知乎 Frontier 拆解 GLM-5.3：基座未换，长程 Agent 基准上赢过更大的 DeepSeek-V4-Pro

知乎官方出海账号 8 月 21 日发布分析线程《GLM-5.3: When Better Sandboxes Matter More Than a Bigger Base Model》，转述知乎答主酱紫君对智谱 GLM-5.3 的解读：GLM-5.3 沿用了 GLM-5.2 的基座模型，官方宣称的提升全部来自扩展后训练；线程给出的对比数据显示，GLM-5.3 在 DeepSWE（66.9 对 62.7）、CyberGym（84.5 对 83.3）、Agents' Last Exam（28.5 对 25.7）三个长程 Agent 基准上，都超过了它口中"大得多"的 DeepSeek-V4-Pro-0813。线程还把智谱的 SAO（Self-Adaptive Optimization）机制解释为一种类似蒙特卡洛树搜索（MCTS）的反事实分支评估，并据此提出一个框架性判断：预训练扩展的是 token，Agent 后训练扩展的正在变成可执行环境，作者称之为"沙盒扩展定律"（Sandbox Scaling Law）。

这些内容属于二手分析。三组对比数字出自知乎答主酱紫君的答案，线程自称转述；"反事实分支"的解读与沙盒扩展定律的框架，在智谱官方技术报告和官方文档中没有对应表述。

基座没换，66.9 分的 DeepSWE 从哪来

酱紫君原本预期 GLM-5.3 会走向更新、更大的架构。线程转述称，智谱没有换基座，而是把资源集中在强化学习、更长的训练和更多样的环境上。这与智谱官方口径一致：8 月 14 日发布的开篇写道，GLM-5.3 使用与 GLM-5.2 相同的基座模型，"所有收益都来自后训练"（"every gain comes from post-training"）。给出的具体提升：内部基准 Z.ai Code Bench 较 GLM-5.2 提升 50%，Terminal-Bench 3.0 从 4.6 涨到 28.3，DeepSWE v1.1 从 46.2 涨到 66.9，Agents' Last Exam 从 23.8 涨到 28.5。

线程重点转述的三组对比值，同样出现在智谱官方技术报告的完整基准表里：表中 DeepSeek-V4 Pro-0813 一栏的 DeepSWE v1.1 为 62.7，CyberGym 为 83.3，Agents' Last Exam（ALE-CLI）为 25.7。答主引用的数字能在官方自评表里查到出处；"参数扩展仍然重要，后训练或许能弥合那些曾经被认为必须靠更大模型才能拉开的差距"这个结论则是答主自己的判断，线程用 provocative（挑衅性）来形容它。官方完整表中双方并非全面领先：NL2Repo（58.0 对 61.1）和 Toolathlon Verified（73.0 对 74.1）两项，DeepSeek-V4 Pro-0813 反而更高。线程文末附上了。

78 步正确探索，第 79 步一个笔误就归零

线程先用一个具体场景说明长程 RL 的问题在哪：一个 DeepSWE 或 CyberGym 任务可能需要 30 到 80 轮交互；模型可以花 78 步正确地在仓库里探索、定位 bug、理解架构，第 79 步敲错一个字符，最终测试失败，环境返回的奖励是零。按线程的说法，传统 PPO 或 GRPO 会把整条轨迹都惩罚掉，有价值的调查和正确的中途决策被当作失败的一部分；久而久之模型会变得保守，回避困难探索、消耗更多 token、难以从长任务里学到东西。

SAO 的两种讲法：论文定义与类 MCTS 解读

线程给出的解法是 SAO。它的描述是：系统可以保存一个中间状态，从那里采样替代续写（alternative continuations）；如果从第 78 步出发的许多条续写都成功，那么这一步大概是有用的，哪怕原始轨迹后来失败了。SAO 因此能保护早期有价值的动作免受负梯度，把惩罚集中在轨迹真正出错的地方，形成一种不需要人工为长软件工程过程逐动作打分的局部信用分配。线程自己把这种思路标注为"类似蒙特卡洛树搜索"（an idea resembling Monte Carlo Tree Search）。

这是答主的解释框架，不是智谱官方或论文的口径。SAO 论文《Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning》（，2026 年 7 月 8 日）对 SAO 的定义是"单 rollout 异步优化"：用单条 rollout 采样替代 GRPO 的组内采样，配合 value model 训练和严格的双侧 token 级裁剪，解决异步 RL 的 off-policy 与稳定性问题；论文称该方案已部署在 GLM-5.2（750B-A40B）的 Agent RL 管线中。线程发布前一天，Z.ai 的 Zixuan Li 在，口径相同：SAO 稳定训练 1000 步，在 agentic coding 与推理基准上持续超过 GRPO 变体。Zhihu Frontier 自己在时，讲的也是"单 rollout 异步优化 + token 级裁剪 + Skip-Observation GAE"。对照下来，"反事实分支评估"是酱紫君对同一机制给出的新解读；连缩写展开都不一样，论文和 Zixuan Li 用 Single-Rollout Asynchronous Optimization，线程则写作 Self-Adaptive Optimization。在官方技术报告和文档中，SAO 只被放在"GLM-5.2 引入的强化学习策略"框架下描述，没有反事实分支评估的表述。

反事实分支很贵，沙盒成为新的扩展资源

线程指出，反事实评估的成本很高：每一个中间分支都可能需要另一个可执行环境、仓库状态、测试套件和一次 rollout。这正是答主把 GLM-5.3 称为"沙盒扩展定律"演示的原因。智谱同时扩大了长程环境的数量与多样性，其开源框架 slime 把三类负载异步拆开：模型生成与 rollout、沙盒执行与验证、参数更新。组件之间不必互相等待，GPU 可以继续生成和训练，较慢的环境还在跑测试。

官方博客对 slime 的描述与此吻合：它是面向 RL 扩展的开源后训练框架，训练侧用 Megatron、rollout 侧用 SGLang，训练、rollout 与数据缓冲放在同一条 dataflow 上，沙盒、验证器、长程环境作为数据生成接入，无需改动训练循环；针对长程 coding RL 的系统优化把端到端训练吞吐提升了 2.3 倍以上。官方博客还交代了环境质量的控制流程：研究智能体从真实工作收集任务模式并转成可运行的长程环境，评审智能体（judge agent）实际试做每项任务以确认可解；验证器在看不到参考解法的情况下生成，求解轨迹被用来发现并堵住奖励捷径，只有通过 oracle、空操作与未解决状态检查的验证器，其二元奖励才用于训练。官方同时承认，这些流水线目前仍需要较多人工参与，环境生成与验证的自主化是下一阶段的重点。

从孤立漏洞到多阶段利用链，网络安全为什么跟着涨

线程的第五个观察是编码与网络安全在同步变强：智谱在后训练中加入了漏洞发现数据与环境，模型不只是更擅长找出孤立缺陷，而是开始把它们串成连贯的多阶段利用计划。线程给出的解释是两者共享底层技能：理解陌生仓库、追踪隐藏状态、使用工具、提出假设并用可执行反馈修正，一个足够丰富的沙盒能通过后果教会模型所有这些。

官方数字支撑了这一趋势：CyberGym 上 GLM-5.3 得 84.5%，高于 GLM-5.2 的 77.2%，官方称是该基准当前最佳，超过 Mythos 5（83.8%）与 GPT-5.6 Sol（83.6%）；ExploitBench 上 54.4% 对 24.4%，翻了一倍多；ExploitGym 两小时完成 105 项、六小时 130 项任务，GLM-5.2 分别是 29 和 39 项。把模型放到真实代码库上，经专家复核、筛选与去重后，共在 269 个项目中找到 2,436 个漏洞，其中 1,097 个为中高危。

线程最后引用了 AlphaZero 的类比：一旦环境与验证器足够可靠，模型可能越来越多地通过类似自我对弈的探索直接发现策略，而不是从人类轨迹起步。线程自己标注，"这仍是预测，不是已被证明的结果"（"This remains a prediction, not a demonstrated result"）。它由此给出的远期判断是：未来 AI 生成的代码可能不只因为数量多而难以审查，其底层工程策略对人类开发者会越来越陌生。

第一轮反驳：沙盒多不等于失败模式多

线程发布后，评论区已经出现针对"沙盒扩展定律"的具体反驳。账号 TeqVolt 在里写道：沙盒扩展只有在环境带来新信号时才有回报，"一千份相同仓库的副本只是在重新训练同一种分布"（"A thousand copies of the same repo just re-trains one distribution"），关键数字不是跑多少个沙盒，而是它们能产生多少种不同的失败模式。另一位用户对 SAO 一节反应强烈，称"一条大部分正确却仍被当作单个失败样本处理的长轨迹，这种世界必须被摧毁"。截至 8 月 21 日 12:31（UTC）抓取时，这条线程累计约 1,560 次浏览、31 个赞、12 次收藏，互动并不算多。

落到事实层面：三组对比数字能在智谱官方自评基准表里查到出处，但"反事实分支评估"的 SAO 解读与沙盒扩展定律的框架，在官方技术报告和文档里都没有对应表述，线程中也没有任何第三方复现的信息。目前能对照的，是论文给出的定义：单 rollout 异步优化。