{"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\/it\/antorix-glm-5-3-hacking-capability-warning\/","title":{"rendered":"Anthropic: GLM-5.3 Corrisponde alle Elite AI nell'Hacking, Manca di Misure di Sicurezza"},"content":{"rendered":"<p>L'azienda americana di intelligenza artificiale Anthropic ha emesso un avviso riguardante <strong>la capacit\u00e0 di hacking di GLM-5.3<\/strong>, riferendo che il modello open-weight cinese di Z.ai dimostra prestazioni di exploit informatici rivaleggiando con i sistemi frontier pi\u00f9 ristretti dell'azienda, ma si implementa con misure di sicurezza significativamente pi\u00f9 deboli contro gli usi malevoli.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li>GLM-5.3 ha completato con successo 50 su 410 tentativi di exploit end-to-end nei test di Anthropic, rispetto ai 56 di Claude Mythos Preview<\/li>\n<li>Il modello Claude Mythos Preview di Anthropic richiede accesso da parte di utenti verificati, mentre GLM-5.3 \u00e8 disponibile pubblicamente come rilascio open-weight<\/li>\n<li>L'azienda con sede a San Francisco avverte di un maggiore potenziale per gli attori malintenzionati di cooptare GLM-5.3 a causa di vincoli di sicurezza pi\u00f9 deboli<\/li>\n<li>Z.ai \u00e8 un'azienda cinese di AI che ha rilasciato GLM-5.3 come modello open-weight accessibile senza controlli controllati<\/li>\n<li>Anthropic ha pubblicato la sua valutazione della capacit\u00e0 informatica in un rapporto rilasciato il 30 settembre 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-6abd4cd6a7a29\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/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-6abd4cd6a7a29\"  aria-label=\"Attiva\/Disattiva\" \/><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\/it\/antorix-glm-5-3-hacking-capability-warning\/#Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\" >I Test di Anthropic Rivelano Parit\u00e0 Pressoch\u00e9 Totale nei Tassi di Successo degli Exploit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Open-Weight_Distribution_Amplifies_Security_Concerns\" >La Distribuzione Open-Weight Amplifica le Preoccupazioni sulla Sicurezza<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Comparative_Performance_GLM-53_and_Frontier_Models\" >Prestazioni Comparative: GLM-5.3 e Modelli Frontier<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Zai_and_the_GLM_Model_Family\" >Z.ai e la Famiglia di Modelli GLM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Implications_for_AI-Powered_Offensive_Security\" >Implicazioni per la Sicurezza Offensiva Basata su AI<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Regulatory_and_Policy_Dimensions\" >Dimensioni Normative e Politiche<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#Frequently_asked_questions\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/antorix-glm-5-3-hacking-capability-warning\/#The_bottom_line\" >In sintesi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\"><\/span>I Test di Anthropic Rivelano Parit\u00e0 Pressoch\u00e9 Totale nei Tassi di Successo degli Exploit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>In 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\">rapporto rilasciato marted\u00ec<\/a>, Anthropic ha dettagliato i suoi test sulla capacit\u00e0 di GLM-5.3 di costruire exploit informatici end-to-end. Il modello cinese ha completato 50 su 410 tentativi di exploit, un tasso di successo del 12,2%, rispetto ai 56 exploit riusciti per Claude Mythos Preview, il modello frontier di Anthropic limitato solo agli utenti verificati.<\/p>\n<p>Il divario di soli sei exploit tra un modello disponibile pubblicamente e un sistema frontier pesantemente controllato rappresenta quello che Anthropic caratterizza come uno sviluppo preoccupante nelle minacce informatiche basate su AI. Secondo il South China Morning Post, la preoccupazione non riguarda solo la capacit\u00e0 grezza, ma la combinazione di generazione avanzata di exploit con controlli di accesso minimi.<\/p>\n<p>Claude Mythos Preview, che ha registrato 56 exploit riusciti nella stessa batteria di test, opera secondo rigidi requisiti di verifica che limitano l'accesso ai ricercatori di sicurezza approvati e al personale autorizzato. GLM-5.3, al contrario, \u00e8 distribuito come modello open-weight senza restrizioni comparabili.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Open-Weight_Distribution_Amplifies_Security_Concerns\"><\/span>La Distribuzione Open-Weight Amplifica le Preoccupazioni sulla Sicurezza<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La natura open-weight di GLM-5.3 \u00e8 al centro dell'avviso di Anthropic. A differenza dei modelli basati su API chiuse <a href=\"https:\/\/convly.ai\/it\/models\/\">modelli IA<\/a> che consentono ai fornitori di monitorare l'utilizzo e applicare politiche di uso accettabile, i rilasci open-weight consentono un'implementazione locale e una modifica senza restrizioni. Gli utenti possono scaricare i pesi del modello, eseguire l'inferenza sul loro hardware e aggirare eventuali meccanismi di sicurezza integrati nel rilascio originale.<\/p>\n<p>Questo modello di distribuzione crea quello che Anthropic descrive come \u00abmisure di sicurezza molto pi\u00f9 deboli\u00bb rispetto ai sistemi frontier. Mentre l'accesso controllato di Claude Mythos Preview consente ad Anthropic di revocare le credenziali e controllare l'utilizzo, i pesi di GLM-5.3, una volta scaricati, rimangono al di fuori del controllo di Z.ai. Gli attori malintenzionati possono adattare il modello, rimuovere i filtri di sicurezza o implementarlo in contesti avversariali senza supervisione.<\/p>\n<p>Il <a href=\"https:\/\/convly.ai\/it\/open-vs-closed-ai-cost-gap-2026\/\">il dibattito su AI aperto versus chiuso<\/a> storicamente si \u00e8 incentrato sulla democratizzazione dell'accesso e sulla riproducibilit\u00e0 della ricerca. La valutazione di Anthropic introduce la capacit\u00e0 informatica come una dimensione in cui la distribuzione aperta pu\u00f2 portare esternalit\u00e0 di sicurezza distinte, in particolare quando i modelli si avvicinano a prestazioni frontier su compiti offensivi.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Comparative_Performance_GLM-53_and_Frontier_Models\"><\/span>Prestazioni Comparative: GLM-5.3 e Modelli Frontier<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il framework di test di Anthropic ha valutato la costruzione di exploit end-to-end, un flusso di lavoro che richiede ai modelli di identificare vulnerabilit\u00e0, generare codice di exploit funzionante e concatenare pi\u00f9 passaggi in sequenze di attacco funzionali. La batteria di test di 410 tentativi ha probabilmente coperto diverse classi di vulnerabilit\u00e0, target software e livelli di complessit\u00e0 degli exploit.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Sviluppatore<\/th>\n<th>Exploit Riusciti<\/th>\n<th>Tasso di Successo<\/th>\n<th>Controllo di Accesso<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GLM-5.3<\/td>\n<td>Z.ai (Cina)<\/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>Solo utenti verificati<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Il divario di 1,5 punti percentuali suggerisce che GLM-5.3 opera a circa il 89% dell'efficacia di Claude Mythos Preview su questo benchmark specifico. Per contestualizzare, Anthropic posiziona Claude Mythos Preview come un modello frontier, uno dei sistemi pi\u00f9 capaci al mondo, rendendo le prestazioni di GLM-5.3 particolarmente notevoli data la sua distribuzione aperta.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zai_and_the_GLM_Model_Family\"><\/span>Z.ai e la Famiglia di Modelli GLM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Z.ai, l'azienda cinese dietro GLM-5.3, non \u00e8 stata ampiamente trattata nei report dell'industria AI occidentale prima di questa valutazione di sicurezza. La designazione GLM suggerisce una connessione con la serie GLM di Zhipu AI, che include <a href=\"https:\/\/convly.ai\/it\/model\/glm-5-2\/\">GLM-5.2<\/a>, un modello di contesto di 1 milione di token con prezzo di $1,40 per input e $4,40 per output per milione di token.<\/p>\n<p>Se GLM-5.3 rappresenta un rilascio successore nello stesso lineage, l'incremento di versione pu\u00f2 segnalare miglioramenti di capacit\u00e0 oltre i miglioramenti di contesto e ragionamento tipici degli aggiornamenti di modello. I test di Anthropic indicano che questi miglioramenti si estendono alle operazioni informatiche, un dominio in cui gli sviluppatori di modelli in genere implementano un filtraggio di sicurezza aggressivo durante l'addestramento e misure di protezione post-implementazione.<\/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>Implicazioni per la Sicurezza Offensiva Basata su AI<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'avviso di Anthropic arriva mentre la ricerca di vulnerabilit\u00e0 assistita da AI e lo sviluppo di exploit passano da strumenti sperimentali a flussi di lavoro pratici. I ricercatori di sicurezza hanno dimostrato la capacit\u00e0 dei modelli di linguaggio di analizzare il codice per bug, generare exploit proof-of-concept e automatizzare la ricognizione, capacit\u00e0 che accelerano sia il lavoro di sicurezza difensiva che l'attivit\u00e0 malevola.<\/p>\n<p>Il tasso di successo del 12,2% che GLM-5.3 ha raggiunto nella batteria di test di Anthropic indica che queste capacit\u00e0 si sono evolute oltre le dimostrazioni di proof-of-concept. Un modello che completa 50 exploit end-to-end in un benchmark di 410 tentativi suggerisce prestazioni affidabili su classi di vulnerabilit\u00e0 del mondo reale, non meramente esempi giocattolo o CVE ben documentati.<\/p>\n<p>Per i team di sicurezza offensiva, i red-teamer e i penetration tester, tali capacit\u00e0 promettono guadagni di produttivit\u00e0 negli impegni autorizzati. Per gli attori malintenzionati, le stesse capacit\u00e0 abbassano le barriere allo sviluppo di exploit, in particolare per gli avversari con forti competenze di ingegneria del software ma limitata esperienza di ricerca di vulnerabilit\u00e0.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Regulatory_and_Policy_Dimensions\"><\/span>Dimensioni Normative e Politiche<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il caso di studio GLM-5.3 evidenzia tensioni nei framework di governance dell'AI emergente. Gli Stati Uniti hanno adottato controlli all'esportazione e restrizioni di calcolo che mirano allo sviluppo avanzato di AI in Cina, basato su preoccupazioni di sicurezza nazionale relative alle capacit\u00e0 dual-use. La legge sull'AI dell'Unione Europea impone requisiti di trasparenza e gestione del rischio sui sistemi ad alto rischio, sebbene l'applicazione rimanga ancora alle prime fasi.<\/p>\n<p>I modelli open-weight complicano entrambi gli approcci. I controlli all'esportazione che mirano al calcolo di addestramento o all'accesso ai chip non possono impedire la distribuzione di pesi gi\u00e0 addestrati. I framework di gestione del rischio progettati per i fornitori di API perdono efficacia quando i modelli si implementano localmente. La capacit\u00e0 di exploit informatico offensivo di GLM-5.3, dimostrata dal test di un'azienda americana eppure al di fuori del controllo diretto di qualsiasi giurisdizione, esemplifica la sfida di governance posta dai rilasci open-weight capaci.<\/p>\n<p>La decisione di Anthropic di pubblicare i risultati dei test comparativi, piuttosto che limitarsi a valutazioni interne silenziose, segnala un'intenzione di informare le discussioni politiche con dati empirici di capacit\u00e0. Se i regolatori tradurranno tali avvisi in politiche azionabili rimane incerto, in particolare data la natura distribuita dell'implementazione di modelli open-weight e la difficolt\u00e0 di attribuire i danni a valle alle decisioni di rilascio a monte.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Cos'\u00e8 GLM-5.3 e chi l'ha sviluppato?<\/strong> GLM-5.3 \u00e8 un modello di AI open-weight sviluppato da Z.ai, un'azienda cinese di intelligenza artificiale. Il modello ha dimostrato capacit\u00e0 avanzate nella generazione di exploit informatici, secondo i test condotti da Anthropic, con sede negli USA.<\/p>\n<p><strong>Come si confronta GLM-5.3 con Claude Mythos Preview di Anthropic?<\/strong> Nei test di Anthropic, GLM-5.3 ha completato 50 su 410 tentativi di exploit end-to-end (12,2%) rispetto ai 56 exploit riusciti (13,7%) per Claude Mythos Preview. I modelli hanno dimostrato capacit\u00e0 informatiche pressoch\u00e9 equivalenti, ma GLM-5.3 \u00e8 disponibile pubblicamente mentre Mythos Preview richiede accesso da parte di utenti verificati.<\/p>\n<p><strong>Cosa sono i modelli di AI open-weight?<\/strong> I modelli open-weight distribuiscono pubblicamente i loro parametri addestrati, consentendo agli utenti di scaricarli ed eseguirli localmente senza controlli di accesso API. Questo contrasta con i modelli chiusi, accessibili solo tramite API controllate, dove i fornitori possono monitorare l'utilizzo e applicare politiche di uso accettabile.<\/p>\n<p><strong>Perch\u00e9 Anthropic \u00e8 preoccupato per le capacit\u00e0 di GLM-5.3?<\/strong> Anthropic avverte che GLM-5.3 combina prestazioni di generazione di exploit di livello frontier con restrizioni di accesso minime. La distribuzione open-weight impedisce a Z.ai di monitorare l'utilizzo, revocare l'accesso o impedire agli attori malintenzionati di adattare il modello per scopi malevoli.<\/p>\n<p><strong>I modelli open-weight possono essere regolamentati efficacemente?<\/strong> Regolamentare i modelli open-weight presenta sfide significative perch\u00e9, una volta rilasciati, i pesi possono essere scaricati, copiati e implementati senza supervisione. I controlli all'esportazione che mirano al calcolo di addestramento non possono recuperare modelli gi\u00e0 distribuiti, e i framework di gestione del rischio progettati per i fornitori di API perdono efficacia quando i modelli vengono eseguiti localmente su infrastrutture controllate dall'utente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>In sintesi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La valutazione di Anthropic su GLM-5.3 quantifica una preoccupazione di sicurezza che \u00e8 rimasta in gran parte teorica nei dibattiti sulla politica dell'AI: modelli disponibili pubblicamente che dimostrano prestazioni di livello frontier su compiti informatici offensivi. Il divario di sei exploit tra GLM-5.3 e Claude Mythos Preview, tassi di successo del 12,2% rispetto al 13,7%, suggerisce parit\u00e0 di capacit\u00e0 grezza evidenziando al contempo differenze starkedly distinte nella distribuzione e nel controllo dell'accesso.<\/p>\n<p>Per gli sviluppatori e i professionisti della sicurezza, i risultati sottolineano la natura dual-use delle capacit\u00e0 di codifica e analisi dell'AI. Le stesse architetture di modello che accelerano la ricerca di sicurezza legittima consentono anche lo sviluppo di exploit avversariali. Man mano che la capacit\u00e0 continua ad avanzare, il divario tra sistemi frontier controllati e alternative disponibili pubblicamente sembra restringersi in domini oltre il ragionamento generale e la codifica, estendendosi a compiti specializzati sensibili alla sicurezza dove le restrizioni di accesso hanno storicamente fornito un buffer contro l'uso improprio.<\/p>\n<p><em>Fonti: www.scmp.com. Segnalato il 30 settembre 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\/it\/wp-json\/wp\/v2\/posts\/2849","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=2849"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2849\/revisions"}],"predecessor-version":[{"id":2851,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2849\/revisions\/2851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2850"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=2849"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=2849"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=2849"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}