、1000 美元边际成本:AI 安全研究的经济门槛发生了什么变化?
Epoch AI 这次研究还有一组值得关注的数据:成本。根据报告,整个 Firefox 研究累计 API 支出超过 10 万美元。但这里面包含了实验环境搭建、前期测试和研究框架开发等成本。在研究框架建立之后,针对一个新的 Firefox 版本完成研究目标的边际 API 成本约为 1000 美元。这两个数字不能混为一谈。
表格
| 成本项目 | Epoch 公布的数据 |
|---|---|
| Firefox 研究总 API 支出 | 超过 100,000 美元 |
| 单个新版本边际成本 | 约 1,000 美元 |
| 最长实验时间 | 48 小时 |
| 最快成功实验时间 | 12 小时 |
| Chrome 同类尝试成本 | 约 100,000 美元 |
为什么单个版本的边际成本会明显低于整个项目的总成本?原因在于,研究过程中有一部分工作只需要完成一次。例如:
- 建立隔离的实验环境。
- 准备软件版本与公开资料。
- 配置执行工具。
- 设计任务管理流程。
- 验证研究框架是否正常运行。
这些属于前期固定投入。当研究框架已经建立之后,针对新的软件版本进行分析,就不需要重复承担全部前期成本。这与企业部署 AI Agent 的成本结构比较相似。一个自动化 Agent 系统在开发阶段,需要投入模型调用、工具开发、环境搭建和测试成本。但当系统成熟之后,新增任务的边际执行成本可能明显下降。
因此,评估 Agent 的经济价值时,不能只看单次 API 调用费用,还需要计算:
- 系统开发成本。
- 模型推理费用。
- 工具执行费用。
- 任务重试费用。
- 人工审核成本。
- 长期维护费用。
对于企业而言,真正值得比较的是完成一项合格任务所需要的总成本,而不是单纯比较每百万 Token 的价格。
四、为什么相同实验在 Chrome 上没有取得相同结果?
Epoch AI 还使用相同的实验框架,对 Google Chrome 进行了类似研究。截至报告发布时,研究人员投入约 10 万美元的 API 成本,仍未能完成与 Firefox 实验相同的目标。
这项结果很容易被误读。它并不意味着 Chrome 不存在漏洞,也不意味着 GLM-5.3 无法分析 Chrome 代码。它只能说明,在 Epoch 当时采用的模型、提示条件、工具环境和研究时间范围内,没有获得相同的实验结果。
不同浏览器具有不同的安全架构。例如:
- 进程隔离机制。
- 沙箱权限边界。
- 内存安全设计。
- 漏洞修复流程。
- 代码发布和版本管理方式。
这些因素都会影响安全研究的难度。此外,模型的能力也不是单独决定实验结果的唯一因素。工具权限、任务环境、可用资料和研究框架同样会产生影响。因此,不能将 Firefox 的研究结果直接外推到 Chrome、操作系统或其他浏览器。
对开发者来说,更重要的启示是:安全评估必须针对具体软件、具体版本和具体环境开展,而不是根据某个模型在单一实验中的表现判断所有系统的安全水平。
五、Claude Fable 5.2 的 ECI 达到 174,GLM-5.3 的价值又在哪里?
Epoch AI 在 11 月 11 日的 The Epoch Brief 中,还公布了 Claude Fable 5.2 的最新能力指数成绩。根据 11 月 9 日的研究快照:
表格
| 模型 | ECI 成绩 |
|---|---|
| Claude Fable 5.2 | 174 |
| GPT-6 Astra | 169 |
Claude Fable 5.2 在 Epoch Capabilities Index 中刷新了当时的最高成绩。这里的 ECI 是 Epoch AI 将多个不同基准测试结果整合到同一能力尺度上的综合指标。它的价值在于帮助研究人员跨测试项目比较模型的整体能力,而不是只依赖某一项 Benchmark。
但需要注意,ECI 不是一个固定满分制考试。Epoch AI 已经更新了评分方法,采用贝叶斯统计方法估计模型分数,并提供 90% 可信区间。在其当前动态榜单中,Claude Fable 5.2 的 General ECI 估计约为 173,可信区间为 170—177;具体数值会随着新增评测数据而变化。因此,174 和 169 应理解为 11 月 9 日简报公布的成绩快照,而不是永久不变的排名。
1. 综合能力和专业能力并不是同一件事
ECI 关注的是模型在多种任务中的综合能力。但企业开发者通常并不需要一款模型在所有领域都取得最高分。例如:
- 软件开发团队关注代码修改和项目理解能力。
- 安全团队关注漏洞发现和补丁验证能力。
- 数据团队关注结构化抽取和复杂数据分析。
- Agent 开发团队关注工具调用和长周期任务完成能力。
Claude Fable 5.2 的 ECI 成绩说明其综合能力评估结果取得进展。而 GLM-5.3 的 Firefox 研究,则提供了一个更具体的案例,说明开放权重模型在特定安全研究任务中的能力边界正在扩大。两者的评价维度并不相同。
2. Gemini、DeepSeek 和 Codex 在这类工作流中承担什么角色?
如果将这类研究转化为企业内部的安全运营流程,可以考虑使用不同模型和开发工具承担不同工作。例如:
- Gemini:可以参与安全公告、技术文档和代码变更资料的多模态整理,辅助理解复杂技术材料。
- DeepSeek:可以用于漏洞公告摘要、代码变更解释、修复方案对照和测试报告整理。
- Codex:更适合承担安全工具开发、自动化测试脚本编写、代码检查和回归测试程序维护。
- GLM-5.3:可以作为复杂代码分析和长周期任务研究的候选模型,具体使用场景需要结合权限控制和安全策略。
这些模型不需要同时执行所有任务。更合理的方式是先明确任务类型,再根据数据敏感程度、推理要求、调用预算和工具权限选择模型。
六、GLM-5.3 API 实战:搭建一个安全补丁情报分析程序
Epoch 的研究说明,模型可以参与长时间的软件安全分析。但对普通开发团队来说,没有必要直接复现攻击实验。更适合落地的方向,是将模型用于漏洞公告整理、补丁状态跟踪和修复优先级分析。
例如,一个企业维护着多个项目,日常需要关注:
- 上游软件安全公告。
- CVE 漏洞编号。
- 受影响的软件版本。
- 修复版本。
- 官方补丁发布时间。
- 内部项目当前使用的版本。
这些信息通常分散在不同公告和项目仓库中。可以利用大模型 API 建立一个辅助分析流程。
1. 设计安全分析任务
先定义输入内容:
{
"project": "Example Project",
"current_version": "3.8.1",
"advisory": "官方安全公告文本",
"patch_version": "3.8.2",
"release_date": "2026-11-12"
}要求模型返回以下信息:
{
"affected": true,
"current_version_status": "potentially_affected",
"fixed_version": "3.8.2",
"priority": "high",
"evidence": [],
"needs_human_review": true
}这里的 JSON 只是应用设计示例,并非某个真实漏洞的分析结论。重点是让模型根据输入材料提取事实,而不是自行猜测漏洞是否存在。
2. 通过 GLM-5.3 API 处理公告
官方提供兼容 OpenAI 风格的 API 调用方式。可以使用 Python SDK 构建一个基础分析程序:
pip install openai设置 API Key:
export ZAI_API_KEY="your_api_key"调用示例:
import os
import json
from openai import OpenAI
client = OpenAI(
api_key=os.environ["ZAI_API_KEY"],
base_url="https://api.z.ai/api/paas/v4"
)
response = client.chat.completions.create(
model=os.getenv("GLM_MODEL_ID", "glm-5.3"),
messages=[
{
"role": "system",
"content": (
"你是企业软件安全公告分析助手。"
"只能依据提供的公告内容提取事实。"
"不允许推测未公开的漏洞细节。"
"无法确认的信息必须标记为待人工核验。"
)
},
{
"role": "user",
"content": """
项目:Example Project
当前版本:3.8.1
修复版本:3.8.2
请分析公告中是否明确说明当前版本受到影响。
提取修复版本、发布时间和证据。
不要生成漏洞利用方法。
"""
}
],
temperature=0.2
)
result = response.choices[0].message.content
print(result)示例中的模型 ID 通过环境变量配置,正式运行前应在官方模型目录中核对账户可用的 GLM-5.3 标识。这段程序只负责公告分析,不会自动执行系统命令、修改浏览器或尝试验证漏洞。
3. 将模型输出接入人工审核流程
模型分析完成后,可以将结果交给规则引擎。例如:
表格
| 模型输出 | 系统处理 |
|---|---|
| 明确受影响 | 创建高优先级审核任务 |
| 修复版本明确 | 对照内部版本清单 |
| 影响范围不明确 | 标记待核验 |
| 缺少官方证据 | 不自动生成安全结论 |
| 存在版本冲突 | 提交人工复核 |
模型负责理解自然语言公告,规则引擎负责执行确定性判断。这种职责划分能够减少模型产生错误结论后直接影响生产系统的风险。
4. 用工具调用扩展安全运营能力
GLM-5.3 还可以通过 Function Calling 接入内部业务工具。例如,可以开放以下只读工具:
- 查询内部软件版本。
- 获取已发布的安全公告。
- 检索历史修复记录。
- 查询补丁部署状态。
- 生成待审核工单。
但工具权限必须受到限制。安全分析模型不应该默认拥有服务器管理员权限,也不应该直接获得修改生产环境的能力。尤其是涉及安全验证的任务,应当在授权的测试环境中执行,并对模型调用和工具操作保留完整日志。
七、多模型 API 接入如何帮助企业建立安全分析工作流?
当企业同时使用 GLM-5.3、DeepSeek、Gemini 等模型时,需要管理不同的 API Key、Base URL、模型 ID 和调用参数。如果每个项目都单独维护模型连接,后期可能出现配置分散、调用记录不完整和模型切换困难等问题。
对于已经采用多模型架构的开发团队,可以通过统一 API 接入层管理不同模型的请求。例如,使用 KoalaAPI 这类大模型 API 聚合服务,在确认当前模型目录支持相应模型的前提下,统一管理模型调用入口。
实际使用时,需要分别验证:
- GLM-5.3 的模型 ID 是否正确。
- Function Calling 参数是否能够正常传递。
- 流式输出是否符合客户端预期。
- 输入输出 Token 是否正确统计。
- 不同模型的错误响应是否能够区分。
- API 日志是否保留必要的请求标识。
这里需要强调,统一 API 入口不会自动增加模型的安全能力,也不能代替企业自己的权限控制系统。对于安全敏感型业务,还需要控制输入数据范围、API Key 权限、工具调用权限和日志访问权限。
如果需要比较不同模型在同一安全公告分析任务中的表现,可以采用统一测试样本,记录事实提取准确率、错误结论数量、响应耗时和人工修订次数。这样才能判断哪种模型配置更适合当前业务。
八、这次 GLM-5.3 研究对企业安全团队有哪些启示?
Epoch AI 的研究并不意味着所有企业都应该立即引入自主安全 Agent。但它确实提出了几个值得重视的工程问题。
1. 补丁发布速度需要纳入安全治理
软件安全不只是发现漏洞和开发补丁,还需要考虑补丁什么时候公开、什么时候进入正式版本,以及用户什么时候真正完成更新。如果安全修复信息已经公开,但大部分用户仍然运行旧版本,补丁窗口就可能成为额外风险。企业应该建立软件资产清单,持续跟踪版本变化,并为重要软件设置明确的更新时限。
2. AI 辅助安全分析需要明确权限边界
模型可以帮助安全团队理解代码变更、分析公告和整理修复建议。但模型能够理解某项安全问题,不意味着应该自动获得生产环境操作权限。建议将系统权限分为三个层次:
- 信息读取:读取公告、版本清单和日志。
- 分析处理:生成风险摘要和修复建议。
- 变更执行:需要人工批准后才能操作。
这种设计能够降低自动化系统误操作的风险。
3. API 成本需要与任务价值一起评估
Epoch 的研究总支出超过 10 万美元,但其中包含了实验环境和前期研发投入。如果企业只看单次 Token 价格,很容易忽略 Agent 的完整运行成本。因此,正式部署前应该记录:
- 每个任务的模型调用次数。
- 输入和输出 Token。
- 工具执行时间。
- 失败和重试次数。
- 人工复核时间。
- 最终任务完成情况。
只有将这些数据结合起来,才能判断 AI 安全分析是否真正降低了整体工作成本。
4. 开放权重模型同样需要安全治理
开放权重模型给研究人员带来了更高的部署自主性,也让更多团队能够在本地环境中开展模型评估。但开放权重不意味着模型天然安全。企业需要关注模型来源、运行环境、依赖组件、推理权限和数据隔离。
对于 GLM-5.3 这样的模型,尤其需要考虑其在复杂网络安全任务中的能力边界。模型既可以帮助防御人员发现问题,也可能在权限不受控制时增加系统风险。
九、结语:GLM-5.3 带来的变化,不只是代码能力提升
Epoch AI 对 Firefox 六个版本的研究,展示了 GLM-5.3 在长周期代码分析和工具辅助任务中的能力。这次实验中,模型最快 12 小时完成一次成功研究,单个新版本的边际 API 成本约为 1000 美元,而整个研究的累计 API 支出超过 10 万美元。与普通代码生成相比,这种任务需要模型持续理解环境、处理反馈并完成多个阶段的工作。
同时,Claude Fable 5.2 在 Epoch ECI 中取得新的阶段性成绩,也说明综合模型能力仍在快速变化。对于企业开发者而言,接下来值得关注的不是简单比较 GLM-5.3、Claude、Gemini 和 DeepSeek 谁的分数更高,而是如何将不同模型的能力转化为可以管理、可以审计的工程流程。
在软件安全领域,模型可以承担公告分析、补丁信息整理和风险分类等辅助工作;API 负责连接模型与业务系统;Agent 工具层负责执行经过授权的操作;最终的安全决策仍然需要明确的验收规则和人工审核。
GLM-5.3 这次研究所展示的,是开放权重模型开始具备更强的长周期任务执行能力,而企业需要同步升级的,是围绕模型、API 和工具权限建立的安全治理体系。

