A empresa de inteligência artificial americana Anthropic emitiu um aviso sobre a capacidade de hacking do GLM-5.3, informando que o modelo de peso aberto chinês da Z.ai demonstra performance de exploit cibernético rivalizando os sistemas fronteiriços mais restritos da empresa—mas é implantado com salvaguardas significativamente mais fracas contra uso malicioso.
Principais conclusões
- GLM-5.3 completou com sucesso 50 de 410 tentativas de exploit de ponta a ponta nos testes da Anthropic, comparado a 56 para Claude Mythos Preview
- O modelo Claude Mythos Preview da Anthropic requer acesso de usuários verificados, enquanto GLM-5.3 está disponível abertamente como lançamento de peso aberto
- A empresa sediada em San Francisco avisa sobre maior potencial para atores maliciosos cooptarem GLM-5.3 devido a restrições de segurança mais fracas
- Z.ai é uma empresa de IA chinesa que lançou GLM-5.3 como modelo de peso aberto acessível sem controles de acesso
- Anthropic publicou sua avaliação de capacidade cibernética em um relatório lançado em 30 de setembro de 2026
Testes da Anthropic Revelam Quase Paridade em Taxas de Sucesso de Exploits
Em um relatório lançado na terça-feira, Anthropic detalhou seus testes da capacidade do GLM-5.3 de construir exploits cibernéticos de ponta a ponta. O modelo chinês completou 50 de 410 tentativas de exploit—uma taxa de sucesso de 12,2 por cento—comparado a 56 exploits bem-sucedidos para Claude Mythos Preview, modelo fronteiriço da Anthropic restrito apenas a usuários verificados.
A diferença estreita de seis exploits entre um modelo disponível abertamente e um sistema fronteiriço altamente controlado representa o que Anthropic caracteriza como um desenvolvimento preocupante em ameaças cibernéticas alimentadas por IA. De acordo com o South China Morning Post, a preocupação não se centra apenas na capacidade bruta, mas na combinação de geração avançada de exploits com controles de acesso mínimos.
Claude Mythos Preview, que registrou 56 exploits bem-sucedidos na mesma bateria de testes, opera sob requisitos rigorosos de verificação que limitam acesso a pesquisadores de segurança aprovados e pessoal autorizado. GLM-5.3, em contraste, é distribuído como modelo de peso aberto sem restrições comparáveis.
Distribuição de Peso Aberto Amplifica Preocupações de Segurança
A natureza de peso aberto do GLM-5.3 está no centro do aviso da Anthropic. Diferentemente de modelos fechados baseados em API modelos de IA que permitem fornecedores monitorarem uso e aplicarem políticas de uso aceitável, lançamentos de peso aberto permitem implantação local irrestrita e modificação. Usuários podem fazer download dos pesos do modelo, executar inferência em seu próprio hardware e contornar quaisquer mecanismos de segurança construídos no lançamento original.
Esse modelo de distribuição cria o que Anthropic descreve como «salvaguardas muito mais fracas» comparado a sistemas fronteiriços. Enquanto o acesso controlado do Claude Mythos Preview permite que Anthropic revogue credenciais e audite uso, os pesos do GLM-5.3—uma vez baixados—permanecem fora do controle de Z.ai. Atores maliciosos podem fazer fine-tuning do modelo, remover filtros de segurança ou implantá-lo em contextos adversariais sem supervisão.
O debate de IA aberta versus fechada historicamente centrou-se em democratização de acesso e reprodutibilidade de pesquisa. A avaliação da Anthropic introduz capacidade cibernética como uma dimensão onde distribuição aberta pode carregar externalidades de segurança distintas, particularmente quando modelos se aproximam de performance fronteiriça em tarefas ofensivas.
Performance Comparativa: GLM-5.3 e Modelos Fronteiriços
A estrutura de testes da Anthropic avaliou construção de exploit de ponta a ponta—um fluxo de trabalho exigindo que modelos identifiquem vulnerabilidades, gerem código de exploit funcional e encadeiem múltiplas etapas em sequências de ataque funcionais. A bateria de testes de 410 tentativas provavelmente cobriu classes de vulnerabilidade diversas, alvos de software e níveis de complexidade de exploit.
| Modelo | Desenvolvedor | Exploits Bem-sucedidos | Taxa de Sucesso | Controle de Acesso |
|---|---|---|---|---|
| GLM-5.3 | Z.ai (China) | 50 / 410 | 12.2% | Peso aberto |
| Claude Mythos Preview | Anthropic (EUA) | 56 / 410 | 13.7% | Apenas usuários verificados |
A diferença de 1,5 pontos percentuais sugere que GLM-5.3 opera em aproximadamente 89 por cento da efetividade do Claude Mythos Preview neste benchmark específico. Para contexto, Anthropic posiciona Claude Mythos Preview como modelo fronteiriço—entre os sistemas mais capazes globalmente—tornando a performance do GLM-5.3 particularmente notável dada sua distribuição aberta.
Z.ai e a Família de Modelos GLM
Z.ai, a empresa chinesa por trás do GLM-5.3, não foi amplamente coberta em reportagens da indústria de IA ocidental anterior a esta avaliação de segurança. A designação GLM sugere conexão com a série GLM da Zhipu AI, que inclui GLM-5.2, um modelo de contexto de 1 milhão de tokens precificado em $1,40 entrada e $4,40 saída por milhão de tokens.
Se GLM-5.3 representa lançamento sucessor na mesma linhagem, o incremento de versão pode sinalizar melhorias de capacidade além das melhorias de contexto e raciocínio típicas de atualizações de modelo. Os testes da Anthropic indicam que essas melhorias se estendem a operações cibernéticas—um domínio onde desenvolvedores de modelo tipicamente implementam filtragem de segurança agressiva durante treinamento e guardrails de pós-implantação.
A decisão de lançar GLM-5.3 como peso aberto em vez de apenas por API sugere que Z.ai priorizou acessibilidade e implantação local sobre controle centralizado. Essa escolha de distribuição se alinha com tendências mais amplas em desenvolvimento de IA chinesa, onde lançamentos de peso aberto de DeepSeek, série Qwen da Alibaba e outros laboratórios domésticos ganharam tração entre desenvolvedores buscando alternativas a ofertas baseadas em API ocidentais.
Implicações para Segurança Ofensiva Alimentada por IA
O aviso da Anthropic chega enquanto pesquisa de vulnerabilidades assistida por IA e desenvolvimento de exploits fazem transição de ferramentas experimentais para fluxos de trabalho práticos. Pesquisadores de segurança demonstraram capacidade de modelos de linguagem de analisar código para bugs, gerar exploits de prova de conceito e automatizar reconhecimento—capacidades que aceleram tanto trabalho de segurança defensiva quanto atividade maliciosa.
A taxa de sucesso de 12,2 por cento que GLM-5.3 alcançou na bateria de testes da Anthropic indica que essas capacidades amadureceram além demonstrações de prova de conceito. Um modelo completando 50 exploits de ponta a ponta através de um benchmark de 410 tentativas sugere performance confiável em classes de vulnerabilidade do mundo real, não meramente exemplos brinquedo ou CVEs bem documentados.
Para equipes de segurança ofensiva, red-teamers e testadores de penetração, tais capacidades prometem ganhos de produtividade em engajamentos autorizados. Para atores de ameaça, as mesmas capacidades baixam barreiras ao desenvolvimento de exploits—particularmente para adversários com fortes habilidades de engenharia de software mas experiência limitada em pesquisa de vulnerabilidade.
Dimensões Regulatórias e de Política
O estudo de caso GLM-5.3 realça tensões em estruturas emergentes de governança de IA. Os Estados Unidos avançaram em direção a controles de exportação e restrições de compute direcionados ao desenvolvimento avançado de IA na China, premissado em preocupações de segurança nacional em torno de capacidades de uso duplo. A Lei de IA da União Europeia impõe requisitos de transparência e gerenciamento de risco em sistemas de alto risco, embora execução permaneça incipiente.
Modelos de peso aberto complicam ambas abordagens. Controles de exportação direcionados ao compute de treinamento ou acesso a chips não conseguem prevenir distribuição de pesos já treinados. Estruturas de gerenciamento de risco projetadas para provedores de API perdem efetividade quando modelos se implantam localmente. A capacidade cibernética ofensiva do GLM-5.3—demonstrada pelos testes de uma empresa americana porém fora de controle direto de qualquer jurisdição—exemplifica o desafio de governança posto por lançamentos de peso aberto capazes.
A decisão da Anthropic de publicar resultados de testes comparativos, em vez de silenciosamente restringir avaliações internas, sinaliza intenção de informar discussões de política com dados de capacidade empíricos. Se reguladores traduzem tais avisos em política acionável permanece incerto, particularmente dada a natureza distribuída de implantação de modelo de peso aberto e a dificuldade de atribuir danos posteriores a decisões de lançamento anteriores.
Perguntas frequentes
O que é GLM-5.3 e quem o desenvolveu? GLM-5.3 é um modelo de IA de peso aberto desenvolvido pela Z.ai, uma empresa chinesa de inteligência artificial. O modelo demonstrou capacidades avançadas na geração de exploits cibernéticos, de acordo com testes conduzidos pela Anthropic, sediada nos EUA.
Como GLM-5.3 se compara ao Claude Mythos Preview da Anthropic? Nos testes da Anthropic, GLM-5.3 completou 50 de 410 tentativas de exploit de ponta a ponta (12,2%) comparado a 56 exploits bem-sucedidos (13,7%) para Claude Mythos Preview. Os modelos demonstraram capacidades cibernéticas quase equivalentes, mas GLM-5.3 está disponível abertamente enquanto Mythos Preview requer acesso de usuários verificados.
O que são modelos de IA de peso aberto? Modelos de peso aberto distribuem seus parâmetros treinados publicamente, permitindo que usuários façam download e os executem localmente sem controles de acesso por API. Isso contrasta com modelos fechados acessados apenas através de APIs controladas, onde fornecedores podem monitorar uso e aplicar políticas de uso aceitável.
Por que Anthropic está preocupada com as capacidades do GLM-5.3? Anthropic avisa que GLM-5.3 combina performance de geração de exploits de nível fronteiriço com restrições mínimas de acesso. A distribuição de peso aberto impede que Z.ai monitore uso, revogue acesso ou impeça atores maliciosos de fazer fine-tuning do modelo para fins maliciosos.
Modelos de peso aberto podem ser regulados efetivamente? Regular modelos de peso aberto apresenta desafios significativos porque, uma vez lançados, os pesos podem ser baixados, copiados e implantados sem supervisão. Controles de exportação direcionados ao compute de treinamento não conseguem recuperar modelos já distribuídos, e estruturas de gerenciamento de risco projetadas para provedores de API perdem efetividade quando modelos rodam localmente em infraestrutura controlada pelo usuário.
Resumo final
A avaliação da Anthropic do GLM-5.3 quantifica uma preocupação de segurança que permaneceu largamente teórica em debates de política de IA: modelos disponíveis abertamente demonstrando performance de nível fronteiriço em tarefas cibernéticas ofensivas. A diferença de seis exploits entre GLM-5.3 e Claude Mythos Preview—taxas de sucesso de 12,2 por cento versus 13,7 por cento—sugere paridade em capacidade bruta enquanto realça diferenças acentuadas em distribuição e controle de acesso.
Para desenvolvedores e profissionais de segurança, os achados enfatizam a natureza de uso duplo de capacidades de codificação e análise de IA. As mesmas arquiteturas de modelo que aceleram pesquisa de segurança legítima também habilitam desenvolvimento de exploits adversariais. Conforme capacidade continua avançando, a diferença entre sistemas fronteiriços controlados e alternativas disponíveis abertamente parece estar se estreitando em domínios além raciocínio geral e codificação—se estendendo em tarefas especializadas sensíveis à segurança onde restrições de acesso historicamente forneceram um amortecedor contra uso indevido.
Fontes: www.scmp.com. Reportado em 30 de setembro de 2026.