GLM-5.3 без новой базовой модели: как Z.ai выжала рост в кодинге и кибербезопасности из пост-обучения

22 августа 202629 просмотров

Обновление работает на прежней 743B-основе, а все улучшения связаны с расширенным пост-обучением: сложные задачи с длинным горизонтом стали заметно доступнее, а результаты на бенчмарках безопасности выросли сильнее ожиданий. До публикации весов остаётся около двух недель, сейчас модель подключена через API, GLM Coding Plan и ZCode.

GLM-5.3 без новой базовой модели: как Z.ai выжала рост в кодинге и кибербезопасности из пост-обучения

Введение: без новой базовой модели

Когда выходит новая версия большой языковой модели, обычно ожидают, что её заново обучили на ещё большем массиве данных. Но у компании Z.ai другой подход: представленная GLM-5.3 работает на той же базовой модели с 743 миллиардами параметров, что и GLM-5.2. Все улучшения — результат масштабированного пост-обучения. Модель гоняли на большем числе сред, добавляли новые типы окружений, а обучение длилось дольше, чем у предыдущей версии. По сути, это эксперимент, который показывает, сколько ещё можно выжать из уже существующей архитектуры, если как следует поработать с её настройкой под конкретные задачи.

743 миллиарда параметров — это колоссальная модель, и её предобучение стоит огромных денег. Пост-обучение обходится значительно дешевле, хотя и требует тщательного подбора данных и длительного времени. Такой подход важен не только для Z.ai: он намекает, что в индустрии есть запас прочности. Не обязательно каждый раз тратить ресурсы на обучение с нуля — иногда достаточно умного пост-обучения.

Кодинг: главный скачок

На задачах программирования GLM-5.3 совершает настоящий прорыв. На бенчмарке Terminal-Bench 3.0 результат вырос с 4.6 до 28.3 — это почти шестикратное улучшение. На DeepSWE v1.1 показатель поднялся с 46.2 до 66.9, а на Agents' Last Exam (CLI) — с 23.8 до 28.5. Отдельно отмечается тест GDPval-AA v2, в котором участвуют 44 профессии: здесь GLM-5.3 набирает 1769 очков.

Внутренний бенчмарк Z.ai Code Bench показывает улучшение на 50% по сравнению с GLM-5.2. Модель решает 31.4% задач при примерно 50 000 выходных токенов на задачу. Для контекста: Claude Opus 4.8 достигает 29.5%, но тратит 120 000 токенов, а Claude Fable 5 — 39.5%, правда при максимальном усилии. Z.ai отмечает, что частный бенчмарк менее подвержен контаминации — это важный аргумент, ведь на публичных наборах данных GLM-5.3 всё ещё проигрывает GPT-5.6 Sol и Fable 5 на ряде сложных кодинг-оценок. Напомним, что все цифры предоставлены самим вендором, хотя и с документированными настройками, так что независимая проверка ещё впереди.

Terminal-Bench 3.0 — это тест, где модели нужно работать в терминале, выполнять команды, обращаться с файлами и окружением. Рост почти в шесть раз выглядит фантастично, но надо учитывать, что это синтетические задачи, и риск контаминации никто не отменял. Для практики это означает, что модель стала заметно полезнее в задачах автономного написания и отладки кода: она дольше удерживает контекст, лучше планирует шаги и реже требует вмешательства человека.

Кибербезопасность: неожиданный эффект

Ещё более удивительная история разворачивается в области кибербезопасности. Инженеры Z.ai добавляли в обучающие данные примеры обнаружения уязвимостей и ожидали, что модель станет лучше рассуждать об отдельных багах. Однако при масштабировании обучения способности начали накапливаться, и в какой-то момент модель стала формировать связные, многошаговые планы по полным цепочкам эксплуатации. Это произошло эмерджентно, то есть без явного программирования таких навыков.

Результаты впечатляют. На CyberGym GLM-5.3 показывает 84.5% против 77.2% у GLM-5.2, обходя при этом Mythos 5 (83.8%) и GPT-5.6 Sol (83.6%). На ExploitBench успешность удвоилась: с 24.4% до 54.4%. Но здесь Mythos 5 остаётся лидером с 78.0%. На ExploitGym модель за два часа решает 105 задач, а за шесть — 130. У GLM-5.2 эти показатели скромнее: 29 и 39 задач. Mythos 5 справляется с 181 и 247 задачами соответственно.

Любопытная деталь: чем глубже задача в цепочке эксплуатации, тем значительнее выигрыш GLM-5.3 над предыдущей версией. Однако одновременно с этим растёт разрыв с закрытыми frontier-моделями, так что говорить о полном паритете пока рано. Цифры на ExploitBench это хорошо показывают: несмотря на двукратный рост, отставание от Mythos 5 остаётся существенным.

Такое эмерджентное поведение вызывает и вопросы безопасности: если модель способна планировать атаки, её открытое распространение может быть рискованным. Возможно, именно поэтому веса не публикуются сразу.

Доступность и перспективы

Сейчас веса модели не публичны. GLM-5.3 доступна через Z.ai API, GLM Coding Plan и ZCode. Компания планирует открыть веса примерно через две недели после запуска — после оценки безопасности и укрепления модели. Учитывая её возможности в области эксплуатации уязвимостей, такая осторожность вполне разумна.

Для стартапов и средних инженерных организаций это означает, что модель можно интегрировать уже сейчас, получая доступ через облачные сервисы. А вот предприятиям с требованиями к резидентности данных или строгой проверкой вендоров стоит дождаться появления весов — тогда появится возможность развернуть модель в собственной инфраструктуре и полностью контролировать её использование.

Итог: GLM-5.3 — яркий пример того, как пост-обучение может заметно усилить модель без изменения базовой архитектуры. Но окончательные выводы делать рано: нужны независимые тесты и анализ открытых весов. Вполне возможно, что этот подход станет новым трендом: если другие компании увидят, что так можно быстро и относительно недорого получить улучшения, циклы обновления моделей ускорятся, а акцент сместится с гигантских предобучений на точечную настройку под конкретные сценарии.

Часто задаваемые вопросы

Похожие материалы

Все материалы
CyberArena: парные матчи ИИ-агентов выявляют пределы статичных кибербенчмарков
Новости

CyberArena: парные матчи ИИ-агентов выявляют пределы статичных кибербенчмарков

Бенчмарк помещает двух агентов в песочницы с непрерывно меняющимися сервисами и по итогам серии раундов сводит их действия к многомерным оценкам наступательных и оборонительных навыков. На 466 матчах с 12 современными моделями он различил возможности там, где односторонние тесты упираются в потолок, включая планирование на несколько ходов и создание бэкдоров.

13 ноября 2026
Новые команды по ходу синтеза: многодорожечный таймлайн для 3D-движений человека
Новости

Новые команды по ходу синтеза: многодорожечный таймлайн для 3D-движений человека

Предложен метод, который принимает новые текстовые указания уже во время синтеза и позволяет независимо задавать перекрывающиеся интервалы действий. Согласование одновременных движений разных частей тела обеспечивается интервальным кондиционированием и процедурой денойзинга с учётом частей тела; на TimelineMotion и MTT авторы сообщают о лучшем соответствии семантике и временным ограничениям, чем у потоковых базовых решений.

12 ноября 2026
COPEX помогает отделить уязвимость модели от слабых мест инфраструктуры MCP
Новости

COPEX помогает отделить уязвимость модели от слабых мест инфраструктуры MCP

Контролируемый бенчмарк фиксирует агентную обвязку и оценивает только выбор инструментов языковой моделью в 125 сценариях атак через четыре канала MCP. В 3 375 испытаниях на девяти моделях средняя доля успешных атак составила 64,4%, а совместная проверка входных данных и контекста снизила её почти вдвое.

12 ноября 2026
GLM-5.3: обзор обновления Z.ai без новой базовой модели