Introduction: sans nouveau modèle de base
Quand une nouvelle version d'un grand modèle de langue sort Tu t'y attendais habituellement. avoir été reformé sur un ensemble de données encore plus grand. Mais Z.ai adopte une approche différente : le GLM-5.3 libéré fonctionne sur le même modèle de base avec 743 milliards de paramètres que GLM-5.2. Toutes les améliorations sont le résultat d'une augmentation de la formation. Le modèle a été exécuté sur plus d'environnements, de nouveaux types d'environnements ont été ajoutés , et la formation a duré plus longtemps que pour la version précédente. Essentiellement, il s'agit d'une expérience montrant combien plus peut être pressée d'une architecture existante avec un réglage spécifique aux tâches.
743 milliards de paramètres sont un modèle colossal, et sa préformation coûte une fortune. La post-formation est nettement moins chère, bien qu'elle nécessite un traitement minutieux des données et une longue période. Cette approche importe non seulement pour Z.ai: elle laisse entendre que l'industrie a une marge de sécurité. Il n'est pas toujours nécessaire de consacrer des ressources à la formation à partir de zéro — parfois la formation post-smart suffit.
Codage : le plus grand saut
Sur les tâches de programmation, GLM-5.3 fait une véritable percée. Sur la référence Terminal-Bench 3.0, le score est passé de 4,6 à 28,3 – une amélioration presque six fois supérieure. Sur DeepSWE v1.1, le score est passé de 46,2 à 66,9, et sur le dernier examen des agents (CLI) — de 23,8 à 28.5. On note également le test GGPval-AA v2, qui implique 44 professions: ici GLM-5.3 scores 1769 points.
L'indice de référence interne du banc de codes de Z.ai montre une amélioration de 50 % par rapport à GLM-5.2. Le modèle résout 31,4 % des tâches à environ 50 000 jetons de sortie par tâche. Pour le contexte : Claude Opus 4.8 atteint 29,5 % mais dépense 120 000 jetons, tandis que Claude Fable 5 atteint 39,5 %, avec un effort maximum. Z.ai note qu'un benchmark privé est moins sujet à la contamination — un argument important, puisque sur les ensembles de données publics GLM-5.3 perd encore à GPT-5.6 Sol et Fable 5 sur un certain nombre d'évaluations de codage complexes. Gardez à l'esprit que tous les chiffres sont fournis par le fournisseur lui-même, mais avec des paramètres documentés, de sorte que la vérification indépendante est toujours en cours.
Terminal-Bench 3.0 est un test où le modèle doit fonctionner dans un terminal, exécuter des commandes et gérer les fichiers et l'environnement. Une augmentation de près de six sons fantastiques, mais il est intéressant de noter que ce sont des tâches synthétiques, et le risque de contamination ne peut pas être exclu. Dans la pratique, cela signifie que le modèle est devenu nettement plus utile dans l'écriture de code autonome et le débogage: il tient le contexte plus longtemps, planifie mieux, et nécessite une intervention humaine moins souvent.
Cybersécurité : un effet inattendu
Une histoire encore plus surprenante se déroule dans la cybersécurité. Les ingénieurs de Z.ai ont ajouté des exemples de détection de vulnérabilité aux données de formation et s'attendaient à ce que le modèle améliore le raisonnement sur les bugs individuels. Cependant, à mesure que la formation s'accélère, les capacités commencent à s'accumuler et, à un moment donné, le modèle commence à élaborer des plans cohérents et en plusieurs étapes pour les chaînes d'exploitation intégrale. Cela s'est produit de façon émergente — sans programmer explicitement de telles compétences.
Les résultats sont impressionnants. Sur CyberGym, GLM-5.3 obtient 84,5 % contre 77,2 % pour GLM-5.2, battant Mythos 5 (83,8 %) et GPT-5.6 Sol (83,6 %). Sur ExploitBench, les taux de réussite ont doublé : de 24,4% à 54,4%. Mais ici Mythos 5 reste le leader à 78,0%. Sur ExploitGym, le modèle résout 105 tâches en deux heures et 130 en six. Les chiffres de GLM-5.2 sont plus modestes : 29 et 39 tâches. Mythos 5 gère respectivement 181 et 247 tâches.
Un détail intéressant: plus la tâche dans la chaîne d'exploitation est profonde, plus le gain de GLM-5.3 est grand par rapport à la version précédente. Dans le même temps, cependant, l'écart avec les modèles à frontières fermées se creuse, il est donc trop tôt pour parler de parité totale. Les chiffres d'ExploitBench illustrent bien cette situation : malgré la double augmentation, l'écart derrière Mythos 5 reste important.
Ce comportement émergent soulève également des préoccupations de sécurité : si un modèle peut planifier des attaques, sa distribution ouverte pourrait être risquée. C'est peut-être pour ça que les poids ne sont pas publiés immédiatement.
Disponibilité et perspectives
Actuellement, les pondérations du modèle ne sont pas publiques. GLM-5.3 est disponible via l'API Z.ai, le plan de codage GLM et ZCode. L'entreprise prévoit d'ouvrir les poids environ deux semaines après le lancement, après une évaluation de sécurité et un durcissement du modèle. Étant donné ses capacités d'exploitation de la vulnérabilité, cette prudence est tout à fait raisonnable.
Pour les startups et les organisations d'ingénierie de taille moyenne, cela signifie que le modèle peut être intégré dès maintenant via les services cloud. Toutefois, les entreprises qui ont des exigences en matière de résidence des données ou un contrôle strict des fournisseurs devraient attendre que les poids apparaissent — il sera alors possible de déployer le modèle dans leur propre infrastructure et de contrôler pleinement son utilisation.
Conclusion : GLM-5.3 est un exemple frappant de la façon dont la post-formation peut renforcer significativement un modèle sans changer l'architecture de base. Mais les conclusions finales sont prématurées : des tests indépendants et une analyse des poids ouverts sont nécessaires. Il est tout à fait possible que cette approche devienne une nouvelle tendance : si d'autres entreprises voient que des améliorations peuvent être réalisées rapidement et relativement bon marché de cette façon, les cycles de mise à jour des modèles s'accéléreront et l'accent passera de la préformation massive à l'accord ciblé pour des scénarios spécifiques.
