MODELOS
DeAlignAI publica pesos alterados de GLM-5.3-Flash y afirma 320/320 en HarmBench sin validación externa
El investigador independiente Jinho Jang, vía DeAlignAI, ha puesto a descarga unos pesos modificados de GLM-5.3-Flash (licencia MIT) de Z.ai, describiéndolos como con rechazos desactivados. Afirma cumplimiento 320/320 en HarmBench-320, sin validación externa. La apertura del modelo permite a terceros cambiar el comportamiento y operar fuera del servicio alojado.
Qué ha ocurrido
El investigador independiente Jinho Jang, a través de DeAlignAI, ha publicado pesos alterados en FP8 de GLM-5.3-Flash, el modelo de Z.ai con licencia MIT, que su proyecto describe como con los rechazos modificados. DeAlignAI reporta 320 de 320 respuestas cumplidoras en HarmBench-320 según su propia evaluación, sin verificación independiente. El artefacto descargable muestra cómo una licencia permisiva permite redistribuir y cambiar el comportamiento; y el benchmark mide cumplimiento ante peticiones dañinas, no eficacia contra sistemas reales.
Qué significa para creadores
Para creadores y equipos que desarrollan productos, la apertura bajo MIT permite ejecutar el modelo en infraestructura propia, inspeccionarlo, modificar su comportamiento e integrarlo sin pagar a Z.ai por cada token. Esto también posibilita ajustar rechazos para casos de uso específicos, con riesgos de seguridad que deberás gestionar. No tomes el 320/320 como prueba de capacidad operativa: si evalúas, compara pesos originales y alterados con la misma configuración de inferencia y comprueba si se mantiene la calidad, algo no documentado. El menor tamaño activo (18 mil millones por token de un total de 320 mil millones) baja el coste relativo de inferencia, aunque no lo convierte en una descarga rutinaria de portátil.
Fuente y contexto
Z.ai lanzó GLM-5.3-Flash el 26 de agosto con licencia MIT y lo presenta como el primer modelo nativamente multimodal de la serie GLM-5, con arquitectura híbrida de atención dispersa y lineal, una ventana de 1 millón de tokens y preentrenamiento de 30 billones de tokens, según la compañía. Publica además métricas y costes (p. ej., 0,045 dólares por tarea en AAI v4.1.1) y resultados internos de codificación; son datos del proveedor. DeAlignAI atribuye su edición de rechazos al método CRACK y su 320/320 ha sido citado en un análisis en jyn.dev, sin replicación externa. Para el GLM-5.3 mayor, Z.ai informa 84,5% en CyberGym y 54,4% en ExploitBench; no hay esos datos para Flash.