Lühidalt: Z.ai uus mudel GLM-5.3 saavutab umbes 750 miljardi parameetriga – kolmandik Kimi K3 suurusest – agentse programmeerimise võrdlustestides tulemused, mis on juhtivate USA mudelitega samal tasemel, seda üksnes tänu oluliselt laiendatud järelõppele samal baasil kui GLM-5.2.
Z.ai tutvustas GLM-5.3, mudelit, mis edestab paljudes agentse programmeerimise võrdlustestides Moonshot AI mudelit Kimi K3 ning ületab osaliselt ka Claude Fable 5 ja GPT-5.6-Sol tulemusi – seda vaid umbes 750 miljardi parameetriga, mis on kolmandik Kimi K3 suurusest. Praktikute jaoks kerkib taas küsimus, kuidas suudavad Hiina laborid oluliselt väiksemate ressurssidega mudeliarenduse tipus sammu pidada.
GLM-5.3 on esialgu saadaval ainult Z.ai programmeerimispaketis, kuid peaks peagi ilmuma ka API kaudu ning kahe nädala pärast avatud kaaludena Hugging Face’is. Z.ai blogipostituse kohaselt põhineb GLM-5.3 samal baasmudelil kui GLM-5.2, kuid seda on täiendatud märkimisväärselt laiendatud järelõppega. Tootja sõnastab selle napilt: “Scaling post-training is all we did for GLM-5.3” (kogu GLM-5.3 puhul tehtud töö seisnes järelõppe skaleerimises). Võrreldes Kimiga, mida peetakse pigem eelõppe võrdlusaluseks, positsioneerib Z.ai end seega järelõppemeetodite spetsialistina.
Mudelisari ulatub tagasi aastasse 2019, mil asutati Zhipu AI. Algne GLM (General Language Model) avaldati 2021. aasta märtsis Tsinghua ülikooli andmekaeverühma THUDM poolt, sellele järgnesid GLM-130B 2022. aasta augustis ning ChatGLM versioonid 2023. aastal. 2024. aasta jaanuaris toimus GLM-4 väljalaskega ümbernimetamine praeguseks mudelinimetuseks, 2024. aasta juunis lisandus avatud versioon GLM-4-9B. GLM-5 järgnes 2026. aasta veebruaris, GLM-5.2 sama aasta juunis. Autori sõnul kasutavad mõned tehisintellekti-uurijad GLM-5.2 ikka veel sisemiselt, kuna see on kiire ja lihtne käsitseda, mõnikord kiirema järelduse tegemiseks isegi omaenda klastritel.
Hiina laborite järelejõudmise põhjuste üle arutledes toob autor välja mitu selgitust. Frontier-mudelite destilleerimist peetakse levinud selgituseks, kuid seda ei hinnata peamiseks teguriks. Mainitakse hiljutist uuringut lihtsatest meetoditest, millega saab frontier-mudelitest arutlusjälgi (reasoning traces) välja lugeda – meetodit, mida Hiina laborid võivad kasutada suures mahus ja mida USA pakkujad pole autori sõnul siiani järjekindlalt tõkestanud. Z.ai ise kirjeldab oma blogipostituses tugevdusõppel (RL) põhinevat treeningrežiimi, kus kasutatakse “rohkem keskkondi, mitmekesisemaid ülesandeid ja rohkem arvutusvõimsust nende peal treenimiseks” – autori sõnul ei ole tugevdusõppe keskkondade infrastruktuuri ja algoritme lihtne destilleerida.
Praktikute jaoks, kes hindavad mudeleid agentse programmeerimise töökoormuste tarbeks, on oluline, et GLM-5.3 pakub oluliselt väiksema parameetrite arvu juures konkurentsivõimelisi tulemusi võrdlustestides ning peaks peagi olema saadaval avatud kaaludena. Küsimus benchmaxxingust ehk sihipärasest optimeerimisest testkomplektide, mitte reaalse üldistusvõime jaoks, jääb originaaltekstis vastuseta ning autor märgib selle lahtise arutlusteemana.
Allikas: www.interconnects.ai · Avaldatud 14. augustil 2026
Lumi AI News — tehisintellekti abil kureeritud vastavalt ELi tehisintellektimääruse artiklile 50. Parafraas ja klassifikatsioon Lumi News Pipeline v1.8.3 poolt.