Z.ai انتشار وزن‌های GLM-5.3 را به‌دلیل خطرات امنیتی متوقف کرد

اگر امروز به دنبال مدل‌های بازمتن برای تحلیل امنیت هستید، باید بدانید که یکی از پیشروترین ابزارها پیش از رسیدن به دست شما، متوقف شده است. شرکت Z.ai در ۱۴ اوت ۲۰۲۶ مدل GLM-5.3 را عرضه کرد، اما برخلاف نسخه‌های پیشین، انتشار وزن‌های باز (Open Weights) آن را تا پایان بررسی‌های ایمنی به تعویق انداخت.

این تصمیم یک چرخش استراتژیک برای Z.ai است؛ شرکتی که پیش‌تر مدل GLM-5.2 را با مجوز MIT و پنجره زمینه (Context Window) یک میلیون توکنی بدون هیچ محدودیتی منتشر کرده بود. طبق اعلام این شرکت، GLM-5.3 قابلیت‌های امنیت تهاجمی را با سرعتی پیش‌بینی‌نشده توسعه داده و اکنون به یک دوره «سخت‌سازی» (Hardening) نیاز دارد تا از سوءاستفاده‌های احتمالی جلوگیری شود. این جهش در توانمندی‌ها نتیجه‌ی مقیاس‌پذیری پس‌آموزش در GLM-5.3 است که توانایی زنجیره‌سازی اکسپلویت‌های سایبری را به شکلی غیرمنتظره افزایش داده است.

GLM-5.3 متن‌باز است — اما Z.ai وزن‌ها را نگه داشته؛ و دلیلش خود داستان است.

به گزارش وب‌سایت dev.to، انتظار می‌رود در صورت موفقیت‌آمیز بودن بررسی‌های ایمنی، وزن‌های مدل در تاریخ ۲۸ اوت ۲۰۲۶ منتشر شوند. در حال حاضر این مدل تنها از طریق اشتراک و API در دسترس است و دکمه دانلود آن با عبارت «به‌زودی» علامت‌گذاری شده است.

استاندارد جدید: مدل‌های عامل‌محور

مدل GLM-5.3 صرفاً یک چت‌بات نیست، بلکه برای کدنویسی پیچیده، وظایف طولانی‌مدت عامل‌محور (Agentic) و تحلیل‌های امنیت سایبری مهندسی شده است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی تکامل مدل‌های استدلالی اشاره کردیم، ترند سال ۲۰۲۶ صنعت AI، بهینه‌سازی برای «حلقه عامل» (Agent Loop) است؛ یعنی چرخه فراخوانی ابزار، تلاش مجدد و برنامه‌ریزی چندمرحله‌ای، به جای تمرکز بر بنچمارک‌های اطلاعات عمومی. در همین راستا، بهبود استدلال به کلید اصلی Zhipu AI برای یافتن هزاران آسیب‌پذیری نرم‌افزاری قدیمی تبدیل شده است.

دیگر هیچ آزمایشگاهی درباره تعداد پارامترهاe لاف نمی‌زند. بازار تغییر کرده است زیرا خریداران با بودجه‌های واقعی، به دنبال ساخت عامل‌های خودکار هستند. در نتیجه، مدل‌ها به‌جای تبدیل شدن به هم‌صحبت‌های خوش‌سخن، به عامل‌های کارآمد تبدیل می‌شوند.

سایر آزمایشگاه‌ها نیز همین مسیر را دنبال می‌کنند:

Meta با مدل Muse Glimmer بر جریان‌های کاری عامل‌های محلی تمرکز کرده است.
xAI در مدل Grok 4.6 بر یادگیری تقویتی در محیط‌های عامل‌محور متمرکز شده است.
Alibaba در مدل Qwen، امتیازات «استفاده از کامپیوتر» (Computer-use) را در اولویت قرار داده است.

لبه تیز امنیت

تردید Z.ai بخشی از الگوی گسترده‌تری به نام «گیتینگ امنیتی» (Security Gating) در کل میدان AI است. بر اساس بررسی منابع متعدد، در دو هفته پیش از این عرضه، سه فلسفه مختلف — مدل‌های بسته، مدل‌های محتاط و مدل‌های باز — به‌طور مستقل به این نتیجه رسیدند که مدل‌های توانمند در امنیت، به حفاظ‌هایی نیاز دارند که نسل‌های قبلی نداشتند:

OpenAI: مدل GPT-5.6-Cyber را عرضه کرد اما آن را پشت احراز هویت و تعهدات قانونی قفل کرد.
Anthropic: وجود مدلی برتر از بهترین مدل عمومی خود را افشا کرد اما آن را در آزمایشگاه نگه داشت.
Z.ai: قهرمان وزن‌های باز، انتشار مدل را دقیقاً به‌دلیل تسلط سریع مدل بر امنیت تهاجمی به تأخیر انداخت.

وقتی یک غول مدل‌های بسته مثل OpenAI و یک حامی مدل‌های باز مثل Z.ai به یک نتیجه می‌رسند، یعنی صنعت به یک «لبه سخت» در قابلیت‌های امنیتی رسیده است. ریسک برای وزن‌های باز بسیار شدیدتر است؛ زیرا پس از انتشار فایل، تنها حفاظ‌های موجود، همان‌هایی هستند که در خودِ وزن‌ها تنیده شده‌اند. Z.ai برخلاف OpenAI نمی‌تواند پس از دانلود فایل، از تعهدات قانونی استفاده کند؛ چرا که یک فایل واحد هم به دست مدافعان و هم به دست مهاجمان می‌رسد.

ارزیابی محک‌های جدید

برای متخصصان فنی، این تغییر چشم‌انداز بنچمارک‌ها را عوض می‌کند. جدول‌های رده‌بندی سنتی در حال بی‌اثر شدن هستند و تنها معیارهای عامل‌محور اهمیت دارند:

کارایی در استفاده از ابزار (Tool Use)
تکمیل وظایف چندمرحله‌ای
توانایی بازیابی پس از شکست

با این حال، اعتماد به این بنچمارک‌ها در بیانیه‌های مطبوعاتی دشوار است، زیرا به شدت به محیط تست هر شرکت وابسته هستند. یک قاعده کلی این است که پیش از خواندن کارت مدل، مجوز (License) آن را بخوانید و پیش از اعتماد به اعداد شرکت سازنده، منتظر ترافیک داده‌های شخص ثالث بمانید.

اگر وزن‌های مدل در ۲۸ اوت با یک مجوز محدود یا تأخیر بیشتر منتشر شوند، تأیید می‌شود که اضطراب صنعت نسبت به مدل‌های امنیتی، تعریف «هوش مصنوعی باز» را به‌طور بنیادی تغییر داده است.

گام بعدی شما

اگر از مدل‌های باز برای تست نفوذ استفاده می‌کنید، تاریخ ۲۸ اوت را علامت بزنید تا ببینید آیا مجوز MIT حفظ شده یا محدودیت‌های جدیدی اضافه شده است.
برای ارزیابی مدل‌های جدید، به‌جای MMLU، بر روی معیارهای Tool-use و Recovery-rate تمرکز کنید.
بررسی کنید که آیا زیرساخت‌های شما برای استقرار مدل‌های عامل‌محور که نیاز به دسترسی به سیستم‌عامل دارند، آماده است یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما