La firma estadounidense de inteligencia artificial Anthropic ha emitido una advertencia sobre la capacidad de hacking de GLM-5.3, informando que el modelo de peso abierto chino de Z.ai demuestra rendimiento en exploits cibernéticos que rivaliza con los sistemas fronterizos más restringidos de la empresa, pero se implementa con salvaguardias significativamente más débiles contra el uso malintencionado.
Conclusiones clave
- GLM-5.3 completó exitosamente 50 de 410 intentos de exploit end-to-end en pruebas de Anthropic, comparado con 56 para Claude Mythos Preview
- El modelo Claude Mythos Preview de Anthropic requiere acceso de usuario verificado, mientras que GLM-5.3 está disponible abiertamente como una versión de peso abierto
- La firma basada en San Francisco advierte sobre un mayor potencial para que actores malintencionados se apropien de GLM-5.3 debido a restricciones de seguridad más débiles
- Z.ai es una firma de IA china que lanzó GLM-5.3 como un modelo de peso abierto accesible sin controles cerrados
- Anthropic publicó su evaluación de capacidad cibernética en un informe lanzado el 30 de septiembre de 2026
Las Pruebas de Anthropic Revelan Paridad Casi Total en Tasas de Éxito de Exploits
En un informe lanzado el martes, Anthropic detalló sus pruebas de la capacidad de GLM-5.3 para construir exploits cibernéticos end-to-end. El modelo chino completó 50 de 410 intentos de exploit, una tasa de éxito del 12,2 por ciento, comparado con 56 exploits exitosos para Claude Mythos Preview, el modelo fronterizo de Anthropic restringido solo a usuarios verificados.
La brecha estrecha de seis exploits entre un modelo disponible abiertamente y un sistema fronterizo fuertemente controlado representa lo que Anthropic caracteriza como un desarrollo preocupante en amenazas cibernéticas potenciadas por IA. Según el South China Morning Post, la preocupación no se centra únicamente en la capacidad bruta, sino en la combinación de generación avanzada de exploits con controles de acceso mínimos.
Claude Mythos Preview, que registró 56 exploits exitosos en la misma batería de pruebas, opera bajo requisitos estrictos de verificación que limitan el acceso a investigadores de seguridad aprobados y personal autorizado. GLM-5.3, en contraste, se distribuye como un modelo de peso abierto sin restricciones comparables.
La Distribución de Peso Abierto Amplifica las Preocupaciones de Seguridad
La naturaleza de peso abierto de GLM-5.3 se encuentra en el centro de la advertencia de Anthropic. A diferencia de los modelos de IA basados en API cerrados que permiten a los proveedores monitorear el uso e implementar políticas de uso aceptable, los lanzamientos de peso abierto permiten la implementación local irrestricta y la modificación. Los usuarios pueden descargar los pesos del modelo, ejecutar inferencia en su propio hardware, y eludir cualquier mecanismo de seguridad integrado en el lanzamiento original.
Este modelo de distribución crea lo que Anthropic describe como «salvaguardias mucho más débiles» en comparación con los sistemas fronterizos. Mientras que el acceso controlado de Claude Mythos Preview permite a Anthropic revocar credenciales y auditar el uso, los pesos de GLM-5.3, una vez descargados, permanecen fuera del control de Z.ai. Los actores malintencionados pueden ajustar el modelo, eliminar filtros de seguridad o implementarlo en contextos adversariales sin supervisión.
El debate abierto versus cerrado de IA históricamente se ha centrado en la democratización del acceso y la reproducibilidad de la investigación. La evaluación de Anthropic introduce la capacidad cibernética como una dimensión donde la distribución abierta puede conllevar externalidades de seguridad distintas, particularmente cuando los modelos se acercan al rendimiento fronterizo en tareas ofensivas.
Rendimiento Comparativo: GLM-5.3 y Modelos Fronterizos
El marco de pruebas de Anthropic evaluó la construcción de exploits end-to-end, un flujo de trabajo que requiere que los modelos identifiquen vulnerabilidades, generen código de exploit funcional y encadenen múltiples pasos en secuencias de ataque funcionales. La batería de pruebas de 410 intentos probablemente cubrió clases de vulnerabilidades diversas, objetivos de software y niveles de complejidad de exploits.
| Modelo | Desarrollador | Exploits Exitosos | Tasa de Éxito | Control de Acceso |
|---|---|---|---|---|
| GLM-5.3 | Z.ai (China) | 50 / 410 | 12.2% | Peso abierto |
| Claude Mythos Preview | Anthropic (EE.UU.) | 56 / 410 | 13.7% | Solo usuarios verificados |
La brecha de 1,5 puntos porcentuales sugiere que GLM-5.3 opera aproximadamente al 89 por ciento de la efectividad de Claude Mythos Preview en este benchmark específico. Para contextualizar, Anthropic posiciona a Claude Mythos Preview como un modelo fronterizo, entre los sistemas más capaces a nivel global, haciendo el rendimiento de GLM-5.3 particularmente notable dado su distribución abierta.
Z.ai y la Familia de Modelos GLM
Z.ai, la firma china detrás de GLM-5.3, no ha sido ampliamente cubierta en reportajes de la industria de IA occidental anteriormente a esta evaluación de seguridad. La designación GLM sugiere una conexión con la serie GLM de Zhipu AI, que incluye GLM-5.2, un modelo de contexto de 1 millón de tokens con precio de $1,40 de entrada y $4,40 de salida por millón de tokens.
Si GLM-5.3 representa un lanzamiento sucesor en la misma línea, el incremento de versión puede señalar mejoras de capacidad más allá de las mejoras de contexto y razonamiento típicas de actualizaciones de modelo. Las pruebas de Anthropic indican que esas mejoras se extienden a operaciones cibernéticas, un dominio donde los desarrolladores de modelos típicamente implementan filtrado de seguridad agresivo durante el entrenamiento y salvaguardias post-implementación.
La decisión de lanzar GLM-5.3 como peso abierto en lugar de solo API sugiere que Z.ai priorizó la accesibilidad e implementación local sobre el control centralizado. Esta elección de distribución se alinea con tendencias más amplias en desarrollo de IA china, donde lanzamientos de peso abierto de DeepSeek, la serie Qwen de Alibaba y otros laboratorios domésticos han ganado tracción entre desarrolladores que buscan alternativas a ofertas basadas en API occidental.
Implicaciones para la Seguridad Ofensiva Potenciada por IA
La advertencia de Anthropic llega mientras la investigación de vulnerabilidades asistida por IA y el desarrollo de exploits transicionan de herramientas experimentales a flujos de trabajo prácticos. Investigadores de seguridad han demostrado la capacidad de modelos de lenguaje para analizar código en busca de errores, generar exploits de prueba de concepto y automatizar reconocimiento, capacidades que aceleran tanto el trabajo de seguridad defensiva como la actividad malintencionada.
La tasa de éxito del 12,2 por ciento que GLM-5.3 logró en la batería de pruebas de Anthropic indica que estas capacidades han madurado más allá de demostraciones de prueba de concepto. Un modelo que completa 50 exploits end-to-end en un benchmark de 410 intentos sugiere rendimiento confiable en clases de vulnerabilidades del mundo real, no meramente ejemplos de juguete o CVE bien documentados.
Para equipos de seguridad ofensiva, red-teamers y probadores de penetración, tales capacidades prometen ganancias de productividad en compromisos autorizados. Para actores de amenaza, las mismas capacidades reducen las barreras para el desarrollo de exploits, particularmente para adversarios con fuertes habilidades de ingeniería de software pero experiencia limitada en investigación de vulnerabilidades.
Dimensiones Regulatorias y Políticas
El caso de estudio de GLM-5.3 destaca tensiones en marcos emergentes de gobernanza de IA. Estados Unidos se ha movido hacia controles de exportación y restricciones de cálculo dirigidas al desarrollo avanzado de IA en China, basado en preocupaciones de seguridad nacional alrededor de capacidades de doble uso. La Ley de IA de la Unión Europea impone requisitos de transparencia y gestión de riesgos en sistemas de alto riesgo, aunque la aplicación sigue siendo incipiente.
Los modelos de peso abierto complicanambos enfoques. Los controles de exportación dirigidos al cálculo de entrenamiento o acceso a chips no pueden prevenir la distribución de pesos ya entrenados. Los marcos de gestión de riesgos diseñados para proveedores de API pierden efectividad cuando los modelos se implementan localmente. La capacidad cibernética ofensiva de GLM-5.3, demostrada por las pruebas de una firma estadounidense pero fuera del control directo de cualquier jurisdicción, ejemplifica el desafío de gobernanza planteado por lanzamientos de peso abierto capaces.
La decisión de Anthropic de publicar resultados de pruebas comparativas, en lugar de restringir silenciosamente las evaluaciones internas, señala una intención de informar discusiones de política con datos de capacidad empíricos. Si los reguladores traducen tales advertencias en política procesable sigue siendo incierto, particularmente dado el carácter distribuido de la implementación de modelos de peso abierto y la dificultad de atribuir daños posteriores a decisiones de lanzamiento anteriores.
Preguntas frecuentes
¿Qué es GLM-5.3 y quién lo desarrolló? GLM-5.3 es un modelo de IA de peso abierto desarrollado por Z.ai, una firma de inteligencia artificial china. El modelo ha demostrado capacidades avanzadas en la generación de exploits cibernéticos, según pruebas realizadas por Anthropic, una empresa basada en EE.UU.
¿Cómo se compara GLM-5.3 con Claude Mythos Preview de Anthropic? En las pruebas de Anthropic, GLM-5.3 completó 50 de 410 intentos de exploit end-to-end (12,2%) comparado con 56 exploits exitosos (13,7%) para Claude Mythos Preview. Los modelos demostraron capacidades cibernéticas casi equivalentes, pero GLM-5.3 está disponible abiertamente mientras que Mythos Preview requiere acceso de usuario verificado.
¿Qué son los modelos de IA de peso abierto? Los modelos de peso abierto distribuyen públicamente sus parámetros entrenados, permitiendo a los usuarios descargarlos y ejecutarlos localmente sin controles de acceso a API. Esto contrasta con los modelos cerrados accesibles solo a través de API controladas, donde los proveedores pueden monitorear el uso e implementar políticas de uso aceptable.
¿Por qué Anthropic está preocupada por las capacidades de GLM-5.3? Anthropic advierte que GLM-5.3 combina rendimiento de generación de exploits de nivel fronterizo con restricciones de acceso mínimas. La distribución de peso abierto impide que Z.ai monitoreé el uso, revoque el acceso o evite que actores malintencionados ajusten el modelo con fines maliciosos.
¿Pueden regularse efectivamente los modelos de peso abierto? Regular los modelos de peso abierto presenta desafíos significativos porque, una vez liberados, los pesos pueden descargarse, copiarse e implementarse sin supervisión. Los controles de exportación dirigidos al cálculo de entrenamiento no pueden recuperar modelos ya distribuidos, y los marcos de gestión de riesgos diseñados para proveedores de API pierden efectividad cuando los modelos se ejecutan localmente en infraestructura controlada por el usuario.
En resumen
La evaluación de GLM-5.3 de Anthropic cuantifica una preocupación de seguridad que ha permanecido en gran medida teórica en debates de política de IA: modelos disponibles abiertamente demostrando rendimiento de nivel fronterizo en tareas cibernéticas ofensivas. La brecha de seis exploits entre GLM-5.3 y Claude Mythos Preview, tasas de éxito del 12,2 por ciento versus 13,7 por ciento, sugiere paridad en capacidad bruta mientras se destacan diferencias marcadas en distribución y control de acceso.
Para desarrolladores y profesionales de seguridad, los hallazgos subrayan la naturaleza de doble uso de las capacidades de codificación y análisis de IA. Las mismas arquitecturas de modelo que aceleran la investigación de seguridad legítima también permiten el desarrollo de exploits adversarial. A medida que la capacidad continúa avanzando, la brecha entre sistemas fronterizos controlados y alternativas disponibles abiertamente parece estar reduciéndose en dominios más allá del razonamiento general y la codificación, extendiéndose a tareas especializadas sensibles a la seguridad donde las restricciones de acceso han proporcionado históricamente un amortiguador contra el mal uso.
Fuentes: www.scmp.com. Reportado el 30 de septiembre de 2026.