O projeto llama.cpp adicionou suporte inicial para a arquitetura do modelo GLM-5.3-Flash (GLM5-Next), incluindo migração para memória de índice híbrido e capacidades iniciais de Multi-Token Prediction (MTP).
O Frontier Red Team da Anthropic avaliou o modelo chinês GLM-5.3 em 100 tarefas de um benchmark interno de Binary Exploitation e descobriu que ele é capaz de desenvolver sequestros completos de fluxo de controle em 4% dos ensaios.
A Anthropic publicou um artigo de pesquisa intitulado "GLM-5.3 e a Disseminação de Capacidades Cibernéticas Avançadas", que examina como modelos de código aberto como o GLM-5 são utilizados em atividades cibernéticas maliciosas. O artigo destaca que esses modelos foram amplamente adotados por atores de ameaças, servindo efetivamente como uma propaganda de suas capacidades dentro da comunidade de segurança. Esta análise ressalta a crescente preocupação quanto à natureza de uso duplo dos modelos avançados de IA e seu potencial para amplificar as ameaças cibernéticas.
A Anthropic publicou um artigo de pesquisa examinando o GLM-5.3 e seu papel na disseminação de capacidades cibernéticas avançadas.
Um estudo intitulado "Epistemic Policy Divergence in Multi-Turn LLM Contamination: A Protocol-Gradient Investigation" avalia como grandes modelos de linguagem lidam com premissas falsas injetadas no histórico da conversa, um modo de falha denominado contaminação em nível de sessão. Os pesquisadores testaram GPT-5.4 Mini, Gemini-3.1 Flash-Lite e GLM-4.5-Air em dez domínios de conhecimento usando 22.500 turnos com temperatura zero.
Pesquisadores apresentam o TelecomGPT-R1, uma família de modelos de raciocínio unificados de telecomunicações de código aberto, projetados para automatizar tarefas de engenharia por meio do raciocínio sobre padrões, configurações e logs. O modelo aborda as limitações dos LLMs generalistas e especializados existentes por meio de uma abordagem estruturada que abrange os eixos de protocolo, conhecimento, modelagem e falhas.
Os autores apresentam o Fathom-Vaidya, um modelo de 30B parâmetros que utiliza dados sintéticos e aprendizado por reforço baseado em rubricas para aprimorar o raciocínio diagnóstico e clínico na saúde. A estrutura de treinamento primeiro aplica RL guiado por regras a perguntas derivadas do MedBullets para diagnóstico, depois utiliza 5.3k cenários sintéticos multi-turno com rubricas multidimensionais para tarefas clínicas interativas.
O aplicativo oficial de codificação com IA da Zhipu, ZCode, foi encontrado empacotando e fazendo upload dos espaços de trabalho completos dos usuários quando estão logados. Esse processo inclui criptografar os dados e enviá-los diretamente para o Aliyun OSS.
A equipe do GLM publicou um artigo no blog da z.ai detalhando a arquitetura e o design de sua infraestrutura de inferência.
Um estudo avalia seis modelos de linguagem de fronteira em uma tarefa de comunicação entre dois agentes, na qual um questionador identifica um alvo a partir de N parágrafos da Wikipedia usando exatamente log2(N) perguntas sim/não. O experimento realizou 408 jogos em conjuntos de documentos de 4 a 1024 parágrafos, revelando disparidades significativas de desempenho entre os modelos testados.
Charlie O'Neill da Base-10 discute por que os modelos Kimi e GLM são "quase objetivamente" superiores ao Opus 5 em um episódio recente com Dwarkesh Patel.
O InternLM apresentou o Intern-S2-397B, um modelo de base multimodal com 397 bilhões de parâmetros, projetado para inteligência científica e agentes de longo alcance. O modelo escala em pré-treinamento, cobertura de tarefas de reforço-aprendizado e ambientes de agentes interativos para aprimorar o raciocínio geral e as capacidades agênticas.
Pesquisadores demonstram que a ablação direcional, um ataque white-box que remove a recusa ao projetar para fora uma única direção dos pesos, permanece eficaz em modelos frontier mixture-of-experts (MoE) como o GLM-5.3-Flash. O estudo mostra que, embora o ataque sobreviva à arquitetura, seus efeitos são distribuídos entre os escritores de atenção, densos e de especialistas roteados, em vez de concentrados em um único local.