كيف دفعت Zhipu AI نموذج GLM-5.3 إلى الأمام عبر التدريب اللاحق؟

• Terminal-Bench 3.0: سجل GLM-5.3 نتيجة 28.3، مقابل 4.6 لـ GLM-5.2.
• DeepSWE 1.1: سجل 66.9، مقابل 46.2 للنموذج السابق.
• Agents’ Last Exam (CLI): سجل 28.5، مقابل 23.8 لـ GLM-5.2.

ويكتسب Terminal-Bench 3.0 أهمية خاصة لأنه يختبر تفاعل النموذج مع الطرفية وأوامر الصدفة البرمجية، وليس قدرته على تقديم شيفرة نظرية فقط. أما DeepSWE 1.1 فيركّز على مهام هندسة البرمجيات، ما يجعله مؤشراً على أداء النموذج في مراحل أقرب إلى سير التطوير الكامل.

وتقول Zhipu إن نتيجة 28.3 كانت الأعلى بين النماذج مفتوحة المصدر عند الإعلان عنها، وإنها سبقت نتيجة Kimi K3 من Moonshot AI. لكن هذا ترتيب أعلنته الشركة، ولذلك ينبغي قراءة المقارنات مع الانتباه إلى إصدار الاختبار، وطريقة صياغة التعليمات، وبيئة الوصول المستخدمة مع كل نموذج.

من مولّد شيفرة إلى وكيل يدير البرمجيات

الهدف من GLM-5.3 يتجاوز اقتراح الأسطر البرمجية. فبحسب عرض Zhipu، يستطيع النموذج استخدام الأدوات وتشغيل البرمجيات ومتابعة سلاسل أطول من الإجراءات مع تدخل بشري أقل.

والفرق هنا يشبه الفارق بين مساعد برمجي يجيب عن سؤال محدد، ووكيل قادر على فحص مستودع شيفرة، وتشغيل الأوامر، وتشخيص الإخفاقات، وتعديل الملفات، ثم مواصلة العمل نحو هدف محدد.

وتنسجم الزيادات في اختبارات Terminal-Bench وDeepSWE مع هذا التوجه، لكن نتيجة معيارية واحدة لا تكفي لإثبات أن الوكيل سيعمل بصورة موثوقة داخل بيئات إنتاج غير مألوفة، أو أنه سيتعامل بأمان مع كل الأخطاء والصلاحيات والبيانات الحساسة.

كما تقول Zhipu إن أداء GLM-5.3 في البرمجة والمهام الوكيلة يقترب من أداء Claude Fable 5، وتضعه في موقع عملي أقوى من نماذج صينية أخرى في مهام البرمجة الواقعية. وهذه، في المقابل، ادعاءات تموضع صادرة عن الشركة وليست حكماً مستقلاً ونهائياً على ترتيب النماذج.

الأمن السيبراني جزء من قصة النموذج

تربط Zhipu بين تحسن الاستدلال واستخدام الأدوات في GLM-5.3 وبين تطبيقات الأمن السيبراني، بما في ذلك احتمال المساعدة في تحديد الثغرات البرمجية. وتشير التفاصيل المنشورة إلى نتيجة بلغت 84.5% في اختبار CyberGym لمهام اكتشاف الثغرات والتحقق منها.

لكن هذه القدرة ذات استخدام مزدوج. فالمهارات نفسها التي قد تساعد فرق الدفاع على العثور على نقاط الضعف يمكن أن تجعل السلوك الآلي غير الآمن أكثر خطورة. لذلك تسمح الأدلة المتاحة بوصف اكتشاف الثغرات بأنه مجال قدرة مُعلن للنموذج، لا باعتباره دليلاً على أنه مدقق أمني موثوق أو أنه قادر بأمان على تنفيذ عمليات استغلال ذاتية.

ماذا يعني ذلك للمطورين؟

الإشارة الأهم في GLM-5.3 ليست عدد مُعاملاته فحسب، بل تركيز Zhipu على التدريب اللاحق وعلى اختبارات تقيس قدرة النموذج على الحفاظ على مسار مهمة برمجية عبر خطوات متعددة.

وعند تقييم النموذج، يمكن للمطورين التركيز على الأسئلة التالية:

1. هل ينجز المهمة من البداية إلى النهاية؟ اختبروا تعديل المستودعات، وتصحيح الأخطاء، وسير العمل عبر سطر الأوامر، بدلاً من الاكتفاء بتوليد شيفرة منفردة.
2. ما مقدار الإشراف المطلوب؟ قيسوا قدرته على التعافي من الأوامر الفاشلة، والمتطلبات الغامضة، وأخطاء الأدوات.
3. هل يمكن إعادة إنتاج مكاسب الاختبارات؟ أعيدوا الاختبارات باستخدام تعليمات موثقة وظروف وصول متطابقة بين النماذج.
4. أين تقع حدود الأمان؟ اختبروا تنفيذ الشيفرة، والتعامل مع الأسرار ومفاتيح الوصول، والطلبات الأمنية داخل بيئة معزولة ومضبوطة.
5. ماذا يعني وصف «مفتوح الأوزان» عملياً؟ تحقّقوا من توافر الأوزان وشروط الترخيص والنشر قبل التخطيط للاستضافة الذاتية أو التخصيص؛ إذ لم تكن التقارير المتعلقة بإتاحة الإصدار متسقة بالكامل عند إطلاقه.

الخلاصة

GLM-5.3 نموذج يضم 743 مليار مُعامل، وتقول Zhipu AI إن جزءاً كبيراً من مكاسبه جاء من التدريب اللاحق لا من بناء نموذج أساسي أكبر. والانتقال المعلن من 4.6 إلى 28.3 في Terminal-Bench 3.0، ومن 46.2 إلى 66.9 في DeepSWE 1.1، يوضح جوهر طموح الإصدار: تطوير وكلاء برمجيين أكثر قدرة على إنجاز مهام طويلة ومعقدة.

وتستحق هذه النتائج اختباراً أوسع، خصوصاً في مجال النماذج المفتوحة للبرمجة وسير العمل الوكيلي. لكن الفارق بين نتيجة قوية في معيار قياس وبين تشغيل مستقل يمكن الاعتماد عليه في العالم الحقيقي لا يزال بحاجة إلى تحقق مستقل.