GLM-5.3: код жазуудагы чоң секирик
GLM-5.3 үчүн биз пост-тренингди масштабдоодон башка эч нерсе кылган жокпуз. GLM-5.2 менен биз негизги стекти түздүк: узун контекстти натыйжалуу иштетүү үчүн IndexShare, узак горизонттуу тапшырмалардагы RL үчүн SAO жана масштабдуу асинхрондук тренинг үчүн slime — мунун баары биз топтоп келе жаткан узак горизонттуу тапшырмалардын чөйрөлөрүндө иштейт. Өткөн айда бул стекти масштабдоону уланттык: чөйрөлөрдү көбөйтүп, тапшырмаларды ар түрдүүрөөк кылып, аларда тренинг жүргүзүүгө көбүрөөк эсептөө ресурстарын жумшадык.
Бүгүн биз GLM-5.3 моделин чыгарып жатабыз. Анын базалык модели GLM-5.2 менен бирдей — бардык жакшыртуулар пост-тренингден келип чыкты. GLM-5.2ге салыштырмалуу, ал татаал код жазууда жана узак горизонттуу тапшырмаларда кыйла жакшы:
- Код жазуу жөндөмү күчтүүрөөк: GLM-5.3 — код жазуу үчүн эң жөндөмдүү ачык салмактуу модель. Z.ai компаниясынын ички Code Bench бенчмаркы боюнча GLM-5.2ге салыштырмалуу көрсөткүчү 50% жакшырды. Ошондой эле Terminal Bench 3.0 жана Agents' Last Exam сыяктуу коомдук бенчмарктар боюнча ачык булактагы SOTAга жетти.
- Күтүүсүз кибермүмкүнчүлүк: Пост-тренингди масштабдаган сайын кибермүмкүнчүлүк биз күткөндөн да ылдамыраак өстү. Аялуулуктарды табуу боюнча GLM-5.3 CyberGym бенчмаркынын учурдагы эң мыкты көрсөткүчүнө ээ, ал эми анын эң чоң өсүшү эксплуатация чынжырынын жогорку баскычтарында байкалат: эксплуатациялоо боюнча бенчмарктарда GLM-5.2ден эки эседен ашык алдыга чыкты.
- Ачык булак: Коопсуздукту баалоо жана бекемдөө аяктагандан кийин, ишке киргизилгенден эки жума өтүп салмактарын чыгарабыз.
Күтүүсүз кибермүмкүнчүлүк
Пост-тренингдин алкагында тренингдин аралашмасына аялуулуктарды табуу боюнча маалыматтарды жана чөйрөлөрдү киргиздик. Бул модель аялуулуктарды табууда жана алар жөнүндө ой жүгүртүүдө жакшырат деп күткөнбүз. Бирок бул жөндөмдүн көздөгөн деңгээлден канчалык ашып кеткенине таң калдык.
Аялуулуктарды талдоонун жана эксплуатациялоонун ар кандай баскычтарын камтыган үч бенчмарк боюнча GLM-5.3 моделин баалайбыз. White-box баштапкы кодунан башталып, модель каталарды козгоо аркылуу аялуулуктарды аныктап, ырастай алабы же жокпу текшерген CyberGym бенчмаркында GLM-5.3 84.5% алды. Бул GLM-5.2нин 77.2% көрсөткүчүнөн жогору жана бенчмарктын эң мыкты натыйжасы; Mythos 5 (83.8%) жана GPT-5.6 Sol (83.6%) моделдеринен да алдыда. Реалдуу аялуулуктар жана аларды эксплуатациялоо жөнүндө тереңирээк ой жүгүртүүнү талап кылган ExploitBench бенчмаркында GLM-5.3 54.4% көрсөткүчүнө жетип, GLM-5.2нин 24.4% натыйжасынан эки эседен ашык алдыга чыкты. Ал эми Mythos 5 жана GPT-5.6 Sol тиешелүүлүгүнө жараша 78.0% жана 76.5% алды. Модель убакытка жараша нормалдаштырылган бюджеттин чегинде канча эксплуатациялоо тапшырмасын аткара аларын өлчөгөн ExploitGym бенчмаркында GLM-5.3 эки саатта 105, алты саатта 130 тапшырманы аткарды. GLM-5.2 болсо тиешелүүлүгүнө жараша 29 жана 39 тапшырма аткарган. Mythos 5 181 жана 247 тапшырма менен кыйла алдыда. Үч бенчмарктын тең көрсөткүчтөрү бирдей мыйзамченемди көрсөтөт: бенчмарк эксплуатация чынжырынын канчалык жогорку баскычын өлчөсө, GLM-5.2ге салыштырмалуу өсүш ошончолук чоң — бирок жабык алдыңкы моделдерге чейинки айырма да ошончолук чоң. Биз эң артта калган жерлерде мүмкүнчүлүк эң тез өсүп жатат.
Андан соң бул мүмкүнчүлүктөр көзөмөлдөнгөн бенчмарктардан тышкары да иштейби деп сынадык. GLM-5.2 чыккандан бери Кытайдагы бир нече коопсуздук тобу менен биргеликте моделдерибизди реалдуу код базаларында сынап келе жатабыз. Эксперттик текшерүүдөн, иргөөдөн жана кайталанган маалыматтарды алып салуудан кийин, модель 269 долбоордон 2 436 аялуулукту аныктады. Алардын ичинен 1 097си орто жана жогорку деңгээлдеги олуттуу маселелер болду. Табылгалар системалык ядролорду, операциялык системаларды, браузер кыймылдаткычтарын, ачык булактуу инфраструктураны, веб-тиркемелерди жана тармактык протоколдорду камтыйт. Көпчүлүгү жылдап, атүгүл ондогон жылдар бою байкалбай келген; эң эскиси болжол менен 40 жыл мурун пайда болгон.
Бул иш ошондон бери үзгүлтүксүз ачыктоо аракетине айланды. Табылгалар ачыктоо процессинен өтүп жатканда, алардын коомчулукка жеткиликтүү эсебин жүргүзүү үчүн Z.ai коопсуздук боюнча ачыктоо реестрин түздүк. Реестр жаңы аялуулуктар текшерилип, ачыкка чыгарылган сайын үзгүлтүксүз жаңыртылып турат. Анда буга чейин коомчулукка жарыяланган маселелер ачыктоо процесси дагы жүрүп жаткан маселелерден айырмаланып көрсөтүлөт. Ачыкка чыгарылган маселелер боюнча реестрде жабыркаган долбоор, олуттуулук деңгээли, бар болсо CVE жана аялуулук код базасында канча убакыттан бери турганы сыяктуу маалыматтар камтылган.
slime: узак горизонттуу RL масштабдоосу үчүн түзүлгөн
Мунун баары RL масштабдоого арналган ачык булактуу пост-тренинг фреймворгубуз slime аркылуу иштейт: тренинг тарабында Megatron, ал эми rollout тарабында SGLang колдонулат. Анын архитектурасы тренингди, rollout процессин жана маалымат буферин бирдиктүү маалымат агымында кармайт. Ошондуктан математика, код, sandbox чөйрөлөрү, верификаторлор жана узак горизонттуу агенттик чөйрөлөр тренинг циклин өзгөртүүнүн ордуна, маалымат жаратуучу компонент катары кошула алышат. Дал ушул мүмкүнчүлүк GLM-5.2 жана GLM-5.3 моделдерин иштеп чыгууда тренинг стегин ар бир жолу кайра куруунун зарылдыгы жок эле чөйрөлөрдү кошо берүүгө шарт түздү.
GLM-5.3 менен биз аны эки багытта өнүктүрүүнү уланттык. Алгоритмдик тараптан RL изилдөөлөрүнө багытталган мүмкүнчүлүктөрдү коштук: top-p mask, top-k жана толук сөздүккө арналган OPD, ошондой эле тренинг менен rollout ортосундагы ырааттуулукту жакшыртуучу конфигурациялар. Аларга R3 тибиндеги орнотуулар жана тренинг менен rollout жолдорунун ортосундагы толук сандык шайкештик кирет. Бул мүмкүнчүлүктөр семплдөөнү, тренингди жана мугалим сигналдарын такыраак башкарууга шарт түзүп, көзөмөлдөнгөн салыштырууларды тез жүргүзүүгө мүмкүндүк берет. Тренинг менен rollout ортосундагы ырааттуулукту баалоодо логарифмдик ыктымалдыктардын (logprob) орточо айырмасы 1e-7 деңгээлинде кармалды. Бул мурунку орнотууларга салыштырмалуу 99.99%дан ашык кыскарууну билдирет.
Ошондой эле масштабдуу RL үчүн ресурстардын натыйжалуулугун жана системанын өткөрүмдүүлүгүн жакшыртууга көңүл бурдук. Эми локалдык сактагыч кошумча кэш катмары катары иштеп, башка учурда хосттун эс тутумунда тура турган моделдин абалдарын жана маалыматтарды иерархиялык түрдө сактайт. Бул өзгөчө көп мугалимдүү OPD үчүн маанилүү: тренинг тарабындагы динамикалык мугалим алмаштыруу жана алдын ала жүктөө аркылуу ар бир мугалим үчүн өзүнчө, узак убакыт иштеген инференс кызматын иштетпей эле бир нече мугалимди колдонууга болот. Мунун кошумча чыгымы чектелүү, ал эми ресурстарды керектөө кыйла төмөн. Агенттик жана асинхрондук жүктөмдөр үчүн router менен slime ортосундагы биргелешкен пландаштырууну жана жүктү тең бөлүштүрүүнү жакшырттык. Натыйжада узундугу жана аяктоо убактысы ар түрдүү rollout сурамдары инференс ресурстарын натыйжалуураак пайдаланат. Ар бир rollout чөйрөсүнүн өзгөчөлүктөрүнө таянып, өткөрүмдүүлүккө багытталган конфигурацияларды — prefill/decode ресурстарынын катышын, параллелдүүлүк жөндөөлөрүн жана өткөрүмдүүлүккө таасир эткен башка параметрлерди — аныктай турган жүктөмдү эске алуучу эвристикаларды коштук. Мунун натыйжасында узак горизонттуу код жазуу боюнча RL тапшырмаларында системалык деңгээлдеги бул оптималдаштыруулар RL тренингинин баштан-аяк өткөрүмдүүлүгүн 2.3× эседен ашык жакшыртып, тренингди узагыраак траекторияларда жана татаалыраак чөйрөлөрдө кыйла натыйжалуу масштабдоого мүмкүндүк берди.
Жалпысынан алганда, бул өзгөртүүлөр бизге көбүрөөк эксперименттик ийкемдүүлүк, ресурстарга азыраак чыгым жана жогорураак өткөрүмдүүлүк берет — RLди масштабдоону улантууну практикалык жактан мүмкүн кылган нерсе дал ушул.
GLM-5.3 менен ишти баштоо
GLM-5.3 API'синдеги өзгөрүүлөр
GLM-5.3 үч ой жүгүртүү деңгээлин колдойт: low, high жана max. GLM-5.3 ой жүгүртүүнү өчүрүүнү мындан ары колдобойт.
| Параметр | Маанилер | Демейки мааниси | Сыпаттамасы |
|---|---|---|---|
| thinking.type | enabled | enabled | Ой жүгүртүүнү иштетет. disabled мындан ары колдоого алынбайт. |
| reasoning_effort | low, high, max | max | low: жеңил; high: күчөтүлгөн; max: терең. Код жазуу тапшырмалары үчүн max сунушталат. |
{
"model": "glm-5.3",
"thinking": { "type": "enabled" },
"reasoning_effort": "max"
}Миграция талап кылынат: Эгер колдонмоңуз учурда thinking.type: "disabled" параметрин колдонсо, модель ID'син glm-5.3 деп жаңыртуудан мурда аны enabled кылып өзгөртүп, reasoning_effort параметрин low деп коюңуз. Болбосо сурам аткарылбай калат.
GLM Coding Plan жана ZCode менен GLM-5.3 колдонуу
Сүйүктүү код жазуучу агенттериңизде — ZCode, Claude Code, OpenCode жана башка куралдарда — GLM-5.3 моделин колдонуп көрүңүз. devpack тууралуу жалпы маалыматты караңыз.
GLM Coding Plan жазылуучулары үчүн: GLM-5.3 моделин GLM Coding Plan кызматын колдонгон бардык колдонуучуларга жеткиликтүү кылдык. Жаңы GLM Coding Plan эми упайга негизделген квота тутумун колдонот. Упайлар киргизүү, кэштелген киргизүү жана чыгаруу токендери үчүн өз-өзүнчө эсептелет. Кызуу эмес убакта жасалган моделдик чакыруулар стандарттык упайлардын 50%ын сарптайт. Кызуу убакыт — дүйшөмбүдөн жумага чейин 14:00–18:00 (UTC+8); дем алыш күндөрүн кошкондо, калган бардык убакта кызуу эмес мезгилдин 50% арзандатылган тарифи колдонулат. Азыр баштаңыз: z.ai/subscribe
ZCode менен GLM-5.3 мүмкүнчүлүктөрүн толук пайдаланыңыз
- 98%дан жогору кэшке туура келүү көрсөткүчү — кайталанган контекст үчүн арзаныраак кэштелген тариф колдонулат; натыйжалуу токендер болжол менен 30% көбөйөт
- Убактылуу 1.5x квота бонусу — кэштин үнөмдөөсү менен бириктирип, 31-августка чейин стандарттык квотаңыздын 180%ына чейин пайдаланыңыз
- Узак горизонттуу тапшырмаларды мыкты аткаруу — Goal режими максатка жеткенге чейин пландаштырат, код жазат, сынайт жана текшерет
- Remote Control — WeChat же Feishu аркылуу телефонуңуздан узакка созулган тапшырмаларды көзөмөлдөп, башкарсаңыз болот
ZCode'ду колдонуп көрүңүз: zcode.z.ai
GLM-5.3 моделин жергиликтүү жерде иштетүү
GLM-5.3 моделинин салмактары ишке киргизилгенден кийин эки жуманын ичинде коомдук колдонууга жеткиликтүү болот.