{"id":2849,"date":"2026-09-30T13:14:55","date_gmt":"2026-09-30T13:14:55","guid":{"rendered":"https:\/\/convly.ai\/?p=2849"},"modified":"2026-09-30T13:14:55","modified_gmt":"2026-09-30T13:14:55","slug":"antorix-glm-5-3-hacking-capability-warning","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/","title":{"rendered":"Anthropic: GLM-5.3 entspricht Elite-KI beim Hacking, hat aber mangelnde Schutzvorrichtungen"},"content":{"rendered":"<p>Das in den USA ans\u00e4ssige KI-Unternehmen Anthropic hat eine Warnung vor dem <strong>Hacking-Verm\u00f6gen von GLM-5.3<\/strong>ausgegeben und berichtet, dass das chinesische open-weight-Modell von Z.ai eine Cyber-Exploit-Leistung demonstriert, die den Systemen des Unternehmens mit den st\u00e4rksten Einschr\u00e4nkungen entspricht \u2013 aber mit erheblich schw\u00e4cheren Schutzvorrichtungen gegen b\u00f6swillige Nutzung bereitgestellt wird.<\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li>GLM-5.3 vollendete erfolgreich 50 von 410 End-to-End-Exploit-Versuchen in Tests von Anthropic, im Vergleich zu 56 f\u00fcr Claude Mythos Preview<\/li>\n<li>Das Claude Mythos Preview-Modell von Anthropic erfordert gepr\u00fcften Benutzerzugriff, w\u00e4hrend GLM-5.3 offen als open-weight-Release verf\u00fcgbar ist<\/li>\n<li>Das San Francisco-basierte Unternehmen warnt vor gr\u00f6\u00dferem Potenzial f\u00fcr b\u00f6swillige Akteure, GLM-5.3 aufgrund schw\u00e4cherer Sicherheitsbeschr\u00e4nkungen zu missbrauchen<\/li>\n<li>Z.ai ist ein chinesisches KI-Unternehmen, das GLM-5.3 als open-weight-Modell ohne gesch\u00fctzte Kontrollen ver\u00f6ffentlicht hat<\/li>\n<li>Anthropic ver\u00f6ffentlichte seine Cyber-Funktionsbewertung in einem Bericht, der am 30. September 2026 ver\u00f6ffentlicht wurde<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6abd4cd737bed\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6abd4cd737bed\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\" >Tests von Anthropic enth\u00fcllen nahezu Parit\u00e4t bei Exploit-Erfolgsquoten<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Open-Weight_Distribution_Amplifies_Security_Concerns\" >Open-Weight-Verteilung versch\u00e4rft Sicherheitsbedenken<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Comparative_Performance_GLM-53_and_Frontier_Models\" >Vergleichende Leistung: GLM-5.3 und Frontier-Modelle<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Zai_and_the_GLM_Model_Family\" >Z.ai und die GLM-Modellfamilie<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Implications_for_AI-Powered_Offensive_Security\" >Auswirkungen auf KI-gest\u00fctzte offensive Sicherheit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Regulatory_and_Policy_Dimensions\" >Regulierungs- und Politische Dimensionen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#Frequently_asked_questions\" >H\u00e4ufig gestellte Fragen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/antorix-glm-5-3-hacking-capability-warning\/#The_bottom_line\" >Das Fazit<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\"><\/span>Tests von Anthropic enth\u00fcllen nahezu Parit\u00e4t bei Exploit-Erfolgsquoten<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>In einem <a href=\"https:\/\/www.scmp.com\/tech\/big-tech\/article\/3369354\/antorix-raises-alarm-over-elite-hacking-ability-chinese-firm-zais-glm-53\" rel=\"noopener\" target=\"_blank\">am Dienstag ver\u00f6ffentlichten Bericht<\/a>beschrieb Anthropic seine Tests von GLM-5.3 bei der Erstellung von End-to-End-Cyber-Exploits. Das chinesische Modell vollendete 50 von 410 Exploit-Versuchen \u2013 eine Erfolgsquote von 12,2 Prozent \u2013 im Vergleich zu 56 erfolgreichen Exploits f\u00fcr Claude Mythos Preview, das Frontier-Modell von Anthropic, das auf ausschlie\u00dflich gepr\u00fcfte Benutzer beschr\u00e4nkt ist.<\/p>\n<p>Die enge L\u00fccke von sechs Exploits zwischen einem offen verf\u00fcgbaren Modell und einem stark gesch\u00fctzten Frontier-System stellt dar, was Anthropic als besorgniserregende Entwicklung bei von KI unterst\u00fctzten Cybersicherheitsbedrohungen charakterisiert. Nach der South China Morning Post konzentriert sich die Besorgnis nicht allein auf reine Leistungsf\u00e4higkeit, sondern auf die Kombination von fortgeschrittener Exploit-Generierung mit minimalen Zugriffskontrolle.<\/p>\n<p>Claude Mythos Preview, das in der gleichen Testsuite 56 erfolgreiche Exploits verzeichnete, unterliegt strikten Pr\u00fcfanforderungen, die den Zugriff auf genehmigte Sicherheitsforscher und autorisiertes Personal beschr\u00e4nken. GLM-5.3 dagegen wird als open-weight-Modell ohne vergleichbare Einschr\u00e4nkungen verteilt.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Open-Weight_Distribution_Amplifies_Security_Concerns\"><\/span>Open-Weight-Verteilung versch\u00e4rft Sicherheitsbedenken<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die open-weight-Natur von GLM-5.3 steht im Mittelpunkt der Warnung von Anthropic. Im Gegensatz zu geschlossenen API-basierten <a href=\"https:\/\/convly.ai\/de\/models\/\">KI-Modellen<\/a> die es Anbietern erm\u00f6glichen, Nutzung zu \u00fcberwachen und Richtlinien zur akzeptablen Nutzung durchzusetzen, erm\u00f6glichen open-weight-Releases uneingeschr\u00e4nkte lokale Bereitstellung und Modifizierung. Benutzer k\u00f6nnen die Modellgewichte herunterladen, Inferenz auf ihrer eigenen Hardware ausf\u00fchren und alle im urspr\u00fcnglichen Release integrierten Sicherheitsmechanismen umgehen.<\/p>\n<p>Dieses Verteilungsmodell schafft, wie Anthropic beschreibt, \u201ewesentlich schw\u00e4chere Schutzvorrichtungen\u201c im Vergleich zu Frontier-Systemen. W\u00e4hrend Anthropic mit Claude Mythos Preview\u00b4s gesch\u00fctztem Zugriff Berechtigungen widerrufen und Nutzung pr\u00fcfen kann, bleiben GLM-5.3\u00b4s Gewichte \u2013 nach dem Herunterladen \u2013 au\u00dferhalb von Z.ai\u00b4s Kontrolle. B\u00f6swillige Akteure k\u00f6nnen das Modell feinjustieren, Sicherheitsfilter entfernen oder es in adversarialen Kontexten ohne Aufsicht einsetzen.<\/p>\n<p>Der <a href=\"https:\/\/convly.ai\/de\/open-vs-closed-ai-cost-gap-2026\/\">Debatte \u00fcber offene versus geschlossene KI<\/a> konzentrierte sich historisch auf Demokratisierung des Zugangs und Reproduzierbarkeit von Forschung. Anthropic\u00b4s Bewertung f\u00fchrt Cyber-Leistung als eine Dimension ein, in der offene Verteilung m\u00f6glicherweise eigene Sicherheitsexternalit\u00e4ten mit sich bringt, besonders wenn Modelle Frontier-Leistung bei defensiven Aufgaben erreichen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Comparative_Performance_GLM-53_and_Frontier_Models\"><\/span>Vergleichende Leistung: GLM-5.3 und Frontier-Modelle<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Anthropic\u00b4s Test-Framework bewertete End-to-End-Exploit-Konstruktion \u2013 einen Arbeitsablauf, der von Modellen verlangt, Schwachstellen zu identifizieren, funktionsf\u00e4higen Exploit-Code zu generieren und mehrere Schritte in funktionsf\u00e4hige Angriffssequenzen zu verkn\u00fcpfen. Die Testsuite mit 410 Versuchen deckte wahrscheinlich diverse Schwachstellen-Klassen, Software-Ziele und Exploit-Komplexit\u00e4tsstufen ab.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modell<\/th>\n<th>Entwickler<\/th>\n<th>Erfolgreiche Exploits<\/th>\n<th>Erfolgsquote<\/th>\n<th>Zugriffskontrolle<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GLM-5.3<\/td>\n<td>Z.ai (China)<\/td>\n<td>50 \/ 410<\/td>\n<td>12.2%<\/td>\n<td>Open-weight<\/td>\n<\/tr>\n<tr>\n<td>Claude Mythos Preview<\/td>\n<td>Anthropic (USA)<\/td>\n<td>56 \/ 410<\/td>\n<td>13.7%<\/td>\n<td>Nur gepr\u00fcfte Benutzer<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die L\u00fccke von 1,5 Prozentpunkten deutet darauf hin, dass GLM-5.3 bei diesem spezifischen Benchmark mit ungef\u00e4hr 89 Prozent der Effektivit\u00e4t von Claude Mythos Preview arbeitet. Zur Einordnung: Anthropic positioniert Claude Mythos Preview als ein Frontier-Modell \u2013 unter den f\u00e4higsten Systemen weltweit \u2013 was GLM-5.3\u00b4s Leistung angesichts seiner offenen Verteilung besonders bemerkenswert macht.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zai_and_the_GLM_Model_Family\"><\/span>Z.ai und die GLM-Modellfamilie<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Z.ai, das chinesische Unternehmen hinter GLM-5.3, war in westlichen Berichten \u00fcber die KI-Industrie vor dieser Sicherheitsbewertung nicht weit verbreitet. Die GLM-Bezeichnung deutet auf eine Verbindung zu Zhipu AI\u00b4s GLM-Serie hin, die <a href=\"https:\/\/convly.ai\/de\/model\/glm-5-2\/\">GLM-5.2<\/a>umfasst, ein 1-Million-Token-Kontext-Modell mit Preisen von 1,40 $ Eingabe und 4,40 $ Ausgabe pro Million Tokens.<\/p>\n<p>Falls GLM-5.3 eine Nachfolger-Ver\u00f6ffentlichung in derselben Reihe darstellt, k\u00f6nnte die Versionssteigerung Leistungsverbesserungen jenseits der Kontext- und Reasoning-Verbesserungen signalisieren, die typisch f\u00fcr Modell-Updates sind. Anthropic\u00b4s Tests zeigen an, dass sich diese Verbesserungen auf Cyber-Operationen erstrecken \u2013 ein Bereich, wo Modellentwickler typischerweise aggressives Sicherheits-Filtering w\u00e4hrend des Trainings und Post-Deployment-Schutzvorrichtungen implementieren.<\/p>\n<p>The decision to release GLM-5.3 as open-weight rather than API-only suggests Z.ai prioritised accessibility and local deployment over centralized control. This distribution choice aligns with broader trends in Chinese AI development, where open-weight releases from DeepSeek, Alibaba&#8217;s Qwen series, and other domestic labs have gained traction amongst developers seeking alternatives to Western API-based offerings.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Implications_for_AI-Powered_Offensive_Security\"><\/span>Auswirkungen auf KI-gest\u00fctzte offensive Sicherheit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Anthropic\u00b4s Warnung kommt an, da KI-gest\u00fctzte Anf\u00e4lligkeit-Forschung und Exploit-Entwicklung von experimentellen Tools zu praktischen Arbeitsabl\u00e4ufen \u00fcbergehen. Sicherheitsforscher haben die F\u00e4higkeit von Language Models demonstriert, Code auf Fehler zu analysieren, Proof-of-Concept-Exploits zu generieren und Aufkl\u00e4rung zu automatisieren \u2013 F\u00e4higkeiten, die sowohl defensive Sicherheitsarbeit als auch b\u00f6swillige Aktivit\u00e4t beschleunigen.<\/p>\n<p>Die Erfolgsquote von 12,2 Prozent, die GLM-5.3 in Anthropic\u00b4s Testsuite erreichte, deutet darauf hin, dass diese F\u00e4higkeiten \u00fcber Proof-of-Concept-Demonstrationen hinaus ausgereift sind. Ein Modell, das 50 End-to-End-Exploits \u00fcber eine Benchmark mit 410 Versuchen abschlie\u00dft, deutet auf zuverl\u00e4ssige Leistung bei realen Anf\u00e4lligkeit-Klassen hin, nicht blo\u00df Spielzeug-Beispiele oder gut dokumentierte CVEs.<\/p>\n<p>F\u00fcr offensive Sicherheitsteams, Red-Teamer und Penetrationstester versprechen solche F\u00e4higkeiten Produktivit\u00e4tssteigerungen bei autorisierten Eins\u00e4tzen. F\u00fcr Bedrohungsakteure senken die gleichen F\u00e4higkeiten Barrieren f\u00fcr Exploit-Entwicklung \u2013 besonders f\u00fcr Gegner mit starken Softwareentwicklungs-F\u00e4higkeiten aber begrenzter Anf\u00e4lligkeit-Forschungs-Erfahrung.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Regulatory_and_Policy_Dimensions\"><\/span>Regulierungs- und Politische Dimensionen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Die GLM-5.3-Fallstudie hebt Spannungen in neu entstehenden KI-Governance-Rahmenwerken hervor. Die Vereinigten Staaten haben sich zu Exportkontrollen und Compute-Einschr\u00e4nkungen bewegt, die fortgeschrittene KI-Entwicklung in China anvisieren, gest\u00fctzt auf nationale Sicherheitsbedenken um Dual-Use-F\u00e4higkeiten. Das AI Act der Europ\u00e4ischen Union verh\u00e4ngt Transparenz- und Risikomanagement-Anforderungen auf hochriskante Systeme, obwohl die Durchsetzung noch in den Anf\u00e4ngen steckt.<\/p>\n<p>Open-weight-Modelle erschweren beide Ans\u00e4tze. Exportkontrollen f\u00fcr Trainings-Computing oder Chip-Zugang k\u00f6nnen die Verteilung bereits trainierter Gewichte nicht verhindern. Risikomanagement-Rahmenwerke, die f\u00fcr API-Anbieter konzipiert sind, verlieren ihre Wirksamkeit, wenn Modelle lokal bereitgestellt werden. GLM-5.3\u00b4s offensive Cyber-F\u00e4higkeit \u2013 von einem US-Unternehmen getestet, aber au\u00dferhalb direkt kontrollierten Bereichs \u2013 veranschaulicht die Governance-Herausforderung, die von f\u00e4higen open-weight-Releases ausgehen.<\/p>\n<p>Anthropic\u00b4s Entscheidung, vergleichende Test-Ergebnisse zu ver\u00f6ffentlichen statt Test-Bewertungen still einzubehalten, signalisiert eine Absicht, politische Diskussionen mit empirischen F\u00e4higkeits-Daten zu informieren. Ob Regulatoren solche Warnungen in umsetzbarer Politik \u00fcbersetzen, bleibt unklar, besonders angesichts der verteilten Natur der open-weight-Modell-Bereitstellung und der Schwierigkeit, nachgelagerter Sch\u00e4den upstream-Ver\u00f6ffentlichungs-Entscheidungen zuzuordnen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>H\u00e4ufig gestellte Fragen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Was ist GLM-5.3 und wer hat es entwickelt?<\/strong> GLM-5.3 ist ein open-weight KI-Modell, das von Z.ai entwickelt wurde, einem chinesischen Unternehmen im Bereich k\u00fcnstliche Intelligenz. Das Modell hat laut Tests des in den USA ans\u00e4ssigen Unternehmens Anthropic fortgeschrittene F\u00e4higkeiten bei der Generierung von Cyber-Exploits demonstriert.<\/p>\n<p><strong>Wie schneidet GLM-5.3 gegen Anthropic\u00b4s Claude Mythos Preview ab?<\/strong> In Anthropic\u00b4s Tests vollendete GLM-5.3 50 von 410 End-to-End-Exploit-Versuchen (12,2 %) im Vergleich zu 56 erfolgreichen Exploits (13,7 %) f\u00fcr Claude Mythos Preview. Die Modelle demonstrierten nahezu \u00e4quivalente Cyber-F\u00e4higkeiten, aber GLM-5.3 ist offen verf\u00fcgbar w\u00e4hrend Mythos Preview gepr\u00fcften Benutzerzugriff erfordert.<\/p>\n<p><strong>Was sind open-weight KI-Modelle?<\/strong> Open-weight-Modelle verteilen ihre trainierten Parameter \u00f6ffentlich und erm\u00f6glichen Benutzern, sie lokal herunterzuladen und auszuf\u00fchren, ohne API-Zugriffskontrolle. Dies steht im Gegensatz zu geschlossenen Modellen, auf die nur \u00fcber gesch\u00fctzte APIs zugegriffen wird, wo Anbieter die Nutzung \u00fcberwachen und Richtlinien zur akzeptablen Nutzung durchsetzen k\u00f6nnen.<\/p>\n<p><strong>Warum macht sich Anthropic Sorgen um GLM-5.3\u00b4s F\u00e4higkeiten?<\/strong> Anthropic warnt davor, dass GLM-5.3 leistungsstarke Exploit-Generierung auf Frontier-Niveau mit minimalen Zugriffsbeschr\u00e4nkungen kombiniert. Die open-weight-Verteilung verhindert, dass Z.ai die Nutzung \u00fcberwacht, den Zugriff widerruft oder b\u00f6swillige Akteure daran hindert, das Modell f\u00fcr b\u00f6se Zwecke feinjustieren zu k\u00f6nnen.<\/p>\n<p><strong>K\u00f6nnen open-weight-Modelle wirksam reguliert werden?<\/strong> Die Regulierung von open-weight-Modellen stellt erhebliche Herausforderungen dar, da die Gewichte nach Ver\u00f6ffentlichung heruntergeladen, kopiert und ohne Aufsicht eingesetzt werden k\u00f6nnen. Exportkontrollen f\u00fcr Trainings-Computing k\u00f6nnen bereits verteilte Modelle nicht zur\u00fcckrufen, und Risikomanagement-Rahmenwerke, die f\u00fcr API-Anbieter ausgelegt sind, verlieren ihre Wirksamkeit, wenn Modelle lokal auf benutzergesteuerte Infrastruktur laufen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>Das Fazit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Anthropic\u00b4s Bewertung von GLM-5.3 quantifiziert eine Sicherheitsbesorgnis, die in KI-politischen Debatten weitgehend theoretisch geblieben ist: offen verf\u00fcgbare Modelle, die Frontier-Niveau-Leistung bei defensiven Cyber-Aufgaben demonstrieren. Die L\u00fccke von sechs Exploits zwischen GLM-5.3 und Claude Mythos Preview \u2013 12,2 Prozent versus 13,7 Prozent Erfolgsquoten \u2013 deutet auf Parit\u00e4t bei roher Leistungsf\u00e4higkeit hin, w\u00e4hrend sie stark Unterschiede in Verteilung und Zugriffskontrolle hervorhebt.<\/p>\n<p>F\u00fcr Entwickler und Sicherheitspraktiker unterstreichen die Ergebnisse die Dual-Use-Natur von KI-Programmierungs- und Analyse-F\u00e4higkeiten. Die gleichen Modell-Architekturen, die legitime Sicherheitsforschung beschleunigen, erm\u00f6glichen auch gegnerische Exploit-Entwicklung. Da die Leistungsf\u00e4higkeit weiter fortschreitet, scheint sich die L\u00fccke zwischen gesch\u00fctzten Frontier-Systemen und offen verf\u00fcgbaren Alternativen in Bereichen jenseits von General Reasoning und Programmierung zu verengen \u2013 sich auf spezialisierte, sicherheitsempfindliche Aufgaben erstreckend, wo Zugriffsbeschr\u00e4nkungen historisch einen Puffer gegen Missbrauch bereitgestellt haben.<\/p>\n<p><em>Quellen: www.scmp.com. Bericht vom 30. September 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>Anthropic has raised alarm over Z.ai&#8217;s GLM-5.3, warning the open-weight model nearly matches frontier AI in cyber exploit capability but carries far weaker safety constraints.<\/p>","protected":false},"author":1,"featured_media":2850,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[519,427,974,1244,455,622,1245],"class_list":["post-2849","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","tag-ai-safety","tag-anthropic","tag-cybersecurity","tag-glm-5-3","tag-open-weight-models","tag-z-ai","tag-zhipu-ai"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/2849","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=2849"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/2849\/revisions"}],"predecessor-version":[{"id":2851,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/2849\/revisions\/2851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/2850"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=2849"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=2849"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=2849"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}