Z.ai 发布 GLM-5.3
Z.ai 官方发布。这是 post-training scaling 路线的重要验证，复用 GLM-5.2 的 743B 参数基模型，所有增益来自大规模后训练。
核心数据
| 指标 | 数据 |
|---|---|
| 基模型 | GLM-5.2（743B 参数，不变） |
| 编码提升 | Z.ai Code Bench +50% |
| Benchmark SOTA | Terminal Bench 3.0, Agents' Last Exam |
| Cyber 能力 | CyberGym 领先 |
| 长程任务 | AutomationBench 领先 |
技术策略
- Post-training scaling：不重训基模型，仅通过大规模后训练实现代际跳跃
- 长程任务环境：数万长程任务环境作为后训练数据
- Emergent cyber 能力：在 CyberGym 中展现出超出训练目标的网络安全能力
行业信号
- Post-training scaling 验证：证明同一基模型可通过后训练实现代际跳跃
- Emergent capability 风险：网络安全能力超出训练目标，引发安全讨论
- 分阶段发布：开放权重分阶段发布，平衡开放与安全
风险与边界
- Emergent cyber 能力的具体评估方法和阈值未完全披露
- Post-training scaling 路线在其他模型的复现性待验证
- 分阶段发布策略的具体时间线和条件未明确
- CyberGym 和 AutomationBench 的独立第三方验证待跟进
AI Master 解读
核心事件
Z.ai 发布 GLM-5.3，同一基模型纯靠后训练实现代际跳跃。
行业影响
为什么重要： 这是 post-training scaling 路线的重要验证——不重训基模型，仅通过大规模长程任务环境的后训练，就能在编码和长程任务上实现 50% 提升。同时 emergent cyber 能力引发安全讨论，开放权重分阶段发布策略值得关注。
影响分析：
| 维度 | 影响 |
|---|---|
| Post-training scaling | 验证同一基模型的代际跳跃能力 |
| 编码能力 | Z.ai Code Bench +50%，Terminal Bench 3.0 SOTA |
| 安全 | Emergent cyber 能力引发讨论 |
| 发布策略 | 开放权重分阶段发布 |
AI Master 建议
关注 post-training scaling 路线在其他模型的复现；评估 emergent cyber 能力的安全评估框架；跟踪开放权重的分阶段发布策略。 **来源:** Z.ai / Unite.AI / MarkTechPost **链接:** https://z.ai/blog/glm-5.3