Zhipu bugun GLM-5.3 modelini rasman taqdim etdi. GLM-5.2 bilan taqqoslaganda, bazaviy model o‘zgarmagan, biroq post-training Scaling orqali modelning intellektual yuqori chegarasi sezilarli oshirildi: o‘nlab baravar ko‘p uzoq muddatli vazifa muhitlari, yanada boy va xilma-xil muhit turlari hamda nihoyatda uzoq post-trening vaqti.
Avvalgi avlod bilan taqqoslaganda, GLM-5.3 ning yangi qobiliyatlari quyidagilarni o‘z ichiga oladi:
Kuchliroq dasturlash qobiliyati. GLM-5.3 dasturlash qobiliyati eng kuchli ochiq kodli model bo‘lib, Zhipu tomonidan ichki yaratilgan amaliy baholashda GLM-5.2 ga nisbatan 50% yaxshilangan. Terminal Bench 3.0 va Agents' Last Exam (CLI) kabi ochiq benchmark testlarida ochiq kodli modellar orasida birinchi o‘rinni egalladi.
Kiberxavfsizlik qobiliyati. Oq quti kod auditi va zaifliklarni aniqlash kabi xavfsizlik vazifalarida GLM-5.3 Mythos 5 bilan teng natija ko‘rsatib, kiberxavfsizlikni himoya qilish ssenariylarida katta salohiyatini namoyish etdi.
Post-training Scaling. Yuqoridagi barcha yaxshilanishlar post-trening orqali amalga oshirildi. IndexShare, SAO va doimiy rivojlanayotgan yangi avlod Slime freymvorkiga tayangan holda, Zhipu GLM-5.2 bilan mutlaqo bir xil bazada mustahkamlovchi o‘qitishni samarali olib bordi. Ehtimol, Zhipu ushbu bazaviy modelning intellektual yuqori chegarasini hali to‘liq ochib bergani yo‘q.
Ochiq kodlilik. Zhipu model og‘irliklarini taqdimotdan ikki hafta o‘tib ochiq e’lon qiladi. Ungacha xavfsizlik baholashi va modelni mustahkamlash ishlari yakunlanadi.
Zhipu ma’lumotlariga ko‘ra, bir qator asosiy benchmark testlarida GLM-5.3 hozirgi vaqtda eng yuqori reytingdagi ochiq kodli model hisoblanadi. Uning dasturlash va agent qobiliyatlari Claude Fable 5 darajasiga yaqin, dasturlashdagi amaliy natijalari esa boshqa mahalliy modellaridan yuqori.
Modelning haqiqiy terminal muhitida murakkab vazifalarni bajarish qobiliyatini o‘lchaydigan Terminal-Bench 3.0 testida GLM-5.3 natijasi 4.6 dan 28.3 gacha oshdi;
Uzoq muddatli dasturiy ta’minot muhandisligi va kodni uzluksiz o‘zgartirish qobiliyatiga e’tibor qaratadigan DeepSWE v1.1 testida natija 46.2 dan 66.9 gacha oshdi;
Turli real professional ssenariylarni qamrab oladigan, vositalararo hamkorlik va uzoq muddatli vazifalarga urg‘u beradigan Agents' Last Exam testida natija 23.8 dan 28.5 gacha oshdi;
44 ta kasbni qamrab oladigan va real, yuqori qiymatli bilim mehnatini baholaydigan GDPval-AA v2 testida 1,769 ball to‘pladi. Bu dasturlash qobiliyati asosida yuzaga keladigan professional vazifalarni bajarish qobiliyatini namoyish etdi.
Zhipu tomonidan mustaqil ishlab chiqilgan Z.ai Code Bench baholash tizimi modelning real dasturlash ssenariylaridagi umumiy amaliy natijasini o‘lchaydi. Model murakkab mahalliy ishlab chiqish muhitiga joylashtiriladi va turli fikrlash darajalarida uchdan uchigacha vazifalarni bajaradi. Bu dasturchilarning Coding Agent’dan amalda foydalanish tajribasiga yanada yaqin.
Test natijalari GLM-5.3 samaradorlik va tokenlardan foydalanish darajasi o‘rtasida yaxshiroq muvozanatga erishganini ko‘rsatdi. High darajasida GLM-5.3 31.4% aniqlikka erishib, Claude Opus 4.8 ning eng yuqori darajadagi 29.5% natijasidan oshdi. Har bir vazifa uchun o‘rtacha taxminan 5万 token chiqardi, Opus 4.8 esa taxminan 12万 token talab qildi. Bu GLM-5.3 vazifalarni qisqaroq bajarish yo‘li bilan yakunlay olishini anglatadi.
Bugundan boshlab Zhipu’ning rasmiy dasturlash vositasi ZCode va samaradorlik vositasi AutoClaw ishga tushirildi. GLM Coding Plan barcha foydalanuvchilar uchun taqdim etildi va obuna ochildi.
TraeWork / TraeCode / 扣子, WorkBuddy / CodeBuddy, Qoder / QwenWork, CatPaw, JoyCode, OpenCode kabi kodlash platformalarida erta foydalanish ochildi.
API tez orada ishga tushiriladi. To‘liq model og‘irliklari ikki hafta ichida ochiq kodli qilinadi. Ungacha zarur xavfsizlik mustahkamlash ishlari yakunlanib, uning ehtimoliy hujum qobiliyati imkon qadar cheklanadi va himoya qiymati saqlab qolinadi.
Bugun soat 13:00 da GLM Coding Plan barcha foydalanuvchilar uchun limitni qayta tiklaydi. Barcha foydalanuvchilar boshqaruv panelidagi «Foydalanish statistikasi» bo‘limida foydalanish limiti to‘liq tiklanganini ko‘rishi mumkin.