O avanço dos modelos de inteligência artificial em tarefas de cibersegurança está criando um novo dilema para seus próprios desenvolvedores. A chinesa Z.ai decidiu adiar por cerca de duas semanas a liberação pública dos pesos do GLM-5.3, depois que avaliações mostraram um salto expressivo na capacidade do modelo de encontrar vulnerabilidades em software.
Segundo resultados divulgados pela empresa e reportados pela Reuters e Axios, o GLM-5.3 alcançou 84,5% no CyberGym, benchmark utilizado para avaliar a capacidade de sistemas de IA de identificar vulnerabilidades em código.
O desempenho colocou o modelo chinês próximo — e, nesse teste específico, ligeiramente acima — do Mythos 5, da Anthropic, que registrou 83,8%. A comparação chama atenção porque o GLM-5.3 está previsto para ter pesos abertos, enquanto modelos avançados concorrentes mantêm acesso mais restrito.
Z.ai optou por segurar os pesos do modelo
O GLM-5.3 foi apresentado em 14 de agosto, mas a Z.ai informou que os pesos serão disponibilizados apenas após aproximadamente duas semanas adicionais de avaliações e reforço das medidas de segurança.
A decisão evidencia um problema crescente para empresas que trabalham com modelos abertos: quanto mais capazes esses sistemas se tornam, maior é o potencial de uso tanto para defesa quanto para atividades ofensivas.
Com os pesos disponíveis, pesquisadores e desenvolvedores podem executar e adaptar o modelo em sua própria infraestrutura. Ao mesmo tempo, o laboratório que criou o sistema passa a ter menos capacidade de controlar como ele será utilizado.
É justamente essa combinação entre alta capacidade cibernética e distribuição aberta que torna o GLM-5.3 particularmente relevante.
O que significa o resultado de 84,5%
O CyberGym procura medir a capacidade de modelos de IA para analisar software e encontrar vulnerabilidades.
Nesse benchmark, o GLM-5.3 atingiu 84,5%, enquanto o Mythos 5 marcou 83,8%.
O resultado, entretanto, não significa que o modelo chinês seja superior em todas as etapas de uma operação de segurança ofensiva.
Quando a avaliação passou da descoberta da vulnerabilidade para a criação de exploits, a diferença mudou significativamente.
No ExploitBench, o GLM-5.3 registrou 54,4%, contra 78% do Mythos 5.
Portanto, os números sugerem que o sistema da Z.ai está especialmente avançado na identificação de falhas, mas ainda existe distância em relação a modelos mais avançados quando a tarefa exige transformar essas vulnerabilidades em métodos efetivos de exploração.
Essa distinção é importante para evitar uma interpretação exagerada dos benchmarks.
Capacidade cibernética avançou mais rápido que o esperado
Um dos aspectos mais interessantes do lançamento está na maneira como o GLM-5.3 foi desenvolvido.
A empresa afirma que utilizou o mesmo modelo-base do GLM-5.2. Os ganhos da nova versão vieram principalmente da ampliação do processo de pós-treinamento, etapa na qual um modelo já treinado é refinado para melhorar determinadas capacidades.
Segundo a Z.ai, durante esse processo as habilidades relacionadas à cibersegurança evoluíram mais rapidamente do que o esperado.
Além dos resultados em segurança, a companhia afirma ter obtido cerca de 50% de melhoria em tarefas complexas de programação e atividades de longa duração em seu benchmark interno.
Isso coloca o modelo dentro de uma tendência cada vez mais importante da indústria: extrair ganhos substanciais de modelos existentes por meio de pós-treinamento, sem necessariamente construir uma nova arquitetura-base do zero.
Modelos GLM já encontraram milhares de vulnerabilidades
O potencial defensivo dessas ferramentas também é significativo.
De acordo com informações da Z.ai citadas pela Axios, modelos da família GLM já ajudaram a encontrar mais de 2,4 mil vulnerabilidades de segurança, das quais mais de mil foram classificadas como críticas.
Esse tipo de aplicação pode transformar atividades tradicionalmente realizadas por equipes de segurança.
Ferramentas baseadas em IA podem analisar grandes bases de código, procurar padrões vulneráveis, priorizar problemas e auxiliar pesquisadores na investigação de possíveis falhas.
Para empresas, isso abre espaço para incorporar agentes de IA diretamente ao ciclo de desenvolvimento de software, buscando vulnerabilidades antes que aplicações cheguem aos ambientes de produção.
O problema do uso duplo da inteligência artificial
A mesma tecnologia capaz de ajudar uma empresa a encontrar uma vulnerabilidade também pode auxiliar um atacante.
Esse é o chamado problema de dual use, ou uso duplo.
Um modelo treinado para analisar código vulnerável pode auxiliar equipes de segurança na correção de sistemas, mas também pode reduzir o tempo necessário para criminosos identificarem pontos fracos em aplicações expostas.
Quanto mais autônomos esses sistemas se tornam, maior é a preocupação.
Um agente poderia, por exemplo, receber um repositório de código, procurar vulnerabilidades, testar hipóteses e executar várias etapas de análise com intervenção humana cada vez menor.
O resultado do GLM-5.3 não significa que o modelo consiga automaticamente comprometer qualquer sistema. Os próprios benchmarks mostram uma diferença importante entre encontrar uma vulnerabilidade e desenvolver um exploit funcional.
China avança na disputa pelos modelos abertos
O desempenho também adiciona um novo componente à competição tecnológica entre Estados Unidos e China.
Empresas americanas como OpenAI e Anthropic vêm adotando diferentes níveis de restrição para recursos considerados mais sensíveis, especialmente quando envolvem capacidades avançadas de cibersegurança.
A Z.ai segue uma estratégia diferente: pretende manter o GLM-5.3 dentro do ecossistema de modelos com pesos abertos, embora tenha optado por uma liberação gradual e por controles adicionais para determinadas capacidades.
O episódio mostra que a discussão sobre modelos abertos não envolve mais apenas programação, produtividade ou custos.
Agora também envolve segurança cibernética em nível avançado.
Um novo desafio para equipes de segurança
Para empresas brasileiras, o resultado não representa evidência de uma ameaça específica ou de ataques realizados com o GLM-5.3.
O desenvolvimento, porém, funciona como um sinal sobre o que pode chegar rapidamente ao mercado.
Modelos capazes de automatizar partes relevantes da pesquisa de vulnerabilidades tendem a beneficiar tanto equipes defensivas quanto pesquisadores independentes — mas também podem diminuir o custo técnico necessário para determinadas operações ofensivas.
A vantagem competitiva das equipes de segurança poderá depender cada vez mais da velocidade com que conseguem identificar, corrigir e gerenciar vulnerabilidades.
O GLM-5.3 mostra que essa transformação pode estar mais próxima do que parecia: modelos abertos já começam a alcançar sistemas proprietários avançados em algumas tarefas críticas de cibersegurança.
