開源模型 GLM 5.2 在 Semgrep 資安實測中擊敗 Claude Code　單次漏洞成本只要 0.17 美元

編按：本文綜合整理自 Semgrep 官方部落格、Z.ai GLM-5.2 官方公告、Vals AI 模型評測 及 Hacker News 討論串，並加入 Siami 編輯部觀點與分析。

Semgrep 的資安研究團隊最近做了一件對開源社群意義重大的事：他們把自家內部用來評估資安模型的「IDOR（Insecure Direct Object Reference，不安全直接物件參照）漏洞偵測基準」端上檯面，拿給八款主流大語言模型直接對決。結果讓他們自己都嚇一跳——中國智譜 AI（Z.ai）最新發表的開源權重模型 GLM 5.2，只用一個簡單的提示詞（Pydantic AI 框架），就在這項需要推理的資安任務上以 39% F1 分數擊敗 Anthropic 的 Claude Code（32% F1），且每找到一個真實漏洞的成本只要 0.17 美元，大約是閉源旗艦模型的六分之一。

這場對決到底在測什麼

Semgrep 研究的初衷其實不是要評比模型。他們真正想回答的問題更工程、更無聊：**在漏洞偵測這種任務上，表現究竟有多少來自模型本身，又有多少來自圍繞模型的「harness（執行框架）」？**harness 就像鷹架——它負責餵給模型程式碼、決定模型看到什麼、解析模型輸出，再把結果回送。Semgrep 自家的多模態管線就有一套量身打造的鷹架，會先列舉應用程式的 endpoints、再把模型指向重要段落。

但這次測試為了公平，他們剝掉了所有鷹架。八款模型全部跑在同一個簡單的 Pydantic AI 框架裡，拿到同一段 IDOR 提示詞——只比模型本身的實力。

鷹架比模型更關鍵。整張表裡最大的表現差距不是發生在模型之間，而是發生在「有 endpoint 探索」與「沒有」的設定之間。

那 IDOR 是什麼？簡單說就是「存取控制漏洞」：你打開一個 URL、那個 URL 帶著某個使用者 ID，伺服器沒檢查「你是不是本人」就直接把對方的資料吐給你。在實務上，這類漏洞每年都會在大型網站被找出來，是新手與老手都會犯的錯。

排行榜與關鍵數字

Semgrep 把結果整理成一張表，依 F1 分數排序。F1 是精確率（precision）與召回率（recall）的調和平均數，專門用來處理科學偵測——你可以狂報漏洞衝高召回率（但一堆假警報），或者只報你最確定的（精確率超高但漏掉一堆）；F1 獎勵兩者兼顧。

兩個關鍵發現：

• 前三名裡，兩個是 Semgrep 自家鷹架拿下的，證明鷹架確實有效。
• 第三名是真正的重點：GLM 5.2 用零鷹架贏過 Claude Code 的全套 SDK 7 個百分點。

更驚人的是成本。以 GLM 5.2 的 API 報價（輸入 1.40 美元、輸出 4.40 美元每百萬 tokens）計算，這場實測裡每找到一個真實漏洞只要 0.17 美元。當你要掃幾千個 endpoints 時，這種「每個 bug 多少錢」的經濟學往往決定了這套方法能不能大規模落地。

GLM 5.2 是什麼來頭

GLM 5.2 由中國 AI 公司 Z.ai（前身為 Zhipu AI / 智譜） 推出，2026 年 6 月 13 日先提供給 GLM Coding Plan 訂閱用戶，三天後（6 月 16 日）才公開發布模型權重與技術報告。三個關鍵特性讓它在資安圈引起注意：

• 開源權重（Open Weight）：採用 MIT 授權。你可以下載參數、在自家硬體上執行、微調、甚至審計模型行為。對企業資安團隊來說，「資料不外流」這件事在閉源 API 上很難保證，本地開源模型是少數乾淨的解方。
• 744B 參數 MoE 架構：稀疏專家模型設計，推理時只啟動部分參數，在效能與成本間取平衡。
• 1M token 上下文視窗：這意味著你可以把整個中型專案的程式碼丟進去而不必切割，是 Semgrep 這類需要全域推理的工作的關鍵。
• 官方報價：1.40 美元 / 百萬 input tokens、4.40 美元 / 百萬 output tokens。

獨立的 Artificial Analysis 評測 把 GLM 5.2 排在開源模型第一、整體第四。前 Meta 與 Google DeepMind 副總裁 Matt Velloso 公開表示他已「整天」使用 GLM 5.2，並稱其為「第一個達到日常 coding driver 標準的開源模型」。

為什麼這件事重要

資安領域一直是閉源模型的堡壘，因為企業客戶不願意把程式碼送到外部 API。但這個假設在 GLM 5.2 這類模型出現後開始鬆動：

• 合規與資料落地：本地開源模型讓金融、醫療、政府機構可以兼顧 AI 效率與資料不出門的要求。
• 成本結構改變：每漏洞 0.17 美元讓「千人團隊全面掃描」這件事第一次有了合理的商業模型。
• 不再被單一供應商綁架：當開源選項在資安這個高敏感任務上接近閉源旗艦，企業就有了議價籌碼與備援。

但 Semgrep 也留了一個重要的但書：這是單一任務、單一資料集、單次執行。IDOR 偵測是非確定的，資料集也是有限的。他們明確說，對 SSRF 偵測的結果可能完全不同——這一點他們會接著測。

數據解讀與質疑

把這份結果照單全收之前，有幾個細節值得放大檢視：

• 不是同類比較：GLM 5.2 用裸提示詞、Claude Code 卻用了自家全套 SDK。換句話說，Claude Code 在這個實驗裡其實是被「綁手綁腳」比較的。
• 第一名仍是閉源：Semgrep Multimodal（GPT 5.5）拿下 61% F1，是 GLM 5.2 的 1.5 倍以上。鷹架的威力遠超模型本身。
• 同溫層效應：GLM 5.2 與下一個開源模型（M3 的 23%）相差 16 分，比它跟 Claude Code 的差距還大。所以結論不是「開源追上來了」，而是「GLM 5.2 自己追上來了」。
• 基於單一任務：IDOR 只是漏洞類型的冰山一角。SSRF、XSS、Race Condition、邏輯漏洞等場景都還沒測過。
• Hacker News 上有人質疑「讀起來像業配」：留言認為這是 Semgrep 在用開源話題推銷自家 Multimodal 產品線；也有人反駁說 Semgrep 的方法論揭露得很完整，且他們的鷹架本來就是賣點。

Semgrep 的結論是：別把雞蛋放在同一個 LLM 籃子裡——即便用最貴的閉源旗艦加最好的鷹架，也別忽略開源模型在成本與可控性上的優勢。

業界反應

Hacker News 上這篇拿下 227 分、82 則留言的熱度，反映出社群對「開源模型在資安任務上擊敗閉源旗艦」這件事的興奮與警覺。留言區大致分三派：

• 務實派：「我週末實測過 GLM 5.2，寫了一個加密 Matrix bot 和一個 Rust 工具 agent，兩天 20 美元搞定。日常 coding 工作馬」——這呼應了 Z.ai Coding Plan 的訂閱熱潮。
• 硬體派：「753B 參數，本地跑要 8 張 RTX6000、8-10 萬美元。與其這樣不如 OpenRouter 訂閱跑十年還有剩。」——這凸顯了「開源 ≠ 免費」的事實。
• 政治派：「在歐洲，Mythos 那種閉源旗艦可能今天還在、明天就因政治因素消失。知道開源模型在哪裡很重要。」——這把技術問題拉到了地緣政治與數位主權的層次。

Semgrep 自己也留了一段有趣的免責：「我們不知道 SSRF 的排行榜會不會翻盤——但我們一定會找出來。」

接下來可以觀察什麼

• Z.ai 是否會端出 SSRF、XSS、Race Condition 的對照實驗？ 這會決定 GLM 5.2 在資安圈是真的穩贏，還是只在 IDOR 這個特定任務上強。
• 開源模型是否開始打進企業資安採購名單？ 目前 OpenAI、Anthropic 的閉源 API 在這個市場仍是主流，但本地開源的合規優勢不容小覷。
• 744B 規模的本地推理硬體成本曲線：摩爾定律加上專用加速器（H100、B200、國產 AI 晶片）會把「本地跑 744B」這件事從 10 萬美元壓到 1 萬美元的時間點，就是企業真正轉向的時刻。

Siami 編輯部短評：GLM 5.2 在 Semgrep 這場「鷹架歸零」的實驗中勝出，不代表開源已經全面追上閉源——榜單前兩名仍是閉源旗艦加自家鷹架拿下。但它確實證明了至少在一個需要推理的高敏感任務上，開源權重模型已經具備生產可用性，且成本只有閉源的六分之一。對企業資安團隊而言，這代表「必須用閉源 API」這個長期假設，第一次有了被認真檢視的空間。