ZAI发布GLM 5.3开源模型，通过构建浏览器版Windows 11演示其长程代理编程能力

ZAI发布GLM 5.3：挑战开源榜首

ZAI实验室发布了全新的开源模型 GLM 5.3，该模型被定位为当前的“绝对野兽”，在大多数场景下其性能表现甚至能够匹敌 Cloud Fable 以及最佳的 GPT 模型。这款前沿（Frontier）级别的开源大语言模型，其核心设计初衷并非简单的对话交互，而是专门针对 Agentic Coding（代理式编程） 和 长周期任务（Long Horizon Tasks） 进行了深度优化。这意味着用户只需设定一个宏观目标，模型便能自主进行多步骤推理、调用工具，并持续运行数小时甚至数天直至达成目标。

“For most instances, it even matches the performance of Cloud Fable and the best GPT model.”

目前，使用 GLM 5.3 的最佳途径是通过其官方提供的 Zcode 框架或类似的代理工具链。这一平台类似于 OpenAI 的 Codeex，允许用户让多个 AI Agent 同时在本地计算机上处理不同的项目。通过订阅账户并接入 Zcode，开发者可以直观地看到模型如何拆解复杂任务。GLM 5.3 的强大之处在于其自主性，它不仅能编写代码，还能自我验证和修复错误，这为复杂的软件工程任务提供了全新的自动化解决方案。

极限测试：20分钟构建浏览器版Windows 11

为了验证 GLM 5.3 的实际能力，测试者向其下达了一个极具挑战性的指令：创建一个浏览器友好的 Windows 11 复刻版，并包含 Microsoft Office、Microsoft Store、Photos、File Explorer、Media Player、Discord、Slack 和 Spotify 等应用，且要求这些程序必须真正可用并在普通浏览器中高效运行。测试者将模型的“思考层级”设为最高（Max），随后启动任务。

令人惊讶的是，整个生成过程仅耗时 22分钟。在这期间，模型展现了惊人的并行处理能力：它首先构建操作系统的核心组件（如虚拟文件系统、窗口管理器），随后将任务拆解给多个独立的 Agent。例如，一个 Agent 专门负责 Office 套件，另一个负责 Discord 和 Slack，还有分别处理资源管理器、画图工具和商店应用的 Agent。这种多智能体协作模式 极大地提升了开发效率，最终模型不仅生成了代码，还自动在浏览器中加载并截图验证功能。

“It even takes a screenshot to test everything out and it found several bugs by itself and it's automatically fixing each one.”

功能验证：Office套件与系统设置的真实表现

生成的 Windows 11 Web 版本在基础交互上表现出色。登录界面、夜间模式（Nightlight）、亮度调节以及壁纸更换等功能均能正常响应，甚至包括深色/浅色模式的切换。系统设置面板 的布局与真实 Windows 高度相似，证明了 UI/UX 还原度的高水平。在 Microsoft Office 套件的测试中，Word、Excel 和 PowerPoint 的集成情况如下：

在 Excel 测试中，模型成功实现了单元格值的动态联动。当用户将某个单元格的值从默认改为 300，甚至进一步激进地改为 2,000 时，依赖该单元格的公式结果立即重新计算并显示。更重要的是，退出应用后再次打开文件，所有更改均被正确保存。相比之下，PowerPoint 虽然提供了基本的演示界面，但缺乏复杂的编辑选项，这与之前测试 Opus 5.3 时遇到的类似缺陷一致，表明当前模型在处理复杂富文本编辑器的高级交互上仍有局限。

第三方应用与代理自主性：从画图到Slack模拟

除了 Office，GLM 5.3 还成功构建了多个第三方应用的 Web 界面。Microsoft Store 允许用户下载并运行诸如时钟、天气、计算器、画图（Paint）、便签（Sticky Notes）和井字棋等应用。其中，画图工具 功能完整：画笔大小、颜色选择以及形状绘制均能正常工作；便签应用 支持新建和编辑笔记。这些功能的实现证明了模型在生成前端交互逻辑上的稳定性。

“It's super impressive how it made all of this in just one prompt in a bit over 20 minutes.”

在通讯与娱乐应用方面，模型构建了类 Slack 和 Spotify 的界面。Slack 模拟了聊天窗口，用户发送消息后会有预设的自动回复（尽管这是预编程逻辑而非实时 LLM 推理，当询问“你是谁”时会出现随机回复）。Spotify 界面则能播放由合成器生成的基础音乐片段。尽管存在图标显示不精确等细微瑕疵，但模型在 20分钟内 从零构建出一个包含数十个功能模块的完整操作系统 Web 版，展示了其在 长程任务规划 和 多步骤代码生成 方面的卓越能力。这种自主调用工具、自我纠错并持续迭代的能力，标志着开源 AI 在代理式编程领域迈出了实质性的一步。

利用Blender MCP构建高精度V8引擎动画

视频首先展示了使用 GLM 5.3 模型配合 Blender MCP（Model Context Protocol）插件在本地环境中控制Blender进行复杂3D建模的过程。操作者通过连接本地端口，向AI代理发送指令以创建一个逼真的V8引擎动画模型。初始阶段，GLM 5.3逐步识别并构建了发动机的所有组件，并在Blender界面中完成了基础搭建。随后，模型进一步生成了相应的动画逻辑。

"I'm going to write using Blender MCP at this address, make a realistic animated V8 engine."

为了提升视觉效果，操作者输入了更细致的指令："Make sure it looks as detailed and realistic as possible. Make sure the components are in the right places." 尽管初期生成的模型存在螺栓和连杆悬浮等装配错误，但通过后续指令 "Make sure these parts are assembled properly within the engine instead of floating around it"，AI成功修正了结构问题。最终生成的V8引擎包含超过 100个独立组件，涵盖活塞、弹簧等精密部件。在实体着色（Solid Shading）、线框模式及正确光照渲染下，模型展现了极高的复杂度与真实感。整个建模过程仅通过三次提示词迭代完成，耗时约一小时。

挑战极限：开发具备物理交互的3D格斗游戏

第二个案例更具挑战性，要求AI创建一个包含两个特定角色（Asuna和Longhai）的3D格斗游戏。操作者提供了SketchFab上的模型链接，并指示AI从Mixamo网站搜索匹配的动作动画（如跑步、跳跃、攻击）。由于涉及登录验证，操作者引入了Playwright Chrome扩展让AI直接调用已登录的浏览器会话下载资产。

"You also need to add separate animations for each character, such as running, blocking, jumping, and attacking or slashing with their swords."

这一过程充满了调试与修正。AI初期在连接扩展、下载模型及映射动画时遭遇多次失败，导致角色不可见或武器分离。操作者进行了大量“手把手”式的反馈修正："I don't see Asuna at all, and Longhai is not holding his sword correctly." 经过反复迭代，AI最终正确映射了动作。随后，操作者要求优化视觉效果，明确指示 "Do not use bloom or any glow effects" 并将背景改为详细的古希腊竞技场风格，同时修正角色陷入地面的物理错误。最终成品允许用户控制Asuna进行攻击、躲避（Shift键）和跳跃，并包含命中反馈特效。尽管并非完美无缺，但这被证明是一个能够成功映射3D模型动画的合法格斗游戏。

资源消耗与AI选型策略建议

视频最后展示了两个任务的会话使用统计，并借此引出AI模型选型的痛点。由于不同任务对模型能力要求各异（如编码、推理、图像分析），错误的选择会导致大量时间浪费在试错上。为此，视频推荐了与HubSpot合作开发的AI模型速查表套件（Cheat Sheet Bundle）。

该套件包含两部分核心内容：一是 LLM选择速查表，用通俗语言解析顶级模型的优缺点及适用场景；二是 任务-模型决策矩阵，将10种常见AI任务（如编码、研究）映射到最佳匹配模型。建议用户采用两步法：首先通过决策矩阵锁定合适任务对应的模型类别，再结合速查表确认具体模型的强弱项。这种策略能帮助用户跳过猜测环节，直接定位最适合当前工作流的AI工具。

任务执行效率与资源消耗对比数据表

以下是视频中展示的两个主要AI生成任务的耗时及会话统计概览。由于视频未提供具体的Token消耗数值或API费用明细，仅展示了相对耗时与任务复杂度对比：

"Choosing the right AI model can be very confusing... picking the wrong one can waste a lot of time."

通过这两个案例可以看出，虽然GLM 5.3在处理高度复杂的创造性任务时表现出色，但仍需人类操作者进行持续的引导和纠错。对于希望提升效率的用户而言，理解模型边界并借助选型工具至关重要。

音乐创作：自主探索DAW并合成完整曲目

视频测试了模型在数字音频工作站（DAW）中的自主音乐创作能力。创作者输入指令，要求模型使用Waveform DAW中的虚拟乐器谱写一首欧陆舞曲（Europ song），并自行决定乐器选择、添加变奏及效果器。模型并未被告知DAW的具体位置，而是自主搜索并“黑客”式地潜入软件内部，解析其工作原理及乐器库。整个过程耗时约53分钟，虽然速度较慢，但最终完成了一首名为《Neon Skyline》的作品。该作品展现了模型对音乐结构的理解，包括编程打击乐节奏、添加上升音（risers）和冲击音效。模型还成功编排了多种合成器音色，如超锯齿波（super saw）和弦、主音合成器、琶音及环境铺底音色，并应用了扫频和撞击声效。在后期处理上，模型模拟了标准的母带处理流程，自动添加了均衡器、压缩器和限制器。创作者认为这一生成结果优于Opus 5的产出。

视频制作：自动化金融分析与动态图形生成

在第二个测试中，模型被要求分析腾讯、阿里巴巴和百度的最新财报，并制作一份包含动态图形动画（motion graphics）和语音旁白的专业演示视频。创作者未提供具体的制作步骤，仅指定了16:9比例、黑色背景及约一分钟的时长。模型自主调用了开源平台Hyperframes技能来创建动态图形，并自行分析财务数据、生成语音旁白（使用Gemini TTS）。整个流程耗时45分钟。由于Hyperframes存在默认全小写的缺陷，创作者要求模型修正大小写（如人名和AI首字母大写），模型随即重新渲染。最终视频标题为“三家中国科技巨头，三个截然不同的季度，一个相同的赌注”。旁白内容涵盖了各公司的关键财务指标对比：腾讯营收增长11%至2050亿元，广告和游戏分别增长22%和17%，利润增长9%但资本支出激增176%；阿里巴巴云收入增长38%，连续11个季度实现三位数AI增长，但运营利润下降84%；百度传统广告下滑22%，而AI云收入增长79%，非广告收入首次超过广告业务。视频结论指出，三家公司均在为AI基础设施投入数十亿美元，以牺牲今日利润换取明日算力。

GLM-5.3 深度研究能力与多模态识别极限测试

视频作者对 GLM-5.3 进行了深度研究能力的评估，展示了其生成包含脂质降低策略、抗炎策略评估及结论的完整报告过程。模型不仅生成了详细的文本内容，还自动创建了图表文件夹。Figure 1 至 Figure 4 依次展示了基础图示、对比试验结果等，尽管部分代码生成的图表较为简陋且准确性存疑，但整体研究深度令人印象深刻。作者认为其表现优于 Opus 5，但在深度研究的精细度上可能略逊于 GPT-5.6、Kim 3。在会话使用统计方面，数据显示该模型在处理复杂研究任务时资源消耗合理。

随后测试聚焦于多模态肿瘤识别。作者上传了一张包含六种不同类型脑肿瘤的脑部扫描图像，要求模型逐一识别。由于 GLM-5.3 原生缺乏视觉能力，它需要自主调用外部视觉分析工具。有趣的是，尽管指令为英文，模型最初以中文回复，经要求翻译后得出结果。测试结果显示其准确率极低：仅 1/6 正确。具体而言，左上角被误判为胶质母细胞瘤（实际非肿瘤），第二张漏诊，第三、五、六项均判断错误。这一成绩虽被作者称为“当前最先进水平”，因为 Kim K3 同样仅得一分，而 Opus 5 和 Fable 5 则全军覆没。这揭示了模型在复杂视觉推理与自主工具调用方面的局限性。

开源生态与安全扫描引擎的自动化部署

智谱（Zhipu）近期推出的GLM模型不仅具备强大的编码能力，还集成了一套针对开源项目的自动化安全扫描机制。用户只需在GitHub仓库页面粘贴链接，系统便会自动调用其“漏洞猎人引擎”（Vulnerability Hunter Engine），利用GLM对代码进行深度扫描以寻找潜在的安全缺陷。这一流程的核心优势在于隐私保护，所有漏洞细节均经过加密处理，仅在扫描完成后发送给已验证的项目所有者。这种设计类似于为开源项目提供的免费安全体检，尤其惠及那些无力承担专业安全审计的独立维护者或小团队。只有当项目所有者决定公开时，公众才能看到这些漏洞详情。

在实际应用中，该引擎已经对Hermes Agent、LangChain和Llama CPP等知名开源项目进行了扫描，并发现了大量漏洞。以Hermes为例，GLM成功识别出21个安全漏洞，其中包含多个严重级别（Critical）的问题。这种自动化的发现能力展示了模型在代码安全领域的敏锐度，同时也为开源社区提供了一种低成本、高效率的风险排查手段。

"The whole flow is designed so that the public never sees these vulnerability details unless the maintainers themselves choose to share them."

访问限制、开源时间表与模型架构规格

目前，使用GLM-5.3需要订阅智谱的Coding Plan（编程计划），该模型暂时无法通过API调用，也不支持在线聊天界面。用户只能通过Zcode或其他代码执行环境（Coding Harness）来体验这一功能。尽管存在访问限制，智谱已明确承诺将在模型发布两周后开源其权重文件。这一计划的前提是完成必要的安全评估和加固工作，确保模型在开放后的安全性。

从架构上看，GLM-5.3与之前的GLM-5.2版本本质相同，属于经过更严格后训练（Post-trained）的强化版。其基础参数规模为7440亿，采用混合专家（MoE）架构。在推理过程中，仅有约400亿参数处于激活状态，这种设计在保证性能的同时优化了计算效率。模型的全量权重文件体积为1.5TB，但智谱也发布了更小的FB8版本（756GB）。此外，第三方工具Unsloth提供了进一步压缩的GGUF格式，其中最小的Q1量化版本仅约217GB。这一极小的体积使得用户甚至可以在单块NVIDIA Jetson Orin（文中误读为DJ Spark，实指边缘计算设备）上运行该模型。

性能基准测试与竞品对比分析

在当前的基准测试结果中，GLM-5.3展现出极高的竞争力。视频作者将其整体智能水平和性能表现与Kimi K3进行了直接对比，认为两者在通用能力上非常接近。然而，在具体垂直领域存在显著差异：GLM-5.3在编码（Coding）和网络安全（Cyber Security）方面明显优于Kimi K3。相比之下，Kimi K3在视觉生成、3D建模以及深度研究（Deep Research）任务上略占上风。

需要注意的是，目前引用的基准分数主要基于早期测试数据。作者指出，待Artificial Analysis等独立排行榜正式收录GLM-5.3后，将更新更全面的性能对比数据。对于开发者而言，如果主要需求是代码辅助或安全审计，GLM-5.3是一个极具吸引力的选择；而若侧重于多模态创作或复杂信息检索，Kimi K3可能更为合适。这种差异化的优势分布表明，开源AI模型正在通过特定领域的深度优化来构建各自的护城河。

"Overall, I think its intelligence and performance are very similar to Kimik K3. Definitely in coding and cyber security, it's much better."