GLM-5.3 má 743 miliard parametrů. Zhipu AI tvrdí, že hlavní skok přišel z post-trainingu

• Terminal-Bench 3.0: GLM-5.3 získal 28,3 bodu oproti 4,6 u GLM-5.2.
• DeepSWE 1.1: novější model dosáhl 66,9 bodu oproti 46,2.
• Agents’ Last Exam (CLI): skóre vzrostlo z 23,8 na 28,5.

Terminal-Bench 3.0 je pro tvrzení o programátorských agentech podstatný tím, že testuje práci s terminálem a příkazovým řádkem, nikoli pouze odpovědi na statické otázky. DeepSWE 1.1 se zaměřuje na úlohy softwarového inženýrství, a jeho výsledek tak může naznačovat lepší zvládání ucelenějších vývojových postupů.

Zhipu zároveň tvrdí, že skóre 28,3 bylo v době oznámení nejvyšší mezi open-weight modely a překonalo výsledek modelu Kimi K3 od společnosti Moonshot AI. Toto pořadí uvádí samotná Zhipu. Při srovnávání je proto nutné zohlednit verzi benchmarku, použitý prompt i podmínky, za kterých jednotlivé modely fungovaly.

Od generování kódu k agentům, kteří obsluhují software

Za GLM-5.3 stojí širší produktová ambice: vytvořit systém, který nebude pouze navrhovat kód, ale dokáže také pracovat se softwarem, používat nástroje a dokončovat delší řetězce akcí s menší mírou lidského dohledu.

Rozdíl je podobný jako mezi asistentem, který odpoví na úzce formulovaný dotaz, a agentem, jenž umí prozkoumat repozitář, spustit příkazy, najít příčinu chyby, upravit soubory a pokračovat k vytyčenému cíli. Zlepšení v testech Terminal-Bench a DeepSWE tomuto směru odpovídají. Samotné skóre z benchmarku však neříká, zda se agent bude spolehlivě chovat v neznámém produkčním prostředí.

Zhipu také uvádí, že programátorské a agentní schopnosti GLM-5.3 se blíží modelu Claude Fable 5 a že v praktickém programování překonává další čínské modely. Jde o poziční tvrzení společnosti, nikoli o definitivní nezávislé pořadí.

Součástí příběhu je i kybernetická bezpečnost

Zhipu spojuje lepší uvažování a používání nástrojů GLM-5.3 také s kybernetickou bezpečností, včetně možného odhalování zranitelností v softwaru. Ve veřejně uváděných výsledcích se objevuje skóre 84,5 % v testu CyberGym, který se týká vyhledávání a ověřování zranitelností.

Tato schopnost má dvojí využití. Stejné dovednosti, které mohou pomoci obráncům hledat slabá místa, mohou při nebezpečném nastavení zvýšit rizika spojená s autonomním chováním. Dostupné podklady proto umožňují mluvit o odhalování zranitelností jako o deklarované oblasti schopností, nikoli o důkazu, že GLM-5.3 funguje jako spolehlivý bezpečnostní auditor nebo že dokáže bezpečně provádět autonomní útoky.

Co to znamená pro vývojáře

Nejdůležitějším signálem u GLM-5.3 není samotný počet parametrů. Podstatnější je důraz na post-training a na testy, které měří, zda model dokáže několik kroků po sobě udržet směr při řešení skutečné softwarové úlohy.

Při vlastním hodnocení modelu by vývojáři měli sledovat především:

1. Dokončí úlohu od začátku do konce? Testujte změny v repozitáři, ladění programu a práci v příkazové řádce, ne pouze generování izolovaných funkcí.
2. Kolik dohledu potřebuje? Měřte, jak reaguje na neúspěšné příkazy, nejednoznačné požadavky a chyby nástrojů.
3. Lze výsledky zopakovat? Spusťte testy se zdokumentovanými prompty a srovnatelnými podmínkami přístupu k modelu.
4. Kde jsou bezpečnostní hranice? Ověřte práci se spouštěním kódu, tajnými klíči a bezpečnostními požadavky v izolovaném prostředí.
5. Co přesně znamená „open weights“? Před plánováním vlastního provozu nebo úprav modelu si ověřte dostupnost vah, licenci a podmínky nasazení. Informace o přístupu k modelu nebyly při vydání zcela konzistentní.

Závěr

GLM-5.3 je model se 743 miliardami parametrů, u něhož Zhipu AI připisuje velkou část výkonnostního posunu post-trainingu, nikoli většímu základnímu modelu. Skok z 4,6 na 28,3 v Terminal-Bench 3.0 a z 46,2 na 66,9 v DeepSWE 1.1 ukazuje, na čem chce společnost stavět svou hlavní výhodu: na programátorských agentech schopných zvládat delší a složitější softwarové úkoly.

Výsledky jsou dostatečně výrazné, aby si zasloužily další testování, zejména v oblasti otevřených modelů pro programování a agentních pracovních postupů. Rozdíl mezi dobrým výsledkem v benchmarku a spolehlivým autonomním provozem však zůstává značný a bude vyžadovat nezávislé ověření.