{"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\/es\/antorix-glm-5-3-hacking-capability-warning\/","title":{"rendered":"Anthropic: GLM-5.3 Coincide con IA de \u00c9lite en Hacking, Carece de Salvaguardias"},"content":{"rendered":"<p>La firma estadounidense de inteligencia artificial Anthropic ha emitido una advertencia sobre la <strong>capacidad de hacking de GLM-5.3<\/strong>, informando que el modelo de peso abierto chino de Z.ai demuestra rendimiento en exploits cibern\u00e9ticos que rivaliza con los sistemas fronterizos m\u00e1s restringidos de la empresa, pero se implementa con salvaguardias significativamente m\u00e1s d\u00e9biles contra el uso malintencionado.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li>GLM-5.3 complet\u00f3 exitosamente 50 de 410 intentos de exploit end-to-end en pruebas de Anthropic, comparado con 56 para Claude Mythos Preview<\/li>\n<li>El modelo Claude Mythos Preview de Anthropic requiere acceso de usuario verificado, mientras que GLM-5.3 est\u00e1 disponible abiertamente como una versi\u00f3n de peso abierto<\/li>\n<li>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 m\u00e1s d\u00e9biles<\/li>\n<li>Z.ai es una firma de IA china que lanz\u00f3 GLM-5.3 como un modelo de peso abierto accesible sin controles cerrados<\/li>\n<li>Anthropic public\u00f3 su evaluaci\u00f3n de capacidad cibern\u00e9tica en un informe lanzado el 30 de septiembre de 2026<\/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-6abd4d28c5ce7\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/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-6abd4d28c5ce7\"  aria-label=\"Alternar\" \/><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\/es\/antorix-glm-5-3-hacking-capability-warning\/#Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\" >Las Pruebas de Anthropic Revelan Paridad Casi Total en Tasas de \u00c9xito de Exploits<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Open-Weight_Distribution_Amplifies_Security_Concerns\" >La Distribuci\u00f3n de Peso Abierto Amplifica las Preocupaciones de Seguridad<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Comparative_Performance_GLM-53_and_Frontier_Models\" >Rendimiento Comparativo: GLM-5.3 y Modelos Fronterizos<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Zai_and_the_GLM_Model_Family\" >Z.ai y la Familia de Modelos GLM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Implications_for_AI-Powered_Offensive_Security\" >Implicaciones para la Seguridad Ofensiva Potenciada por IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Regulatory_and_Policy_Dimensions\" >Dimensiones Regulatorias y Pol\u00edticas<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#Frequently_asked_questions\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/antorix-glm-5-3-hacking-capability-warning\/#The_bottom_line\" >En resumen<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\"><\/span>Las Pruebas de Anthropic Revelan Paridad Casi Total en Tasas de \u00c9xito de Exploits<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>En un <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\">informe lanzado el martes<\/a>, Anthropic detall\u00f3 sus pruebas de la capacidad de GLM-5.3 para construir exploits cibern\u00e9ticos end-to-end. El modelo chino complet\u00f3 50 de 410 intentos de exploit, una tasa de \u00e9xito del 12,2 por ciento, comparado con 56 exploits exitosos para Claude Mythos Preview, el modelo fronterizo de Anthropic restringido solo a usuarios verificados.<\/p>\n<p>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 cibern\u00e9ticas potenciadas por IA. Seg\u00fan el South China Morning Post, la preocupaci\u00f3n no se centra \u00fanicamente en la capacidad bruta, sino en la combinaci\u00f3n de generaci\u00f3n avanzada de exploits con controles de acceso m\u00ednimos.<\/p>\n<p>Claude Mythos Preview, que registr\u00f3 56 exploits exitosos en la misma bater\u00eda de pruebas, opera bajo requisitos estrictos de verificaci\u00f3n 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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Open-Weight_Distribution_Amplifies_Security_Concerns\"><\/span>La Distribuci\u00f3n de Peso Abierto Amplifica las Preocupaciones de Seguridad<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La naturaleza de peso abierto de GLM-5.3 se encuentra en el centro de la advertencia de Anthropic. A diferencia de los <a href=\"https:\/\/convly.ai\/es\/models\/\">modelos de IA<\/a> basados en API cerrados que permiten a los proveedores monitorear el uso e implementar pol\u00edticas de uso aceptable, los lanzamientos de peso abierto permiten la implementaci\u00f3n local irrestricta y la modificaci\u00f3n. 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.<\/p>\n<p>Este modelo de distribuci\u00f3n crea lo que Anthropic describe como \u00absalvaguardias mucho m\u00e1s d\u00e9biles\u00bb en comparaci\u00f3n 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 supervisi\u00f3n.<\/p>\n<p>El <a href=\"https:\/\/convly.ai\/es\/open-vs-closed-ai-cost-gap-2026\/\">debate abierto versus cerrado de IA<\/a> hist\u00f3ricamente se ha centrado en la democratizaci\u00f3n del acceso y la reproducibilidad de la investigaci\u00f3n. La evaluaci\u00f3n de Anthropic introduce la capacidad cibern\u00e9tica como una dimensi\u00f3n donde la distribuci\u00f3n abierta puede conllevar externalidades de seguridad distintas, particularmente cuando los modelos se acercan al rendimiento fronterizo en tareas ofensivas.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Comparative_Performance_GLM-53_and_Frontier_Models\"><\/span>Rendimiento Comparativo: GLM-5.3 y Modelos Fronterizos<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El marco de pruebas de Anthropic evalu\u00f3 la construcci\u00f3n de exploits end-to-end, un flujo de trabajo que requiere que los modelos identifiquen vulnerabilidades, generen c\u00f3digo de exploit funcional y encadenen m\u00faltiples pasos en secuencias de ataque funcionales. La bater\u00eda de pruebas de 410 intentos probablemente cubri\u00f3 clases de vulnerabilidades diversas, objetivos de software y niveles de complejidad de exploits.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Desarrollador<\/th>\n<th>Exploits Exitosos<\/th>\n<th>Tasa de \u00c9xito<\/th>\n<th>Control de Acceso<\/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>Peso abierto<\/td>\n<\/tr>\n<tr>\n<td>Claude Mythos Preview<\/td>\n<td>Anthropic (EE.UU.)<\/td>\n<td>56 \/ 410<\/td>\n<td>13.7%<\/td>\n<td>Solo usuarios verificados<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>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 espec\u00edfico. Para contextualizar, Anthropic posiciona a Claude Mythos Preview como un modelo fronterizo, entre los sistemas m\u00e1s capaces a nivel global, haciendo el rendimiento de GLM-5.3 particularmente notable dado su distribuci\u00f3n abierta.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zai_and_the_GLM_Model_Family\"><\/span>Z.ai y la Familia de Modelos GLM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Z.ai, la firma china detr\u00e1s de GLM-5.3, no ha sido ampliamente cubierta en reportajes de la industria de IA occidental anteriormente a esta evaluaci\u00f3n de seguridad. La designaci\u00f3n GLM sugiere una conexi\u00f3n con la serie GLM de Zhipu AI, que incluye <a href=\"https:\/\/convly.ai\/es\/model\/glm-5-2\/\">GLM-5.2<\/a>, un modelo de contexto de 1 mill\u00f3n de tokens con precio de $1,40 de entrada y $4,40 de salida por mill\u00f3n de tokens.<\/p>\n<p>Si GLM-5.3 representa un lanzamiento sucesor en la misma l\u00ednea, el incremento de versi\u00f3n puede se\u00f1alar mejoras de capacidad m\u00e1s all\u00e1 de las mejoras de contexto y razonamiento t\u00edpicas de actualizaciones de modelo. Las pruebas de Anthropic indican que esas mejoras se extienden a operaciones cibern\u00e9ticas, un dominio donde los desarrolladores de modelos t\u00edpicamente implementan filtrado de seguridad agresivo durante el entrenamiento y salvaguardias post-implementaci\u00f3n.<\/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>Implicaciones para la Seguridad Ofensiva Potenciada por IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La advertencia de Anthropic llega mientras la investigaci\u00f3n de vulnerabilidades asistida por IA y el desarrollo de exploits transicionan de herramientas experimentales a flujos de trabajo pr\u00e1cticos. Investigadores de seguridad han demostrado la capacidad de modelos de lenguaje para analizar c\u00f3digo 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.<\/p>\n<p>La tasa de \u00e9xito del 12,2 por ciento que GLM-5.3 logr\u00f3 en la bater\u00eda de pruebas de Anthropic indica que estas capacidades han madurado m\u00e1s all\u00e1 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.<\/p>\n<p>Para equipos de seguridad ofensiva, red-teamers y probadores de penetraci\u00f3n, 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 ingenier\u00eda de software pero experiencia limitada en investigaci\u00f3n de vulnerabilidades.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Regulatory_and_Policy_Dimensions\"><\/span>Dimensiones Regulatorias y Pol\u00edticas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>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 exportaci\u00f3n y restricciones de c\u00e1lculo 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 Uni\u00f3n Europea impone requisitos de transparencia y gesti\u00f3n de riesgos en sistemas de alto riesgo, aunque la aplicaci\u00f3n sigue siendo incipiente.<\/p>\n<p>Los modelos de peso abierto complicanambos enfoques. Los controles de exportaci\u00f3n dirigidos al c\u00e1lculo de entrenamiento o acceso a chips no pueden prevenir la distribuci\u00f3n de pesos ya entrenados. Los marcos de gesti\u00f3n de riesgos dise\u00f1ados para proveedores de API pierden efectividad cuando los modelos se implementan localmente. La capacidad cibern\u00e9tica ofensiva de GLM-5.3, demostrada por las pruebas de una firma estadounidense pero fuera del control directo de cualquier jurisdicci\u00f3n, ejemplifica el desaf\u00edo de gobernanza planteado por lanzamientos de peso abierto capaces.<\/p>\n<p>La decisi\u00f3n de Anthropic de publicar resultados de pruebas comparativas, en lugar de restringir silenciosamente las evaluaciones internas, se\u00f1ala una intenci\u00f3n de informar discusiones de pol\u00edtica con datos de capacidad emp\u00edricos. Si los reguladores traducen tales advertencias en pol\u00edtica procesable sigue siendo incierto, particularmente dado el car\u00e1cter distribuido de la implementaci\u00f3n de modelos de peso abierto y la dificultad de atribuir da\u00f1os posteriores a decisiones de lanzamiento anteriores.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfQu\u00e9 es GLM-5.3 y qui\u00e9n lo desarroll\u00f3?<\/strong> 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 generaci\u00f3n de exploits cibern\u00e9ticos, seg\u00fan pruebas realizadas por Anthropic, una empresa basada en EE.UU.<\/p>\n<p><strong>\u00bfC\u00f3mo se compara GLM-5.3 con Claude Mythos Preview de Anthropic?<\/strong> En las pruebas de Anthropic, GLM-5.3 complet\u00f3 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 cibern\u00e9ticas casi equivalentes, pero GLM-5.3 est\u00e1 disponible abiertamente mientras que Mythos Preview requiere acceso de usuario verificado.<\/p>\n<p><strong>\u00bfQu\u00e9 son los modelos de IA de peso abierto?<\/strong> Los modelos de peso abierto distribuyen p\u00fablicamente sus par\u00e1metros entrenados, permitiendo a los usuarios descargarlos y ejecutarlos localmente sin controles de acceso a API. Esto contrasta con los modelos cerrados accesibles solo a trav\u00e9s de API controladas, donde los proveedores pueden monitorear el uso e implementar pol\u00edticas de uso aceptable.<\/p>\n<p><strong>\u00bfPor qu\u00e9 Anthropic est\u00e1 preocupada por las capacidades de GLM-5.3?<\/strong> Anthropic advierte que GLM-5.3 combina rendimiento de generaci\u00f3n de exploits de nivel fronterizo con restricciones de acceso m\u00ednimas. La distribuci\u00f3n de peso abierto impide que Z.ai monitore\u00e9 el uso, revoque el acceso o evite que actores malintencionados ajusten el modelo con fines maliciosos.<\/p>\n<p><strong>\u00bfPueden regularse efectivamente los modelos de peso abierto?<\/strong> Regular los modelos de peso abierto presenta desaf\u00edos significativos porque, una vez liberados, los pesos pueden descargarse, copiarse e implementarse sin supervisi\u00f3n. Los controles de exportaci\u00f3n dirigidos al c\u00e1lculo de entrenamiento no pueden recuperar modelos ya distribuidos, y los marcos de gesti\u00f3n de riesgos dise\u00f1ados para proveedores de API pierden efectividad cuando los modelos se ejecutan localmente en infraestructura controlada por el usuario.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>En resumen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La evaluaci\u00f3n de GLM-5.3 de Anthropic cuantifica una preocupaci\u00f3n de seguridad que ha permanecido en gran medida te\u00f3rica en debates de pol\u00edtica de IA: modelos disponibles abiertamente demostrando rendimiento de nivel fronterizo en tareas cibern\u00e9ticas ofensivas. La brecha de seis exploits entre GLM-5.3 y Claude Mythos Preview, tasas de \u00e9xito del 12,2 por ciento versus 13,7 por ciento, sugiere paridad en capacidad bruta mientras se destacan diferencias marcadas en distribuci\u00f3n y control de acceso.<\/p>\n<p>Para desarrolladores y profesionales de seguridad, los hallazgos subrayan la naturaleza de doble uso de las capacidades de codificaci\u00f3n y an\u00e1lisis de IA. Las mismas arquitecturas de modelo que aceleran la investigaci\u00f3n de seguridad leg\u00edtima tambi\u00e9n permiten el desarrollo de exploits adversarial. A medida que la capacidad contin\u00faa avanzando, la brecha entre sistemas fronterizos controlados y alternativas disponibles abiertamente parece estar reduci\u00e9ndose en dominios m\u00e1s all\u00e1 del razonamiento general y la codificaci\u00f3n, extendi\u00e9ndose a tareas especializadas sensibles a la seguridad donde las restricciones de acceso han proporcionado hist\u00f3ricamente un amortiguador contra el mal uso.<\/p>\n<p><em>Fuentes: www.scmp.com. Reportado el 30 de septiembre de 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\/es\/wp-json\/wp\/v2\/posts\/2849","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=2849"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2849\/revisions"}],"predecessor-version":[{"id":2851,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/2849\/revisions\/2851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/2850"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=2849"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=2849"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=2849"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}