A octubre de 2026, GLM-5.3 y Kimi K3 están al nivel de los mejores modelos cerrados en CyberGym, el mayor benchmark de reproducción de vulnerabilidades reales de software. En la nueva puntuación de Proximal, con un único entorno de evaluación, Kimi K3 obtuvo un 95,6 % y GLM-5.3 un 93,5 %, frente al 91,1 % de GPT-5.6 Sol y el 87,8 % de Claude Fable 5.1. En los benchmarks de explotación, más difíciles, los modelos cerrados siguen por delante.
Esta es la edición de octubre de 2026, con cada resultado leído en su fuente el 30 de octubre de 2026. Quién midió un resultado importa tanto como el resultado: algunas cifras vienen del propio desarrollador del modelo, otras de agregadores que recopilan anuncios de lanzamiento, y un conjunto viene de un laboratorio independiente que evaluó los cuatro modelos con el mismo entorno. Cada cifra indica su fuente. Para ver las mejores opciones en cada tarea de seguridad, consulta el mejor LLM para ciberseguridad (octubre de 2026).
¿Qué resultados obtienen GLM-5.3 y Kimi K3 en los benchmarks de ciberseguridad?
La tabla sitúa cada resultado publicado junto al mejor resultado cerrado de la misma medición, con quién la hizo. Compara solo dentro de cada fila: el entorno y el conjunto de tareas cambian de una fila a otra.
| Benchmark | GLM-5.3 | Kimi K3 | Mejor resultado cerrado | Medido por |
|---|---|---|---|---|
| CyberGym, repuntuado (1.280 tareas) | 93,5 % | 95,6 % | 91,1 % (GPT-5.6 Sol) | Proximal, un solo entorno |
| CyberGym (1.507 tareas) | 84,5 % | 80,0 % | 83,8 % (Claude Fable 5) | Z.ai, ficha de GLM-5.3 |
| ExploitBench | 54,4 | 32,2 | 78,0 (Claude Fable 5) | Z.ai, ficha de GLM-5.3 |
| Cybench | 85 % | 90 % | 100 % (Claude Mythos Preview, 35 tareas) | Anuncios recopilados por benchmarklist.com |
Los modelos abiertos igualan o superan a los cerrados al reproducir vulnerabilidades conocidas, y quedan por detrás en explotación. Esa división es el hallazgo principal de esta edición.
¿Quién midió estos resultados?
Detrás de estas cifras hay tres tipos de fuente, y cada una merece un peso distinto.
Un laboratorio independiente con un solo entorno. Proximal (30 de septiembre de 2026) evaluó GPT-5.6 Sol, Claude Fable 5.1 (con Opus 5 como respaldo), GLM-5.3 y Kimi K3 en CyberGym. Descubrió que el evaluador puede marcar una respuesta correcta como fallo y dar por buena la explotación de otro error, eliminó las 227 tareas de 1.507 que señaló y volvió a puntuar. Todos los modelos mejoraron, y Kimi K3 pasó del 81,9 % al 95,6 %. Proximal accedió a los modelos cerrados mediante programas de evaluación de ciberseguridad "sin las salvaguardas de ciberseguridad estándar", lo que saca los rechazos de la comparación. Su conclusión: CyberGym está "en gran medida saturado". Es la comparación más sólida disponible.
La tabla del propio desarrollador. La ficha de GLM-5.3 de Z.ai sitúa a GLM-5.3 en un 84,5 % sobre las 1.507 tareas de CyberGym, en una sola ejecución con su propia configuración, y muestra al lado los resultados de Kimi K3, Claude y GPT. La tabla de un desarrollador es útil y también interesada: elige los benchmarks y la configuración. La ficha de Kimi K3 de Moonshot no publica resultados de CyberGym ni de Cybench, así que las cifras de Kimi K3 en la tabla de Z.ai las midió Z.ai.
Agregadores de anuncios de lanzamiento. La clasificación oficial de Cybench no incluye ningún modelo abierto actual a 30 de octubre de 2026; sus filas abiertas más recientes son Llama 3.1 405B y Mixtral 8x22B, con un 7,5 %, ambas de 2024. El 85 % y el 90 % de GLM-5.3 y Kimi K3 proceden de anuncios de lanzamiento recopilados por benchmarklist.com el 6 de octubre de 2026, sobre subconjuntos de tareas que los anuncios no especifican. Los resultados cerrados de Cybench vienen de las fichas de sistema y también usan subconjuntos: el 100 % de Claude Mythos Preview cubre 35 de las 40 tareas. Toma la fila de Cybench solo como orientación.
El UK AI Security Institute aporta una visión independiente de la distancia a lo largo del tiempo. En su análisis de julio de 2026, GLM-5.2, la generación anterior, rindió como los modelos cerrados lanzados entre 4 y 7 meses antes, una distancia menor que los 6 a 10 meses que AISI midió durante la mayor parte de 2025. AISI dijo que evaluaría Kimi K3 cuando sus pesos fueran públicos; no encontramos ningún resultado publicado a 30 de octubre de 2026.
¿Es GLM-5.3 mejor que Kimi K3 para ciberseguridad?
En la práctica están empatados. Kimi K3 supera a GLM-5.3 por 2,1 puntos en CyberGym repuntuado por Proximal, y GLM-5.3 supera a Kimi K3 por 4,5 puntos en la ejecución de Z.ai, así que el orden cambia con el entorno. GLM-5.3 lidera con claridad en ExploitBench en la tabla de Z.ai (54,4 frente a 32,2), una medición hecha por el desarrollador de GLM-5.3.
Para un equipo de seguridad pesan más el tamaño y la licencia:
| GLM-5.3 | Kimi K3 | |
|---|---|---|
| Desarrollador | Z.ai | Moonshot AI |
| Parámetros totales | Unos 750.000 millones | 2,8 billones |
| Parámetros activos por token | No indicado en la ficha | 104.000 millones |
| Licencia | GLM-5.3 License | Kimi K3 License |
Ambos son modelos de mezcla de expertos que necesitan un clúster de varias GPU para servirse. Las dos licencias permiten el uso comercial y añaden condiciones dirigidas a grandes empresas que alojan modelos; la licencia de Kimi K3 exime de esas condiciones el uso interno. Lee los términos antes de desplegar cualquiera de los dos. Los recuentos de parámetros proceden del listado de Hugging Face para GLM-5.3 y de la ficha de Moonshot para Kimi K3, a 30 de octubre de 2026.
¿Cómo se comparan con Claude y GPT en ciberseguridad?
En reproducción de vulnerabilidades, los modelos abiertos están al nivel de Claude y GPT, y en explotación los cerrados llevan una ventaja amplia. En la tabla de Z.ai, Claude Fable 5 obtiene 78,0 en ExploitBench y GPT-5.6 Sol 76,5, frente a 54,4 de GLM-5.3 y 32,2 de Kimi K3. En la clasificación oficial de Cybench, las primeras filas son todas cerradas: Claude Mythos Preview con un 100 % y Claude Opus 4.7 con un 96 %, ambos sobre 35 tareas.
El patrón coincide con el de AISI: la frontera lidera donde el trabajo es más difícil, y los modelos abiertos la siguen a pocos meses. Para un defensor, ese retraso es un margen de planificación, y uno corto. La ASD australiana lo dijo claramente en su actualización de abril de 2026: suponer que los actores hostiles irán muchos meses por detrás de las capacidades de frontera "ya no es seguro".
¿Tiene Qwen 3.8 algún resultado en benchmarks de ciberseguridad?
Solo uno, y procede de la tabla de un competidor. A 30 de octubre de 2026, las fichas de Qwen para la familia Qwen3.8 no publican ningún benchmark de ciberseguridad. La ficha de GLM-5.3 de Z.ai muestra a Qwen3.8-Max con un 78,5 % en CyberGym en la ejecución de Z.ai, por debajo de GLM-5.3, Kimi K3 y los modelos cerrados de esa misma tabla. Qwen3.8-Max es la versión oficial de los pesos abiertos de Qwen3.8-2.4T-A95B. Una ejecución independiente diría más; no encontramos ninguna.
¿Qué significan estos resultados para los defensores?
De aquí se desprenden tres conclusiones para un equipo de seguridad.
Los pesos abiertos te permiten ejecutar un modelo capaz dentro de tu propio entorno. En su informe del incidente de julio de 2026, Hugging Face explicó que empezó su análisis forense con modelos de frontera a través de API comerciales. Las peticiones quedaron bloqueadas por las salvaguardas de los proveedores, que no distinguen a quien responde a un incidente de un atacante. El equipo hizo el análisis con GLM-5.2 en su propia infraestructura, y ningún dato del atacante ni ninguna de las credenciales mencionadas salió de su entorno. Su lección para los defensores: tener un modelo capaz, verificado y listo en tu propia infraestructura antes de un incidente.
Los líderes son muy grandes. GLM-5.3 y Kimi K3 necesitan un clúster. Para una tarea defensiva concreta puede bastar un modelo mucho más pequeño: en la prueba de triaje Alert-Bench, un modelo abierto de 9B igualó a GPT-4.1 con las mismas alertas, como explicamos en IA para analistas SOC. Para modelos que caben en tu propio hardware, consulta el mejor LLM local para ciberseguridad.
Los resultados ofensivos miden capacidad, y por eso los defensores los siguen. CyberGym, Cybench y ExploitBench miden lo que un modelo puede hacer frente a software vulnerable. Este artículo los presenta como mediciones de terceros y no afirma nada sobre ningún modelo de Ertas en ellos. La ASD aconseja a las organizaciones "usar la IA con fines defensivos", y los resultados abiertos anteriores significan que esa capacidad está al alcance de defensores y atacantes por igual.
Para comparar modelos abiertos y de frontera más allá de la seguridad, consulta modelos open-weight vs frontier. Sobre los benchmarks, consulta nuestras explicaciones de CyberGym y Cybench.
Ejecuta estos modelos con tus propios datos de seguridad
Puedes ejecutar GLM-5.3, Kimi K3 o un modelo más pequeño de la clase Qwen para tu equipo de seguridad en infraestructura que gestionamos nosotros, en tu propia nube o en tus instalaciones. Tus datos siguen siendo privados, los costes de uso se vuelven más predecibles que una factura de API de frontera que crece con el volumen de alertas, y el modelo está listo antes de un incidente para el trabajo forense con datos de ataques reales. Alojamos modelos para trabajo defensivo: triaje, inteligencia de amenazas, análisis de malware y detección.
Un modelo entrenado con tus propias alertas y las decisiones de tus analistas va más allá que uno sin entrenar, y eso es lo que hace nuestro endpoint. El endpoint es actualmente solo por invitación, y estamos desarrollando una versión más sencilla para un acceso más amplio.
Reserva una llamada y definiremos contigo el modelo, el tamaño y el despliegue adecuados para tu equipo.
Preguntas Frecuentes
¿Es GLM-5.3 de código abierto?
GLM-5.3 es un modelo de pesos abiertos: Z.ai publica los pesos en Hugging Face bajo la GLM-5.3 License, que permite el uso comercial con condiciones. Los datos y el código de entrenamiento son privados, así que "pesos abiertos" es el término exacto.
¿Cuál es el mejor modelo de pesos abiertos para ciberseguridad?
A octubre de 2026, Kimi K3 y GLM-5.3 lideran los modelos abiertos en CyberGym, con un 95,6 % y un 93,5 % en la ejecución repuntuada de Proximal. Ambos necesitan un clúster. Para un modelo que funcione en tu propio hardware, Qwen3.5 9B lidera en triaje de alertas y Foundation-Sec-8B-Reasoning en conocimiento de inteligencia de amenazas.
¿Sigue siendo útil CyberGym como benchmark?
Es útil si se usa con cuidado. Proximal encontró 227 de sus 1.507 tareas con una evaluación poco fiable y lo calificó de "en gran medida saturado" en septiembre de 2026, así que las diferencias pequeñas en la parte alta significan poco. Léelo junto a Cybench y a benchmarks defensivos como Alert-Bench.
¿Puedo usar Kimi K3 con fines comerciales?
Sí, bajo la Kimi K3 License. Sus condiciones adicionales se aplican a grandes empresas que alojan modelos y a productos comerciales muy grandes, y el uso interno queda exento de ellas. Lee la licencia antes del despliegue.
Fuentes, consultadas el 30 de octubre de 2026: Proximal, "Robustly Evaluating Cyber Capabilities" (30 de septiembre de 2026); Z.ai, ficha de GLM-5.3; Moonshot AI, ficha de Kimi K3; datos de la clasificación de Cybench; página de Cybench en benchmarklist.com; UK AI Security Institute, "How Far Behind the Frontier are Leading Open Weight Models on Cyber?" (17 de julio de 2026); Australian Signals Directorate, "Frontier models and their impact on cyber security: update" (30 de abril de 2026); Hugging Face, "Security incident, July 2026" (16 de julio de 2026); fichas de Qwen para Qwen3.8-2.4T-A95B y Qwen3.8-27B.