Anthropic: защиту GLM-5.3 обходили в 64–100% тестов

Открытую GLM-5.3 не стоит считать безопасной для агентных сценариев только потому, что у модели есть встроенные отказы. По данным исследования Anthropic, в их симуляциях разные техники джейлбрейка заставляли модель отвечать на вредоносные запросы в 64–100% случаев.

Отдельно Anthropic сравнила модель с Claude Mythos Preview на ExploitBench: GLM-5.3 собрала сквозные эксплойты в 50 из 410 попыток против 56 из 410 у Claude. Это не означает, что каждая такая цепочка сработала бы в реальной атаке: авторы уточняют, что в симуляции код не исполнялся.

Практический вывод для команд, которые подключают GLM-5.3 к инструментам и рантайму: держать модель в песочнице, выдавать минимум прав, закрывать сеть по умолчанию и не запускать сгенерированный код без отдельной проверки. Для open-weights моделей встроенные отказы сами по себе слабая граница защиты.