الإجاباتمنشور24 المصادر
GLM-5.3: رهان Zhipu على التدريب اللاحق للبرمجة والأمن السيبراني
حوّلت عبارة «قريبًا جدًا» التي كتبها كبير العلماء تانغ جي إلى إطلاق فعلي لنموذج GLM 5.3 بعد ساعات فقط. حقق النموذج، وفق أرقام Zhipu المنشورة، قفزات كبيرة في مهام البرمجة طويلة الأمد واستخدام الطرفية، مع الإبقاء على قاعدة تضم نحو 743 مليار معلمة.
نشر بواسطةتم التحرير باستخدام GPT-5.6 Lunaتم إنشاء الصور باستخدام GPT Image 1.5
إجابة البحث
الوجبات السريعة الرئيسية
- حوّلت عبارة «قريبًا جدًا» التي كتبها كبير العلماء تانغ جي إلى إطلاق فعلي لنموذج GLM 5.3 بعد ساعات فقط.
- حقق النموذج، وفق أرقام Zhipu المنشورة، قفزات كبيرة في مهام البرمجة طويلة الأمد واستخدام الطرفية، مع الإبقاء على قاعدة تضم نحو 743 مليار معلمة.
- سجّل GLM 5.3 نتيجة 84.5 في اختبار CyberGym لاكتشاف الثغرات، بينما قالت Zhipu إن نماذجها عثرت على 2,436 مشكلة أمنية في 269 مشروعًا مفتوح المصدر؛ وتظل هذه الأرقام معتمدة أساسًا على إفصاحات الشركة.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What happened when Zhipu AI chief scientist Tang Jie responded “sooooooon” to a user asking about GLM-5.3, and what did Zhipu’s subsequently. Article summary: Tang Jie’s “sooooooon” proved unusually literal: Zhipu released GLM-5.3 only hours later, positioning it as a coding, agentic, and cyber-defence upgrade built on GLM-5.2’s base rather than a larger pretrained model. [1][. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
حوّلت كلمة «قريبًا جدًا» التي كتبها تانغ جي، كبير العلماء في Zhipu، إلى وعد قصير الأجل على نحو غير معتاد. فبحسب التقارير، أطلقت الشركة نموذج GLM-5.3 بعد ساعات فقط من ذلك الرد. 12
لكن أهمية الإطلاق لا تتعلق بسرعة الموعد وحدها. فقد قدمت Zhipu النموذج بوصفه نظامًا مخصصًا أساسًا للبرمجة، والعمل البرمجي القائم على الوكلاء، والأمن السيبراني.
تحسن كبير من القاعدة نفسها
القصة التقنية الأبرز في GLM-5.3 هي أنه حافظ على قاعدة GLM-5.2 نفسها تقريبًا، بحجم يقدّر بنحو 743 مليار معلمة، بينما نسبت Zhipu التحسن بصورة رئيسية إلى توسيع مرحلة التدريب اللاحق، لا إلى إجراء تدريب مسبق جديد على نموذج أكبر. 1
4
20
يمثل ذلك رهانًا مختلفًا عن السباق المعتاد نحو نماذج أضخم؛ إذ تحاول الشركة استخراج قدرات متخصصة إضافية من القاعدة الحالية عبر تدريب مكثف بعد اكتمال التدريب الأساسي.
وبحسب المقارنات التي نشرتها Zhipu وتناولتْها تحليلات لاحقة، تحسنت النتائج في عدد من اختبارات البرمجة الصعبة:
- SWE-Marathon: من 19.4 إلى 42.5
- FrontierSWE: من 67.5 إلى 78.1
- Terminal-Bench 3.0: من 4.6 إلى 28.3
- DeepSWE v1.1: من 46.2 إلى 66.9
وتبدو قفزة Terminal-Bench لافتة عند قياسها بالنقاط المئوية، لكن الزيادة الكبيرة من نتيجة أولية منخفضة لا تعني تلقائيًا أن النموذج أصبح الأفضل في كل مهام هندسة البرمجيات. ففي اختبار SWE-Marathon، مثلًا، بقيت نتيجة 42.5 أدنى من النتائج المعروضة لـ Kimi K3 وOpus 4.8. 6
9
نتيجة CyberGym تخطف الأضواء
أبرز أرقام GLM-5.3 حتى الآن هو تسجيله 84.5 في CyberGym، وهو اختبار يركز على العثور على الثغرات البرمجية والتحقق منها انطلاقًا من الشيفرة المصدرية. ووضعت مقارنة Zhipu هذه النتيجة فوق Mythos 5 الذي سجل 83.8، وGPT-5.6 Sol الذي سجل 83.6. 2
5
6
ولا يقيس CyberGym قدرة النموذج على اقتراح شيفرة أكثر أمانًا فحسب. فالمهمة تتضمن تحديد نقاط الضعف، وبناء هجمات لاختبارها، ثم التحقق من آثارها؛ أي إنها أقرب إلى اكتشاف الثغرات والتفكير في سلسلة استغلال متعددة المراحل من كونها مجرد إكمال للشيفرة. 12
17
وهذا ما جعل النتيجة محط اهتمام وسائل الإعلام المتخصصة في الأمن السيبراني. ونقلت The Register عن Zhipu قولها إن التحسن لم يقتصر على اكتشاف عيوب منفردة، بل امتد إلى التفكير عبر مراحل متتابعة من سلسلة الاستغلال. 17
مع ذلك، ينبغي التعامل بحذر مع وصف «الأفضل». فالمقارنات المتاحة تعتمد أساسًا على نتائج أعلنتها الشركات، ولم تتوافر بعد إعادة إنتاج مستقلة واسعة النطاق لهذه الأرقام. 2
4
6
ادعاءات بشأن اختبار شيفرات حقيقية
إلى جانب CyberGym، قالت Zhipu إنها تعاونت مع فرق أمنية لاختبار نماذجها على قواعد شيفرة واقعية. ووفق السجل الذي نسبته التقارير إلى الشركة، جرى تحديد 2,436 نتيجة أمنية في 269 مشروعًا مفتوح المصدر، من بينها 1,097 ثغرة مصنفة حرجة أو عالية الخطورة. كما قيل إن أقدم نتيجة تعود إلى عام 1981، وإن الثغرات ظلت غير مكتشفة في المتوسط 26.6 عامًا. 21
31
تعطي هذه الأرقام فكرة عن نوع سير العمل الأمني الذي تريد Zhipu ربطه بـGLM-5.3، لكنها لا تمثل قياسات مدققة بصورة مستقلة. فالسجل منسوب إلى الشركة، كما أن الجزء الأكبر من سجل الاختبارات المنشور يعتمد على إفصاحات الجهة المطوّرة نفسها.
النموذج مصمم لوكلاء ينفذون مهام متعددة
لا تركز رسالة الإطلاق على كتابة مقطع شيفرة مقنع فقط. فقد سوقت Zhipu لـGLM-5.3 باعتباره مناسبًا لوكلاء برمجيين يعملون لفترات طويلة، ويستخدمون الأدوات والطرفية، وينفذون سلسلة من المهام الهندسية داخل مستودعات الشيفرة.
وشملت النتائج المعلنة 73.0 في Toolathlon Verified، مقارنةً بـ59.9 لـGLM-5.2، و48.2 في AutomationBench، مقارنةً بـ26.2. كما عرضت مقارنات منشورة نتيجة 28.5 في Agents’ Last Exam. 1
7
11
والفارق العملي هنا مهم: الميزة المقصودة ليست مجرد إنتاج إجابة تبدو صحيحة، بل تنفيذ خطوات متتابعة داخل مستودع أو طرفية أو بيئة أدوات. لكن تحويل هذه النتائج إلى أداء موثوق في مشاريع الإنتاج سيظل مرتبطًا بصلاحيات الأدوات، وتغطية الاختبارات، وآليات المراجعة، ومعدل فشل النموذج على قاعدة شيفرة معينة.
ماذا تثبت هذه الأرقام؟
تدعم الأدلة المتاحة خلاصة أضيق من القول إن GLM-5.3 يتفوق على جميع نماذج الذكاء الاصطناعي الرائدة. فهي تشير إلى قفزة كبيرة، وفق أرقام Zhipu، مقارنةً بـGLM-5.2 في عدد من اختبارات البرمجة والمهام القائمة على الوكلاء، إضافة إلى تصدر CyberGym في جداول المقارنة التي نشرتها الشركة وكررتها تغطيات الإطلاق. 2
5
6
لكنها لا تثبت تفوق GLM-5.3 بصورة شاملة في كل مهام البرمجة أو الاستدلال أو السلامة أو الاستخدام العام. فما تزال نماذج منافسة متقدمة في بعض اختبارات البرمجة، كما أن النتائج المنشورة لم تخضع بعد لإعادة اختبار مستقلة على نطاق واسع. 6
9
الاستنتاج الأهم قد يكون منهجيًا: يقدم GLM-5.3 التدريب اللاحق الموسع بوصفه وسيلة لاستخراج قدرات متخصصة من قاعدة ضخمة موجودة أصلًا. وإذا أكدت الاختبارات المستقلة هذه المكاسب، فقد يصبح الاستثمار في التدريب اللاحق، إلى جانب التقييم الدقيق على مهام برمجية وأمنية واقعية، مهمًا بقدر مقارنات عدد المعلمات نفسها.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "GLM-5.3: رهان Zhipu على التدريب اللاحق للبرمجة والأمن السيبراني"؟
حوّلت عبارة «قريبًا جدًا» التي كتبها كبير العلماء تانغ جي إلى إطلاق فعلي لنموذج GLM 5.3 بعد ساعات فقط.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
حوّلت عبارة «قريبًا جدًا» التي كتبها كبير العلماء تانغ جي إلى إطلاق فعلي لنموذج GLM 5.3 بعد ساعات فقط. حقق النموذج، وفق أرقام Zhipu المنشورة، قفزات كبيرة في مهام البرمجة طويلة الأمد واستخدام الطرفية، مع الإبقاء على قاعدة تضم نحو 743 مليار معلمة.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
سجّل GLM 5.3 نتيجة 84.5 في اختبار CyberGym لاكتشاف الثغرات، بينما قالت Zhipu إن نماذجها عثرت على 2,436 مشكلة أمنية في 269 مشروعًا مفتوح المصدر؛ وتظل هذه الأرقام معتمدة أساسًا على إفصاحات الشركة.
المصادر
pandaily.comGLM-5.3 Arrives Hours After Tang Jie's 'sooooooon' — Zhipu's Coding and Security Model Doubles SWE-Marathon, Tops CyberGym
cheapestinference.comGLM-5.3 API — status, specs & subscription | CheapestInference
global.chinadaily.com.cnChinese startup launches new AI model