{"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\/pt\/antorix-glm-5-3-hacking-capability-warning\/","title":{"rendered":"Anthropic: GLM-5.3 Corresponde a IA de Elite em Hacking, Sem Salvaguardas"},"content":{"rendered":"<p>A empresa de intelig\u00eancia artificial americana Anthropic emitiu um aviso sobre a <strong>capacidade de hacking do GLM-5.3<\/strong>, informando que o modelo de peso aberto chin\u00eas da Z.ai demonstra performance de exploit cibern\u00e9tico rivalizando os sistemas fronteiri\u00e7os mais restritos da empresa\u2014mas \u00e9 implantado com salvaguardas significativamente mais fracas contra uso malicioso.<\/p>\n<div class=\"convly-tldr\">\n<h3>Principais conclus\u00f5es<\/h3>\n<ul>\n<li>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<\/li>\n<li>O modelo Claude Mythos Preview da Anthropic requer acesso de usu\u00e1rios verificados, enquanto GLM-5.3 est\u00e1 dispon\u00edvel abertamente como lan\u00e7amento de peso aberto<\/li>\n<li>A empresa sediada em San Francisco avisa sobre maior potencial para atores maliciosos cooptarem GLM-5.3 devido a restri\u00e7\u00f5es de seguran\u00e7a mais fracas<\/li>\n<li>Z.ai \u00e9 uma empresa de IA chinesa que lan\u00e7ou GLM-5.3 como modelo de peso aberto acess\u00edvel sem controles de acesso<\/li>\n<li>Anthropic publicou sua avalia\u00e7\u00e3o de capacidade cibern\u00e9tica em um relat\u00f3rio lan\u00e7ado em 30 de setembro 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-6abd4d1652893\" 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-6abd4d1652893\"  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\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\" >Testes da Anthropic Revelam Quase Paridade em Taxas de Sucesso de Exploits<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Open-Weight_Distribution_Amplifies_Security_Concerns\" >Distribui\u00e7\u00e3o de Peso Aberto Amplifica Preocupa\u00e7\u00f5es de Seguran\u00e7a<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Comparative_Performance_GLM-53_and_Frontier_Models\" >Performance Comparativa: GLM-5.3 e Modelos Fronteiri\u00e7os<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Zai_and_the_GLM_Model_Family\" >Z.ai e a Fam\u00edlia de Modelos GLM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Implications_for_AI-Powered_Offensive_Security\" >Implica\u00e7\u00f5es para Seguran\u00e7a Ofensiva Alimentada por IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Regulatory_and_Policy_Dimensions\" >Dimens\u00f5es Regulat\u00f3rias e de Pol\u00edtica<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#Frequently_asked_questions\" >Perguntas frequentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/pt\/antorix-glm-5-3-hacking-capability-warning\/#The_bottom_line\" >Resumo final<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Anthropic_Testing_Reveals_Near-Parity_in_Exploit_Success_Rates\"><\/span>Testes da Anthropic Revelam Quase Paridade em Taxas de Sucesso de Exploits<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Em um <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\">relat\u00f3rio lan\u00e7ado na ter\u00e7a-feira<\/a>, Anthropic detalhou seus testes da capacidade do GLM-5.3 de construir exploits cibern\u00e9ticos de ponta a ponta. O modelo chin\u00eas completou 50 de 410 tentativas de exploit\u2014uma taxa de sucesso de 12,2 por cento\u2014comparado a 56 exploits bem-sucedidos para Claude Mythos Preview, modelo fronteiri\u00e7o da Anthropic restrito apenas a usu\u00e1rios verificados.<\/p>\n<p>A diferen\u00e7a estreita de seis exploits entre um modelo dispon\u00edvel abertamente e um sistema fronteiri\u00e7o altamente controlado representa o que Anthropic caracteriza como um desenvolvimento preocupante em amea\u00e7as cibern\u00e9ticas alimentadas por IA. De acordo com o South China Morning Post, a preocupa\u00e7\u00e3o n\u00e3o se centra apenas na capacidade bruta, mas na combina\u00e7\u00e3o de gera\u00e7\u00e3o avan\u00e7ada de exploits com controles de acesso m\u00ednimos.<\/p>\n<p>Claude Mythos Preview, que registrou 56 exploits bem-sucedidos na mesma bateria de testes, opera sob requisitos rigorosos de verifica\u00e7\u00e3o que limitam acesso a pesquisadores de seguran\u00e7a aprovados e pessoal autorizado. GLM-5.3, em contraste, \u00e9 distribu\u00eddo como modelo de peso aberto sem restri\u00e7\u00f5es compar\u00e1veis.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Open-Weight_Distribution_Amplifies_Security_Concerns\"><\/span>Distribui\u00e7\u00e3o de Peso Aberto Amplifica Preocupa\u00e7\u00f5es de Seguran\u00e7a<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A natureza de peso aberto do GLM-5.3 est\u00e1 no centro do aviso da Anthropic. Diferentemente de modelos fechados baseados em API <a href=\"https:\/\/convly.ai\/pt\/models\/\">modelos de IA<\/a> que permitem fornecedores monitorarem uso e aplicarem pol\u00edticas de uso aceit\u00e1vel, lan\u00e7amentos de peso aberto permitem implanta\u00e7\u00e3o local irrestrita e modifica\u00e7\u00e3o. Usu\u00e1rios podem fazer download dos pesos do modelo, executar infer\u00eancia em seu pr\u00f3prio hardware e contornar quaisquer mecanismos de seguran\u00e7a constru\u00eddos no lan\u00e7amento original.<\/p>\n<p>Esse modelo de distribui\u00e7\u00e3o cria o que Anthropic descreve como \u00absalvaguardas muito mais fracas\u00bb comparado a sistemas fronteiri\u00e7os. Enquanto o acesso controlado do Claude Mythos Preview permite que Anthropic revogue credenciais e audite uso, os pesos do GLM-5.3\u2014uma vez baixados\u2014permanecem fora do controle de Z.ai. Atores maliciosos podem fazer fine-tuning do modelo, remover filtros de seguran\u00e7a ou implant\u00e1-lo em contextos adversariais sem supervis\u00e3o.<\/p>\n<p>O <a href=\"https:\/\/convly.ai\/pt\/open-vs-closed-ai-cost-gap-2026\/\">debate de IA aberta versus fechada<\/a> historicamente centrou-se em democratiza\u00e7\u00e3o de acesso e reprodutibilidade de pesquisa. A avalia\u00e7\u00e3o da Anthropic introduz capacidade cibern\u00e9tica como uma dimens\u00e3o onde distribui\u00e7\u00e3o aberta pode carregar externalidades de seguran\u00e7a distintas, particularmente quando modelos se aproximam de performance fronteiri\u00e7a em tarefas ofensivas.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Comparative_Performance_GLM-53_and_Frontier_Models\"><\/span>Performance Comparativa: GLM-5.3 e Modelos Fronteiri\u00e7os<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A estrutura de testes da Anthropic avaliou constru\u00e7\u00e3o de exploit de ponta a ponta\u2014um fluxo de trabalho exigindo que modelos identifiquem vulnerabilidades, gerem c\u00f3digo de exploit funcional e encadeiem m\u00faltiplas etapas em sequ\u00eancias de ataque funcionais. A bateria de testes de 410 tentativas provavelmente cobriu classes de vulnerabilidade diversas, alvos de software e n\u00edveis de complexidade de exploit.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modelo<\/th>\n<th>Desenvolvedor<\/th>\n<th>Exploits Bem-sucedidos<\/th>\n<th>Taxa de Sucesso<\/th>\n<th>Controle de Acesso<\/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 aberto<\/td>\n<\/tr>\n<tr>\n<td>Claude Mythos Preview<\/td>\n<td>Anthropic (EUA)<\/td>\n<td>56 \/ 410<\/td>\n<td>13.7%<\/td>\n<td>Apenas usu\u00e1rios verificados<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>A diferen\u00e7a de 1,5 pontos percentuais sugere que GLM-5.3 opera em aproximadamente 89 por cento da efetividade do Claude Mythos Preview neste benchmark espec\u00edfico. Para contexto, Anthropic posiciona Claude Mythos Preview como modelo fronteiri\u00e7o\u2014entre os sistemas mais capazes globalmente\u2014tornando a performance do GLM-5.3 particularmente not\u00e1vel dada sua distribui\u00e7\u00e3o aberta.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Zai_and_the_GLM_Model_Family\"><\/span>Z.ai e a Fam\u00edlia de Modelos GLM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Z.ai, a empresa chinesa por tr\u00e1s do GLM-5.3, n\u00e3o foi amplamente coberta em reportagens da ind\u00fastria de IA ocidental anterior a esta avalia\u00e7\u00e3o de seguran\u00e7a. A designa\u00e7\u00e3o GLM sugere conex\u00e3o com a s\u00e9rie GLM da Zhipu AI, que inclui <a href=\"https:\/\/convly.ai\/pt\/model\/glm-5-2\/\">GLM-5.2<\/a>, um modelo de contexto de 1 milh\u00e3o de tokens precificado em $1,40 entrada e $4,40 sa\u00edda por milh\u00e3o de tokens.<\/p>\n<p>Se GLM-5.3 representa lan\u00e7amento sucessor na mesma linhagem, o incremento de vers\u00e3o pode sinalizar melhorias de capacidade al\u00e9m das melhorias de contexto e racioc\u00ednio t\u00edpicas de atualiza\u00e7\u00f5es de modelo. Os testes da Anthropic indicam que essas melhorias se estendem a opera\u00e7\u00f5es cibern\u00e9ticas\u2014um dom\u00ednio onde desenvolvedores de modelo tipicamente implementam filtragem de seguran\u00e7a agressiva durante treinamento e guardrails de p\u00f3s-implanta\u00e7\u00e3o.<\/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>Implica\u00e7\u00f5es para Seguran\u00e7a Ofensiva Alimentada por IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O aviso da Anthropic chega enquanto pesquisa de vulnerabilidades assistida por IA e desenvolvimento de exploits fazem transi\u00e7\u00e3o de ferramentas experimentais para fluxos de trabalho pr\u00e1ticos. Pesquisadores de seguran\u00e7a demonstraram capacidade de modelos de linguagem de analisar c\u00f3digo para bugs, gerar exploits de prova de conceito e automatizar reconhecimento\u2014capacidades que aceleram tanto trabalho de seguran\u00e7a defensiva quanto atividade maliciosa.<\/p>\n<p>A taxa de sucesso de 12,2 por cento que GLM-5.3 alcan\u00e7ou na bateria de testes da Anthropic indica que essas capacidades amadureceram al\u00e9m demonstra\u00e7\u00f5es de prova de conceito. Um modelo completando 50 exploits de ponta a ponta atrav\u00e9s de um benchmark de 410 tentativas sugere performance confi\u00e1vel em classes de vulnerabilidade do mundo real, n\u00e3o meramente exemplos brinquedo ou CVEs bem documentados.<\/p>\n<p>Para equipes de seguran\u00e7a ofensiva, red-teamers e testadores de penetra\u00e7\u00e3o, tais capacidades prometem ganhos de produtividade em engajamentos autorizados. Para atores de amea\u00e7a, as mesmas capacidades baixam barreiras ao desenvolvimento de exploits\u2014particularmente para advers\u00e1rios com fortes habilidades de engenharia de software mas experi\u00eancia limitada em pesquisa de vulnerabilidade.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Regulatory_and_Policy_Dimensions\"><\/span>Dimens\u00f5es Regulat\u00f3rias e de Pol\u00edtica<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>O estudo de caso GLM-5.3 real\u00e7a tens\u00f5es em estruturas emergentes de governan\u00e7a de IA. Os Estados Unidos avan\u00e7aram em dire\u00e7\u00e3o a controles de exporta\u00e7\u00e3o e restri\u00e7\u00f5es de compute direcionados ao desenvolvimento avan\u00e7ado de IA na China, premissado em preocupa\u00e7\u00f5es de seguran\u00e7a nacional em torno de capacidades de uso duplo. A Lei de IA da Uni\u00e3o Europeia imp\u00f5e requisitos de transpar\u00eancia e gerenciamento de risco em sistemas de alto risco, embora execu\u00e7\u00e3o permane\u00e7a incipiente.<\/p>\n<p>Modelos de peso aberto complicam ambas abordagens. Controles de exporta\u00e7\u00e3o direcionados ao compute de treinamento ou acesso a chips n\u00e3o conseguem prevenir distribui\u00e7\u00e3o de pesos j\u00e1 treinados. Estruturas de gerenciamento de risco projetadas para provedores de API perdem efetividade quando modelos se implantam localmente. A capacidade cibern\u00e9tica ofensiva do GLM-5.3\u2014demonstrada pelos testes de uma empresa americana por\u00e9m fora de controle direto de qualquer jurisdi\u00e7\u00e3o\u2014exemplifica o desafio de governan\u00e7a posto por lan\u00e7amentos de peso aberto capazes.<\/p>\n<p>A decis\u00e3o da Anthropic de publicar resultados de testes comparativos, em vez de silenciosamente restringir avalia\u00e7\u00f5es internas, sinaliza inten\u00e7\u00e3o de informar discuss\u00f5es de pol\u00edtica com dados de capacidade emp\u00edricos. Se reguladores traduzem tais avisos em pol\u00edtica acion\u00e1vel permanece incerto, particularmente dada a natureza distribu\u00edda de implanta\u00e7\u00e3o de modelo de peso aberto e a dificuldade de atribuir danos posteriores a decis\u00f5es de lan\u00e7amento anteriores.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>O que \u00e9 GLM-5.3 e quem o desenvolveu?<\/strong> GLM-5.3 \u00e9 um modelo de IA de peso aberto desenvolvido pela Z.ai, uma empresa chinesa de intelig\u00eancia artificial. O modelo demonstrou capacidades avan\u00e7adas na gera\u00e7\u00e3o de exploits cibern\u00e9ticos, de acordo com testes conduzidos pela Anthropic, sediada nos EUA.<\/p>\n<p><strong>Como GLM-5.3 se compara ao Claude Mythos Preview da Anthropic?<\/strong> 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 cibern\u00e9ticas quase equivalentes, mas GLM-5.3 est\u00e1 dispon\u00edvel abertamente enquanto Mythos Preview requer acesso de usu\u00e1rios verificados.<\/p>\n<p><strong>O que s\u00e3o modelos de IA de peso aberto?<\/strong> Modelos de peso aberto distribuem seus par\u00e2metros treinados publicamente, permitindo que usu\u00e1rios fa\u00e7am download e os executem localmente sem controles de acesso por API. Isso contrasta com modelos fechados acessados apenas atrav\u00e9s de APIs controladas, onde fornecedores podem monitorar uso e aplicar pol\u00edticas de uso aceit\u00e1vel.<\/p>\n<p><strong>Por que Anthropic est\u00e1 preocupada com as capacidades do GLM-5.3?<\/strong> Anthropic avisa que GLM-5.3 combina performance de gera\u00e7\u00e3o de exploits de n\u00edvel fronteiri\u00e7o com restri\u00e7\u00f5es m\u00ednimas de acesso. A distribui\u00e7\u00e3o de peso aberto impede que Z.ai monitore uso, revogue acesso ou impe\u00e7a atores maliciosos de fazer fine-tuning do modelo para fins maliciosos.<\/p>\n<p><strong>Modelos de peso aberto podem ser regulados efetivamente?<\/strong> Regular modelos de peso aberto apresenta desafios significativos porque, uma vez lan\u00e7ados, os pesos podem ser baixados, copiados e implantados sem supervis\u00e3o. Controles de exporta\u00e7\u00e3o direcionados ao compute de treinamento n\u00e3o conseguem recuperar modelos j\u00e1 distribu\u00eddos, e estruturas de gerenciamento de risco projetadas para provedores de API perdem efetividade quando modelos rodam localmente em infraestrutura controlada pelo usu\u00e1rio.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>Resumo final<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A avalia\u00e7\u00e3o da Anthropic do GLM-5.3 quantifica uma preocupa\u00e7\u00e3o de seguran\u00e7a que permaneceu largamente te\u00f3rica em debates de pol\u00edtica de IA: modelos dispon\u00edveis abertamente demonstrando performance de n\u00edvel fronteiri\u00e7o em tarefas cibern\u00e9ticas ofensivas. A diferen\u00e7a de seis exploits entre GLM-5.3 e Claude Mythos Preview\u2014taxas de sucesso de 12,2 por cento versus 13,7 por cento\u2014sugere paridade em capacidade bruta enquanto real\u00e7a diferen\u00e7as acentuadas em distribui\u00e7\u00e3o e controle de acesso.<\/p>\n<p>Para desenvolvedores e profissionais de seguran\u00e7a, os achados enfatizam a natureza de uso duplo de capacidades de codifica\u00e7\u00e3o e an\u00e1lise de IA. As mesmas arquiteturas de modelo que aceleram pesquisa de seguran\u00e7a leg\u00edtima tamb\u00e9m habilitam desenvolvimento de exploits adversariais. Conforme capacidade continua avan\u00e7ando, a diferen\u00e7a entre sistemas fronteiri\u00e7os controlados e alternativas dispon\u00edveis abertamente parece estar se estreitando em dom\u00ednios al\u00e9m racioc\u00ednio geral e codifica\u00e7\u00e3o\u2014se estendendo em tarefas especializadas sens\u00edveis \u00e0 seguran\u00e7a onde restri\u00e7\u00f5es de acesso historicamente forneceram um amortecedor contra uso indevido.<\/p>\n<p><em>Fontes: www.scmp.com. Reportado em 30 de setembro 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\/pt\/wp-json\/wp\/v2\/posts\/2849","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=2849"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/2849\/revisions"}],"predecessor-version":[{"id":2851,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/2849\/revisions\/2851"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/2850"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=2849"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=2849"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=2849"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}