{"id":10865,"date":"2026-06-30T13:03:22","date_gmt":"2026-06-30T16:03:22","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=10865"},"modified":"2026-06-30T13:03:22","modified_gmt":"2026-06-30T16:03:22","slug":"china-acaba-de-acercarse-al-modelo-mas-temido-de-anthropic-glm-5-2-demuestra-que-la-carrera-de-la-ia-ya-entro-en-terreno-ciberseguridad","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=10865","title":{"rendered":"China acaba de acercarse al modelo m\u00e1s temido de Anthropic: GLM-5.2 demuestra que la carrera de la IA ya entr\u00f3 en terreno ciberseguridad"},"content":{"rendered":"

<\/p>\n

\n

La carrera de la inteligencia artificial entre Estados Unidos y China acaba de sumar un cap\u00edtulo especialmente delicado. Durante los \u00faltimos meses, buena parte de la conversaci\u00f3n se centr\u00f3 en qui\u00e9n ten\u00eda los modelos m\u00e1s potentes para programar, razonar o resolver tareas complejas. Pero ahora la disputa entr\u00f3 en un terreno mucho m\u00e1s sensible: la ciberseguridad.<\/p>\n

El protagonista es GLM-5.2, el nuevo modelo de Zhipu AI, tambi\u00e9n conocida como Z.ai. Seg\u00fan un an\u00e1lisis de Semgrep, este modelo de pesos abiertos logr\u00f3 superar a Claude Code en una prueba de detecci\u00f3n de vulnerabilidades IDOR y qued\u00f3 por encima de Claude Opus 4.8 cuando ambos fueron evaluados con una configuraci\u00f3n m\u00ednima de prompt y entorno. La propia empresa titul\u00f3 su informe con una frase muy gr\u00e1fica: \u201ctenemos un Mythos en casa\u201d.<\/p>\n

\n

Introducing GLM-5.2: Frontier Intelligence, Open Weights<\/p>\n

\u2013 Significant improvements in coding and agentic tasks
\u2013 Strong long-horizon capabilities with a 1M context window
\u2013 Two levels of reasoning effort: GLM-5.2 (max) pushes the limits, while GLM-5.2 (high) strikes a strong\u2026 pic.twitter.com\/SjGPSVhePJ<\/a><\/p>\n

\u2014 Z.ai (@Zai_org) June 16, 2026<\/p>\n<\/blockquote>\n

El salto chino no est\u00e1 solo en programar mejor<\/h2>\n

Hasta ahora, muchos modelos abiertos hab\u00edan demostrado ser \u00fatiles para tareas de c\u00f3digo, automatizaci\u00f3n o razonamiento general, pero segu\u00edan claramente por detr\u00e1s de los sistemas cerrados m\u00e1s avanzados cuando se trataba de trabajos complejos de seguridad. GLM-5.2 empieza a cambiar esa percepci\u00f3n porque no solo compite en programaci\u00f3n, sino tambi\u00e9n en an\u00e1lisis de repositorios, b\u00fasqueda de fallos y tareas ag\u00e9nticas largas.<\/p>\n

Semgrep explica que GLM-5.2 es un modelo Mixture-of-Experts con unos 750.000 millones de par\u00e1metros totales, aunque solo activa alrededor de 40.000 millones por token. Esa arquitectura le permite tener un tama\u00f1o enorme sin que cada consulta tenga el mismo coste que mover el modelo completo. Adem\u00e1s, el informe destaca su contexto extendido de hasta un mill\u00f3n de tokens, una caracter\u00edstica especialmente importante cuando una IA necesita seguir relaciones entre archivos, permisos y rutas de autorizaci\u00f3n dentro de un proyecto.<\/p>\n

Graphistry lleg\u00f3 a una conclusi\u00f3n parecida desde otro \u00e1ngulo. En sus pruebas de investigaci\u00f3n cibern\u00e9tica, GLM-5.2 obtuvo una tasa de resoluci\u00f3n de 28 sobre 59, igualando a configuraciones con Claude Opus 4.7 y 4.8 en determinados benchmarks. Aun as\u00ed, la empresa remarca un matiz clave: el modelo no lo explica todo, porque el \u201charness\u201d, es decir, el entorno que gu\u00eda al modelo durante la tarea, puede cambiar mucho el resultado final<\/p>\n

\n

GLM 5.2 is ranking the highest on cost per session<\/p>\n

and everyone is raving about this model<\/p>\n

which means if cost\/session is high it might actually be a sign that the model is useful pic.twitter.com\/cDbfdECMc4<\/a><\/p>\n

\u2014 OpenCode (@opencode) June 30, 2026<\/p>\n<\/blockquote>\n

El verdadero problema es que sus pesos est\u00e1n abiertos<\/h2>\n

La diferencia central con modelos como los de Anthropic u OpenAI es que GLM-5.2 puede descargarse, ejecutarse localmente y modificarse. Semgrep aclara que \u201cpesos abiertos\u201d no significa exactamente \u201cc\u00f3digo abierto\u201d, porque los pesos est\u00e1n disponibles, pero no necesariamente todo el entrenamiento o los datos utilizados. Aun as\u00ed, para equipos de seguridad esto es muy atractivo porque permite trabajar dentro de entornos privados sin enviar c\u00f3digo sensible a terceros.<\/p>\n

El lado oscuro es evidente. Axios se\u00f1ala que, al poder ejecutarse fuera de plataformas comerciales, este tipo de modelos reduce la capacidad de supervisi\u00f3n sobre usos maliciosos. A diferencia de un servicio cerrado, donde un proveedor puede detectar abuso y bloquear cuentas, un modelo local puede funcionar sin esa capa de control.<\/p>\n

Por eso el debate no es solamente t\u00e9cnico. The Wall Street Journal inform\u00f3 que investigadores de seguridad ya consideran que los sistemas chinos han igualado a algunos modelos estadounidenses en ciertos escenarios de b\u00fasqueda de bugs, aunque todav\u00eda estar\u00edan por detr\u00e1s en otras tareas. Esa combinaci\u00f3n \u2014m\u00e1s capacidad, menor coste y mayor disponibilidad\u2014 es la que est\u00e1 encendiendo las alarmas.<\/p>\n

Lo m\u00e1s llamativo es que esto ocurre mientras EEUU intenta limitar el acceso a sus modelos m\u00e1s avanzados por motivos de seguridad. Si los sistemas cerrados se vuelven m\u00e1s dif\u00edciles de usar, pero los modelos chinos abiertos avanzan r\u00e1pido, el equilibrio de poder puede cambiar. La paradoja es evidente: Washington busca contener los riesgos, pero esa misma cautela podr\u00eda darle m\u00e1s espacio a China para ocupar el terreno abierto de la IA.<\/p>\n

GLM-5.2 no demuestra que China ya haya ganado la carrera. Pero s\u00ed deja una se\u00f1al dif\u00edcil de ignorar: la distancia con los modelos frontera de EEUU se est\u00e1 estrechando justo en una de las \u00e1reas donde esa ventaja importaba m\u00e1s.<\/p>\n

\u00a0<\/p>\n

\u00a0<\/p>\n

Fuente: Xataka.<\/p>\n<\/p><\/div>\n