RéponsesPublié24 sources
GLM-5.3 : Zhipu mise sur le post-entraînement pour faire bondir ses performances
Zhipu aurait lancé GLM 5.3 quelques heures seulement après que son scientifique en chef Tang Jie a répondu « sooooooon » à une question sur le modèle. Le modèle conserve une base d’environ 743 milliards de paramètres : ses progrès revendiqués reposent surtout sur un post entraînement renforcé.
Publié parModifié avec GPT-5.6 LunaImages générées avec GPT Image 1.5
Réponse de recherche
Points clés à retenir
- Zhipu aurait lancé GLM 5.3 quelques heures seulement après que son scientifique en chef Tang Jie a répondu « sooooooon » à une question sur le modèle.
- Le modèle conserve une base d’environ 743 milliards de paramètres : ses progrès revendiqués reposent surtout sur un post entraînement renforcé.
- Les gains les plus marqués concernent le développement logiciel sur de longues séquences, l’utilisation d’outils et la découverte de vulnérabilités.
- Zhipu revendique un score de 84,5 sur CyberGym et 2 436 failles repérées dans 269 projets open source, mais ces résultats restent principalement déclaratifs.
Prompt IA
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
La promesse était devenue un mème. En réponse à un internaute qui lui demandait quand GLM-5.3 arriverait, Tang Jie, scientifique en chef de Zhipu AI, avait simplement écrit « sooooooon ». La réponse s’est révélée étonnamment littérale : selon les informations disponibles, Zhipu a présenté le modèle quelques heures plus tard. 12
Au-delà de cette arrivée express, GLM-5.3 illustre une orientation stratégique précise. Zhipu, également connue sous le nom de Z.ai, le destine avant tout au développement logiciel, aux agents capables d’enchaîner des actions avec des outils et à la cybersécurité. Sa particularité technique tient au fait que le modèle conserverait la même base d’environ 743 milliards de paramètres que GLM-5.2. Les progrès annoncés proviendraient donc principalement d’un post-entraînement plus poussé, et non d’un nouvel entraînement préalable sur un modèle plus grand. 1
4
20
L’idée forte : améliorer le modèle sans augmenter sa taille
Dans un secteur où les annonces associent souvent les gains de performance à davantage de paramètres ou à une nouvelle génération de pré-entraînement, GLM-5.3 défend une autre approche : tirer davantage de capacités d’une base existante grâce au post-entraînement.
Les comparaisons publiées par Zhipu montrent les écarts les plus importants sur des tâches de programmation complexes, qui nécessitent de manipuler un terminal, de comprendre un dépôt de code et de poursuivre un objectif sur plusieurs étapes :
- SWE-Marathon : de 19,4 à 42,5 ;
- FrontierSWE : de 67,5 à 78,1 ;
- Terminal-Bench 3.0 : de 4,6 à 28,3 ;
- DeepSWE v1.1 : de 46,2 à 66,9.
1
3
6
7
Le bond de Terminal-Bench 3.0 est particulièrement spectaculaire en points de pourcentage. Il faut toutefois éviter d’en déduire que GLM-5.3 domine toutes les tâches de génie logiciel : sur SWE-Marathon, le score annoncé de 42,5 restait inférieur à ceux de Kimi K3 et d’Opus 4.8 dans le tableau comparatif cité. 6
9
CyberGym, le score qui a retenu l’attention
Le résultat le plus marquant concerne CyberGym, un benchmark consacré à la découverte et à la validation de vulnérabilités à partir du code source. Zhipu y revendique un score de 84,5, légèrement supérieur à ceux attribués à Mythos 5, avec 83,8, et à GPT-5.6 Sol, avec 83,6. 2
5
6
CyberGym ne mesure pas seulement la capacité d’un modèle à proposer du code plus sûr. La tâche consiste à repérer une faiblesse, à construire une attaque et à vérifier ses effets. Elle se rapproche donc davantage de la recherche de vulnérabilités et du raisonnement sur une chaîne d’exploitation que de la simple complétion de code. 12
17
C’est cette dimension qui a suscité l’intérêt de plusieurs publications spécialisées. Selon The Register, Zhipu affirme que les progrès de GLM-5.3 ne se limitent pas à l’identification de failles isolées : le modèle serait également plus efficace pour raisonner sur plusieurs étapes d’une chaîne d’exploitation. 17
Le terme « leader » doit néanmoins être pris avec prudence. Les comparaisons disponibles reposent principalement sur des résultats communiqués par le fabricant et n’ont pas encore fait l’objet d’une réplication indépendante à grande échelle. 2
4
6
Des tests sur du code réel, selon Zhipu
En complément de CyberGym, Zhipu aurait travaillé avec des équipes de sécurité pour tester ses modèles sur des bases de code réelles. Le registre publié par l’entreprise fait état de 2 436 failles détectées dans 269 projets open source, dont 1 097 vulnérabilités classées critiques ou élevées. Zhipu indique également que la plus ancienne remontait à 1981 et que les failles étaient restées invisibles pendant 26,6 ans en moyenne. 21
31
Ces chiffres donnent une idée du type de processus de sécurité que Zhipu souhaite associer à GLM-5.3. Ils ne constituent toutefois pas une mesure auditée indépendamment : les données du registre sont attribuées à l’entreprise et, plus largement, la plupart des résultats disponibles proviennent de communications de Zhipu.
Un modèle pensé pour des agents capables d’agir
Le positionnement de GLM-5.3 dépasse la génération de fonctions ou de quelques lignes de code. Zhipu le présente comme un modèle adapté à des agents capables d’utiliser des outils, de travailler dans un terminal et de mener à bien des tâches d’ingénierie sur une longue séquence.
Parmi les résultats annoncés figurent :
- Toolathlon Verified : 73,0, contre 59,9 pour GLM-5.2 ;
- AutomationBench : 48,2, contre 26,2 ;
- Agents’ Last Exam : 28,5.
11
Cette orientation traduit une différence pratique importante. L’objectif n’est plus seulement de produire un extrait de code plausible, mais d’enchaîner des actions dans un dépôt, un terminal ou un environnement d’outils. En production, la fiabilité dépendra cependant aussi des droits accordés à l’agent, de la couverture des tests, des procédures de revue et de sa fréquence d’échec sur chaque base de code.
Ce que les résultats permettent réellement d’affirmer
Les éléments disponibles permettent de tirer une conclusion mesurée : Zhipu rapporte une progression importante de GLM-5.3 par rapport à GLM-5.2 sur plusieurs benchmarks de programmation et d’agents, ainsi qu’un score de tête sur CyberGym dans les tableaux comparatifs publiés par l’entreprise et repris par plusieurs médias. 2
5
6
Ils ne prouvent pas que GLM-5.3 soit systématiquement supérieur à tous les modèles de pointe, ni en programmation, ni en raisonnement, ni sur les tâches généralistes ou de sûreté. Certains concurrents restent devant sur des benchmarks précis, et les résultats n’ont pas encore été largement reproduits par des évaluateurs indépendants. 6
9
L’enjeu le plus intéressant est peut-être méthodologique. GLM-5.3 présente le post-entraînement à grande échelle comme un moyen de faire émerger des compétences spécialisées à partir d’une base déjà existante. Si des évaluations indépendantes confirment ces progrès, l’investissement dans le post-entraînement et les tests sur des flux de travail logiciels ou de sécurité réels pourrait compter autant que la course au nombre de paramètres.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « GLM-5.3 : Zhipu mise sur le post-entraînement pour faire bondir ses performances » ?
Zhipu aurait lancé GLM 5.3 quelques heures seulement après que son scientifique en chef Tang Jie a répondu « sooooooon » à une question sur le modèle.
Quels sont les points clés à valider en premier ?
Zhipu aurait lancé GLM 5.3 quelques heures seulement après que son scientifique en chef Tang Jie a répondu « sooooooon » à une question sur le modèle. Le modèle conserve une base d’environ 743 milliards de paramètres : ses progrès revendiqués reposent surtout sur un post entraînement renforcé.
Que dois-je faire ensuite en pratique ?
Les gains les plus marqués concernent le développement logiciel sur de longues séquences, l’utilisation d’outils et la découverte de vulnérabilités.
Sources
pandaily.comGLM-5.3 Arrives Hours After Tang Jie's 'sooooooon' — Zhipu's Coding and Security Model Doubles SWE-Marathon, Tops CyberGym
global.chinadaily.com.cnChinese startup launches new AI model