{"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\/fr\/antorix-glm-5-3-hacking-capability-warning\/","title":{"rendered":"Anthropic : GLM-5.3 \u00e9gale les IA d'\u00e9lite en mati\u00e8re de piratage, manque de garde-fous"},"content":{"rendered":"<p>L'entreprise d'IA am\u00e9ricaine Anthropic a lanc\u00e9 un avertissement au sujet de la <strong>capacit\u00e9 de piratage de GLM-5.3<\/strong>, rapportant que le mod\u00e8le chinois \u00e0 poids ouvert de Z.ai d\u00e9montre une performance d'exploit informatique \u00e9gale \u00e0 celle des syst\u00e8mes frontier les plus restreints de l'entreprise, mais se d\u00e9ploie avec des garde-fous significativement plus faibles contre l'utilisation malveillante.<\/p>\n<div class=\"convly-tldr\">\n<h3>Points cl\u00e9s<\/h3>\n<ul>\n<li>GLM-5.3 a compl\u00e9t\u00e9 avec succ\u00e8s 50 tentatives d'exploit de bout en bout sur 410 dans les tests d'Anthropic, compar\u00e9 \u00e0 56 pour Claude Mythos Preview<\/li>\n<li>Le mod\u00e8le Claude Mythos Preview d'Anthropic n\u00e9cessite un acc\u00e8s utilisateur valid\u00e9, tandis que GLM-5.3 est librement disponible en tant que version \u00e0 poids ouvert<\/li>\n<li>L'entreprise bas\u00e9e \u00e0 San Francisco avertit d'un potentiel plus important pour les acteurs malveillants de s'approprier GLM-5.3 en raison de contraintes de s\u00e9curit\u00e9 plus faibles<\/li>\n<li>Z.ai est une entreprise d'IA chinoise qui a lanc\u00e9 GLM-5.3 en tant que mod\u00e8le \u00e0 poids ouvert accessible sans contr\u00f4les gated<\/li>\n<li>Anthropic a publi\u00e9 son \u00e9valuation des capacit\u00e9s informatiques dans un rapport lanc\u00e9 le 30 septembre 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-6abd4d31d1545\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Basculer<\/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-6abd4d31d1545\"  aria-label=\"Basculer\" \/><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\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\" >Les tests d'Anthropic r\u00e9v\u00e8lent une quasi-parit\u00e9 dans les taux de succ\u00e8s des exploits<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Open-Weight_Distribution_Amplifies_Security_Concerns\" >La distribution \u00e0 poids ouvert amplifie les pr\u00e9occupations en mati\u00e8re de s\u00e9curit\u00e9<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Comparative_Performance_GLM-53_and_Frontier_Models\" >Performance comparative : GLM-5.3 et les mod\u00e8les frontier<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Zai_and_the_GLM_Model_Family\" >Z.ai et la famille de mod\u00e8les GLM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Implications_for_AI-Powered_Offensive_Security\" >Implications pour la s\u00e9curit\u00e9 offensive aliment\u00e9e par l'IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Regulatory_and_Policy_Dimensions\" >Dimensions r\u00e9glementaires et politiques<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#Frequently_asked_questions\" >Questions fr\u00e9quemment pos\u00e9es<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/fr\/antorix-glm-5-3-hacking-capability-warning\/#The_bottom_line\" >En r\u00e9sum\u00e9<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\"><\/span>Les tests d'Anthropic r\u00e9v\u00e8lent une quasi-parit\u00e9 dans les taux de succ\u00e8s des exploits<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dans 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\">rapport publi\u00e9 mardi<\/a>, Anthropic a d\u00e9taill\u00e9 ses tests de la capacit\u00e9 de GLM-5.3 \u00e0 construire des exploits informatiques de bout en bout. Le mod\u00e8le chinois a compl\u00e9t\u00e9 50 tentatives sur 410 \u2014 un taux de r\u00e9ussite de 12,2 % \u2014 compar\u00e9 \u00e0 56 exploits r\u00e9ussis pour Claude Mythos Preview, le mod\u00e8le frontier d'Anthropic limit\u00e9 aux utilisateurs valid\u00e9s uniquement.<\/p>\n<p>L'\u00e9cart \u00e9troit de six exploits entre un mod\u00e8le ouvertement disponible et un syst\u00e8me frontier tr\u00e8s contr\u00f4l\u00e9 repr\u00e9sente ce qu'Anthropic caract\u00e9rise comme un d\u00e9veloppement troublant dans les menaces informatiques aliment\u00e9es par l'IA. Selon le South China Morning Post, la pr\u00e9occupation se concentre non seulement sur la capacit\u00e9 brute, mais sur la combinaison de la g\u00e9n\u00e9ration avanc\u00e9e d'exploits avec des contr\u00f4les d'acc\u00e8s minimaux.<\/p>\n<p>Claude Mythos Preview, qui a enregistr\u00e9 56 exploits r\u00e9ussis dans la m\u00eame batterie de tests, fonctionne selon des exigences strictes de validation qui limitent l'acc\u00e8s aux chercheurs en s\u00e9curit\u00e9 approuv\u00e9s et au personnel autoris\u00e9. GLM-5.3, en revanche, est distribu\u00e9 en tant que mod\u00e8le \u00e0 poids ouvert sans restrictions comparables.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Open-Weight_Distribution_Amplifies_Security_Concerns\"><\/span>La distribution \u00e0 poids ouvert amplifie les pr\u00e9occupations en mati\u00e8re de s\u00e9curit\u00e9<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La nature \u00e0 poids ouvert de GLM-5.3 se situe au centre de l'avertissement d'Anthropic. Contrairement aux mod\u00e8les ferm\u00e9s bas\u00e9s sur API <a href=\"https:\/\/convly.ai\/fr\/models\/\">mod\u00e8les IA<\/a> qui permettent aux fournisseurs de surveiller l'utilisation et d'appliquer des politiques d'utilisation acceptable, les versions \u00e0 poids ouvert permettent un d\u00e9ploiement local sans restriction et une modification. Les utilisateurs peuvent t\u00e9l\u00e9charger les poids du mod\u00e8le, ex\u00e9cuter l'inf\u00e9rence sur leur propre mat\u00e9riel et contourner tout m\u00e9canisme de s\u00e9curit\u00e9 int\u00e9gr\u00e9 \u00e0 la version originale.<\/p>\n<p>Ce mod\u00e8le de distribution cr\u00e9e ce qu'Anthropic d\u00e9crit comme \u00ab des garde-fous bien plus faibles \u00bb compar\u00e9s aux syst\u00e8mes frontier. Tandis que l'acc\u00e8s contr\u00f4l\u00e9 de Claude Mythos Preview permet \u00e0 Anthropic de r\u00e9voquer les identifiants et d'auditer l'utilisation, les poids de GLM-5.3 \u2014 une fois t\u00e9l\u00e9charg\u00e9s \u2014 restent en dehors du contr\u00f4le de Z.ai. Les acteurs malveillants peuvent affiner le mod\u00e8le, supprimer les filtres de s\u00e9curit\u00e9 ou le d\u00e9ployer dans des contextes adversariaux sans surveillance.<\/p>\n<p>Le <a href=\"https:\/\/convly.ai\/fr\/open-vs-closed-ai-cost-gap-2026\/\">le d\u00e9bat ouvert versus ferm\u00e9 sur l'IA<\/a> s'est historiquement concentr\u00e9 sur la d\u00e9mocratisation de l'acc\u00e8s et la reproductibilit\u00e9 de la recherche. L'\u00e9valuation d'Anthropic introduit la capacit\u00e9 informatique comme une dimension o\u00f9 la distribution ouverte peut comporter des externalit\u00e9s de s\u00e9curit\u00e9 distinctes, particuli\u00e8rement lorsque les mod\u00e8les approchent la performance frontier sur les t\u00e2ches offensives.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Comparative_Performance_GLM-53_and_Frontier_Models\"><\/span>Performance comparative : GLM-5.3 et les mod\u00e8les frontier<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le cadre de test d'Anthropic a \u00e9valu\u00e9 la construction d'exploits de bout en bout \u2014 un flux de travail n\u00e9cessitant aux mod\u00e8les d'identifier les vuln\u00e9rabilit\u00e9s, g\u00e9n\u00e9rer du code d'exploit fonctionnel et cha\u00eener plusieurs \u00e9tapes dans des s\u00e9quences d'attaque fonctionnelles. La batterie de tests de 410 tentatives a probablement couvert diverses classes de vuln\u00e9rabilit\u00e9s, cibles logicielles et niveaux de complexit\u00e9 des exploits.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Mod\u00e8le<\/th>\n<th>D\u00e9veloppeur<\/th>\n<th>Exploits r\u00e9ussis<\/th>\n<th>Taux de r\u00e9ussite<\/th>\n<th>Contr\u00f4le d'acc\u00e8s<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GLM-5.3<\/td>\n<td>Z.ai (Chine)<\/td>\n<td>50 \/ 410<\/td>\n<td>12.2%<\/td>\n<td>\u00c0 poids ouvert<\/td>\n<\/tr>\n<tr>\n<td>Claude Mythos Preview<\/td>\n<td>Anthropic (\u00c9tats-Unis)<\/td>\n<td>56 \/ 410<\/td>\n<td>13.7%<\/td>\n<td>Utilisateurs valid\u00e9s uniquement<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>L'\u00e9cart de 1,5 point de pourcentage sugg\u00e8re que GLM-5.3 fonctionne \u00e0 environ 89 % de l'efficacit\u00e9 de Claude Mythos Preview sur ce benchmark sp\u00e9cifique. Pour le contexte, Anthropic positionne Claude Mythos Preview comme un mod\u00e8le frontier \u2014 parmi les syst\u00e8mes les plus capables au monde \u2014 ce qui rend la performance de GLM-5.3 particuli\u00e8rement notable compte tenu de sa distribution ouverte.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zai_and_the_GLM_Model_Family\"><\/span>Z.ai et la famille de mod\u00e8les GLM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Z.ai, l'entreprise chinoise derri\u00e8re GLM-5.3, n'a pas fait l'objet d'une couverture large dans les rapports de l'industrie de l'IA occidentale avant cette \u00e9valuation de s\u00e9curit\u00e9. La d\u00e9signation GLM sugg\u00e8re une connexion \u00e0 la s\u00e9rie GLM de Zhipu AI, qui inclut <a href=\"https:\/\/convly.ai\/fr\/model\/glm-5-2\/\">GLM-5.2<\/a>, un mod\u00e8le de contexte 1 million de tokens au prix de 1,40 $ en entr\u00e9e et 4,40 $ en sortie pour un million de tokens.<\/p>\n<p>Si GLM-5.3 repr\u00e9sente une version successive dans la m\u00eame lign\u00e9e, l'incr\u00e9ment de version peut signaler des am\u00e9liorations de capacit\u00e9 au-del\u00e0 des am\u00e9liorations de contexte et de raisonnement typiques des mises \u00e0 jour de mod\u00e8les. Les tests d'Anthropic indiquent que ces am\u00e9liorations s'\u00e9tendent aux op\u00e9rations informatiques \u2014 un domaine o\u00f9 les d\u00e9veloppeurs de mod\u00e8les impl\u00e9mentent g\u00e9n\u00e9ralement un filtrage de s\u00e9curit\u00e9 agressif pendant l'entra\u00eenement et des garde-fous de post-d\u00e9ploiement.<\/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>Implications pour la s\u00e9curit\u00e9 offensive aliment\u00e9e par l'IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'avertissement d'Anthropic arrive alors que la recherche de vuln\u00e9rabilit\u00e9s assist\u00e9e par IA et le d\u00e9veloppement d'exploits transitent des outils exp\u00e9rimentaux aux flux de travail pratiques. Les chercheurs en s\u00e9curit\u00e9 ont d\u00e9montr\u00e9 la capacit\u00e9 des mod\u00e8les de langage \u00e0 analyser le code pour les bugs, g\u00e9n\u00e9rer des exploits de preuve de concept et automatiser la reconnaissance \u2014 des capacit\u00e9s qui acc\u00e9l\u00e8rent \u00e0 la fois les travaux de s\u00e9curit\u00e9 d\u00e9fensive et l'activit\u00e9 malveillante.<\/p>\n<p>Le taux de r\u00e9ussite de 12,2 % que GLM-5.3 a atteint sur la batterie de tests d'Anthropic indique que ces capacit\u00e9s ont m\u00fbri au-del\u00e0 des d\u00e9monstrations de preuve de concept. Un mod\u00e8le compl\u00e9tant 50 exploits de bout en bout sur un benchmark de 410 tentatives sugg\u00e8re une performance fiable sur les classes de vuln\u00e9rabilit\u00e9s du monde r\u00e9el, et non simplement des exemples jouets ou des CVE bien document\u00e9s.<\/p>\n<p>Pour les \u00e9quipes de s\u00e9curit\u00e9 offensive, les red-teamers et les testeurs de p\u00e9n\u00e9tration, de telles capacit\u00e9s promettent des gains de productivit\u00e9 dans les engagements autoris\u00e9s. Pour les acteurs malveillants, les m\u00eames capacit\u00e9s abaissent les barri\u00e8res au d\u00e9veloppement d'exploits \u2014 particuli\u00e8rement pour les adversaires ayant de fortes comp\u00e9tences en g\u00e9nie logiciel mais une exp\u00e9rience limit\u00e9e en recherche de vuln\u00e9rabilit\u00e9s.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Regulatory_and_Policy_Dimensions\"><\/span>Dimensions r\u00e9glementaires et politiques<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'\u00e9tude de cas GLM-5.3 met en \u00e9vidence les tensions dans les cadres de gouvernance \u00e9mergents de l'IA. Les \u00c9tats-Unis se sont orient\u00e9s vers les contr\u00f4les d'exportation et les restrictions de calcul ciblant le d\u00e9veloppement avanc\u00e9 de l'IA en Chine, pr\u00e9misses par les pr\u00e9occupations de s\u00e9curit\u00e9 nationale autour des capacit\u00e9s \u00e0 double usage. La Loi sur l'IA de l'Union europ\u00e9enne impose des exigences de transparence et de gestion des risques sur les syst\u00e8mes \u00e0 haut risque, bien que l'application reste pr\u00e9coce.<\/p>\n<p>Les mod\u00e8les \u00e0 poids ouvert compliquent les deux approches. Les contr\u00f4les d'exportation ciblant le calcul d'entra\u00eenement ou l'acc\u00e8s aux puces ne peuvent pas pr\u00e9venir la distribution des poids d\u00e9j\u00e0 entra\u00een\u00e9s. Les cadres de gestion des risques con\u00e7us pour les fournisseurs d'API perdent en efficacit\u00e9 lorsque les mod\u00e8les se d\u00e9ploient localement. La capacit\u00e9 de cyber-attaque offensive de GLM-5.3 \u2014 d\u00e9montr\u00e9e par les tests d'une entreprise am\u00e9ricaine mais en dehors du contr\u00f4le direct de toute juridiction \u2014 exemplifie le d\u00e9fi de gouvernance pos\u00e9 par les versions \u00e0 poids ouvert capables.<\/p>\n<p>La d\u00e9cision d'Anthropic de publier les r\u00e9sultats des tests comparatifs, plut\u00f4t que de restreindre tranquillement les \u00e9valuations internes, signale l'intention d'informer les discussions politiques avec des donn\u00e9es de capacit\u00e9 empiriques. La question de savoir si les r\u00e9gulateurs traduisent de tels avertissements en politiques r\u00e9alisables reste incertaine, particuli\u00e8rement compte tenu de la nature distribu\u00e9e du d\u00e9ploiement des mod\u00e8les \u00e0 poids ouvert et de la difficult\u00e9 \u00e0 attribuer les pr\u00e9judices en aval aux d\u00e9cisions de lancement en amont.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Questions fr\u00e9quemment pos\u00e9es<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Qu'est-ce que GLM-5.3 et qui l'a d\u00e9velopp\u00e9 ?<\/strong> GLM-5.3 est un mod\u00e8le d'IA \u00e0 poids ouvert d\u00e9velopp\u00e9 par Z.ai, une entreprise chinoise d'intelligence artificielle. Le mod\u00e8le a d\u00e9montr\u00e9 des capacit\u00e9s avanc\u00e9es dans la g\u00e9n\u00e9ration d'exploits informatiques, selon les tests men\u00e9s par Anthropic, bas\u00e9e aux \u00c9tats-Unis.<\/p>\n<p><strong>Comment GLM-5.3 se compare-t-il \u00e0 Claude Mythos Preview d'Anthropic ?<\/strong> Dans les tests d'Anthropic, GLM-5.3 a compl\u00e9t\u00e9 50 tentatives sur 410 d'exploits de bout en bout (12,2 %) par rapport \u00e0 56 exploits r\u00e9ussis (13,7 %) pour Claude Mythos Preview. Les mod\u00e8les ont d\u00e9montr\u00e9 des capacit\u00e9s informatiques quasi-\u00e9quivalentes, mais GLM-5.3 est ouvertement disponible tandis que Mythos Preview n\u00e9cessite un acc\u00e8s utilisateur valid\u00e9.<\/p>\n<p><strong>Que sont les mod\u00e8les d'IA \u00e0 poids ouvert ?<\/strong> Les mod\u00e8les \u00e0 poids ouvert distribuent publiquement leurs param\u00e8tres entra\u00een\u00e9s, permettant aux utilisateurs de les t\u00e9l\u00e9charger et de les ex\u00e9cuter localement sans contr\u00f4le d'acc\u00e8s API. Cela contraste avec les mod\u00e8les ferm\u00e9s accessibles uniquement via des API contr\u00f4l\u00e9es, o\u00f9 les fournisseurs peuvent surveiller l'utilisation et appliquer des politiques d'utilisation acceptable.<\/p>\n<p><strong>Pourquoi Anthropic est-elle pr\u00e9occup\u00e9e par les capacit\u00e9s de GLM-5.3 ?<\/strong> Anthropic avertit que GLM-5.3 combine une performance de g\u00e9n\u00e9ration d'exploits de niveau frontier avec des restrictions d'acc\u00e8s minimales. La distribution \u00e0 poids ouvert emp\u00eache Z.ai de surveiller l'utilisation, de r\u00e9voquer l'acc\u00e8s ou d'emp\u00eacher les acteurs malveillants d'affiner le mod\u00e8le \u00e0 des fins malveillantes.<\/p>\n<p><strong>Les mod\u00e8les \u00e0 poids ouvert peuvent-ils \u00eatre r\u00e9gul\u00e9s efficacement ?<\/strong> La r\u00e9gulation des mod\u00e8les \u00e0 poids ouvert pose des d\u00e9fis importants car, une fois lanc\u00e9s, les poids peuvent \u00eatre t\u00e9l\u00e9charg\u00e9s, copi\u00e9s et d\u00e9ploy\u00e9s sans surveillance. Les contr\u00f4les d'exportation ciblant le calcul d'entra\u00eenement ne peuvent pas rappeler les mod\u00e8les d\u00e9j\u00e0 distribu\u00e9s, et les cadres de gestion des risques con\u00e7us pour les fournisseurs d'API perdent en efficacit\u00e9 lorsque les mod\u00e8les s'ex\u00e9cutent localement sur l'infrastructure contr\u00f4l\u00e9e par l'utilisateur.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>En r\u00e9sum\u00e9<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'\u00e9valuation par Anthropic de GLM-5.3 quantifie une pr\u00e9occupation de s\u00e9curit\u00e9 qui est rest\u00e9e largement th\u00e9orique dans les d\u00e9bats sur la politique de l'IA : les mod\u00e8les ouvertement disponibles d\u00e9montrant une performance de niveau frontier sur les t\u00e2ches informatiques offensives. L'\u00e9cart de six exploits entre GLM-5.3 et Claude Mythos Preview \u2014 des taux de r\u00e9ussite de 12,2 % par rapport \u00e0 13,7 % \u2014 sugg\u00e8re une parit\u00e9 en capacit\u00e9 brute tout en mettant en \u00e9vidence des diff\u00e9rences marqu\u00e9es dans la distribution et le contr\u00f4le d'acc\u00e8s.<\/p>\n<p>Pour les d\u00e9veloppeurs et les praticiens de la s\u00e9curit\u00e9, les r\u00e9sultats soulignent la nature \u00e0 double usage des capacit\u00e9s de codage et d'analyse de l'IA. Les m\u00eames architectures de mod\u00e8les qui acc\u00e9l\u00e8rent la recherche en s\u00e9curit\u00e9 l\u00e9gitime permettent \u00e9galement le d\u00e9veloppement d'exploits adversariaux. \u00c0 mesure que la capacit\u00e9 continue d'avancer, l'\u00e9cart entre les syst\u00e8mes frontier contr\u00f4l\u00e9s et les alternatives ouvertement disponibles semble se r\u00e9tr\u00e9cir dans des domaines au-del\u00e0 du raisonnement g\u00e9n\u00e9ral et du codage \u2014 s'\u00e9tendant aux t\u00e2ches sp\u00e9cialis\u00e9es sensibles \u00e0 la s\u00e9curit\u00e9 o\u00f9 les restrictions d'acc\u00e8s ont historiquement fourni un tampon contre les abus.<\/p>\n<p><em>Sources : www.scmp.com. Signal\u00e9 le 30 septembre 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\/fr\/wp-json\/wp\/v2\/posts\/2849","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/comments?post=2849"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/2849\/revisions"}],"predecessor-version":[{"id":2851,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/2849\/revisions\/2851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media\/2850"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media?parent=2849"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/categories?post=2849"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/tags?post=2849"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}