GLM-5.3 של Zhipu AI מכוון לסוכני קידוד עם 743 מיליארד פרמטרים
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס. ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
פורסם על ידינערך באמצעות GPT-5.6 Lunaהתמונות נוצרו באמצעות GPT Image 1.5
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס.
ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
Zhipu מציגה את המודל ככלי למשימות הנדסת תוכנה ארוכות, שימוש בטרמינל ובכלים, הפעלת תוכנות וזיהוי חולשות אפשריות — עם פחות פיקוח אנושי.
What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-paraAI-generated illustration for Zhipu AI’s GLM-5.3 announcement.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-para. Article summary: Zhipu AI announced GLM-5.3, a 743-billion-parameter open-weights foundation model positioned as a major capability upgrade achieved primarily through post-training rather than a larger base model. The company says it sub. Topic tags: general, documentation, 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,
openai.com
החברה הסינית Zhipu AI הכריזה על GLM-5.3 — מודל בסיס בעל 743 מיליארד פרמטרים, שמיועד פחות לשיחות כלליות ויותר לקידוד, להנדסת תוכנה ולפעולה כסוכן AI. לטענת החברה, השיפור המרכזי אינו נובע מהגדלת מודל הבסיס, אלא מ־אימון המשך (post-training): התאמה נוספת של המודל לאחר האימון הבסיסי, כדי לשפר תכנון, שימוש בכלים והתמודדות עם משימות מורכבות.
המספרים הבולטים הם שיפור של כ־50% לעומת GLM-5.2 במבחן הקידוד הפנימי Z.ai Code Bench, ציון 28.3 ב־Terminal-Bench 3.0 וציון 66.9 ב־DeepSWE 1.1. התוצאות מצביעות על מודל שנועד לבצע רצף של פעולות הנדסיות — ולא רק להציע קטע קוד בודד. עם זאת, מדובר בשלב זה בעיקר בנתונים שדווחו על ידי החברה, והם עדיין דורשים בדיקה בלתי תלויה ושימוש בתנאים מהעולם האמיתי.
השינוי המרכזי: אימון המשך במקום הגדלת המודל
Zhipu מתארת את GLM-5.3 כגרסה בעלת אותה רמת גודל מדווחת כמו GLM-5.2, אך עם יכולות משופרות הודות לשיטות אימון שלאחר האימון הבסיסי. המסר של החברה הוא שמודל קיים יכול להפוך ליעיל בהרבה במשימות ייעודיות גם בלי להגדיל את מספר הפרמטרים שלו.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "GLM-5.3 של Zhipu AI מכוון לסוכני קידוד עם 743 מיליארד פרמטרים"?
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס.
What are the key points to validate first?
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס. ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
What should I do next in practice?
Zhipu מציגה את המודל ככלי למשימות הנדסת תוכנה ארוכות, שימוש בטרמינל ובכלים, הפעלת תוכנות וזיהוי חולשות אפשריות — עם פחות פיקוח אנושי.
GLM-5.3 של Zhipu AI מכוון לסוכני קידוד עם 743 מיליארד פרמטרים
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס. ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
פורסם על ידינערך באמצעות GPT-5.6 Lunaהתמונות נוצרו באמצעות GPT Image 1.5
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס.
ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
Zhipu מציגה את המודל ככלי למשימות הנדסת תוכנה ארוכות, שימוש בטרמינל ובכלים, הפעלת תוכנות וזיהוי חולשות אפשריות — עם פחות פיקוח אנושי.
What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-paraAI-generated illustration for Zhipu AI’s GLM-5.3 announcement.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Chinese AI startup Zhipu AI announce about its next-generation open-source foundation model GLM-5.3, including its 743-billion-para. Article summary: Zhipu AI announced GLM-5.3, a 743-billion-parameter open-weights foundation model positioned as a major capability upgrade achieved primarily through post-training rather than a larger base model. The company says it sub. Topic tags: general, documentation, 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,
openai.com
החברה הסינית Zhipu AI הכריזה על GLM-5.3 — מודל בסיס בעל 743 מיליארד פרמטרים, שמיועד פחות לשיחות כלליות ויותר לקידוד, להנדסת תוכנה ולפעולה כסוכן AI. לטענת החברה, השיפור המרכזי אינו נובע מהגדלת מודל הבסיס, אלא מ־אימון המשך (post-training): התאמה נוספת של המודל לאחר האימון הבסיסי, כדי לשפר תכנון, שימוש בכלים והתמודדות עם משימות מורכבות.
המספרים הבולטים הם שיפור של כ־50% לעומת GLM-5.2 במבחן הקידוד הפנימי Z.ai Code Bench, ציון 28.3 ב־Terminal-Bench 3.0 וציון 66.9 ב־DeepSWE 1.1. התוצאות מצביעות על מודל שנועד לבצע רצף של פעולות הנדסיות — ולא רק להציע קטע קוד בודד. עם זאת, מדובר בשלב זה בעיקר בנתונים שדווחו על ידי החברה, והם עדיין דורשים בדיקה בלתי תלויה ושימוש בתנאים מהעולם האמיתי.
השינוי המרכזי: אימון המשך במקום הגדלת המודל
Zhipu מתארת את GLM-5.3 כגרסה בעלת אותה רמת גודל מדווחת כמו GLM-5.2, אך עם יכולות משופרות הודות לשיטות אימון שלאחר האימון הבסיסי. המסר של החברה הוא שמודל קיים יכול להפוך ליעיל בהרבה במשימות ייעודיות גם בלי להגדיל את מספר הפרמטרים שלו.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "GLM-5.3 של Zhipu AI מכוון לסוכני קידוד עם 743 מיליארד פרמטרים"?
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס.
What are the key points to validate first?
Zhipu AI הכריזה על GLM 5.3, מודל עם 743 מיליארד פרמטרים, שלטענתה משפר את ביצועי הקידוד בכ־50% לעומת GLM 5.2 — בעיקר בזכות אימון המשך ולא בזכות הגדלת מודל הבסיס. ב־Terminal Bench 3.0 קיבל GLM 5.3 ציון 28.3, לעומת 4.6 בגרסה הקודמת; ב־DeepSWE 1.1 הוא הגיע ל־66.9, לעומת 46.2.
What should I do next in practice?
Zhipu מציגה את המודל ככלי למשימות הנדסת תוכנה ארוכות, שימוש בטרמינל ובכלים, הפעלת תוכנות וזיהוי חולשות אפשריות — עם פחות פיקוח אנושי.
המשמעות היא שמספר הפרמטרים אינו הנתיב היחיד לשיפור ביצועים. אימון המשך יכול להשפיע על האופן שבו המודל מתכנן משימה, מפעיל כלים, מגיב להוראות ומתאושש משגיאות לאורך תהליך עבודה. המקורות הזמינים תומכים בתיאור הכללי של גישת האימון, אך אינם מוכיחים באופן בלתי תלוי איזה חלק מהשיפור נבע מכל טכניקה ספציפית.
הקפיצה הגדולה ביותר היא במשימות קידוד ארוכות
Zhipu מדווחת על שיפור של כ־50% ביכולות הקידוד לעומת GLM-5.2 במבחן Z.ai Code Bench. השינויים הבולטים במיוחד מופיעים במבחנים שבהם המודל נדרש להתמודד עם משימת תוכנה מתמשכת:
Terminal-Bench 3.0: ציון 28.3 ל־GLM-5.3, לעומת 4.6 ל־GLM-5.2.
DeepSWE 1.1: ציון 66.9, לעומת 46.2 בגרסה הקודמת.
Agents’ Last Exam (CLI): ציון 28.5, לעומת 23.8.
Terminal-Bench 3.0 רלוונטי במיוחד לטענה שמדובר בסוכן קידוד, משום שהוא בוחן עבודה עם טרמינל ועם פקודות מעטפת — ולא רק תשובות סטטיות. DeepSWE 1.1 מתמקד במשימות הנדסת תוכנה, ולכן הוא עשוי לשקף טוב יותר תהליכי פיתוח שלמים.
Zhipu טוענת כי הציון 28.3 היה הגבוה ביותר בקרב מודלים בעלי משקל פתוח בעת ההכרזה, ואף גבוה מזה של Kimi K3 מבית Moonshot AI. זו השוואה מטעם החברה, ולכן יש לבחון אותה לצד גרסאות המבחנים, שיטות הפרומפטים ותנאי הגישה שניתנו לכל מודל.
מעוזר שמציע קוד לסוכן שמפעיל תוכנה
הכיוון המוצרי של GLM-5.3 הוא מערכת שלא מסתפקת בהצעת קוד. Zhipu מציגה אותה כמודל שיכול להשתמש בכלים, להפעיל תוכנות ולהשלים רצפים ארוכים של פעולות עם פחות התערבות אנושית.
בפועל, ההבדל הוא בין עוזר שעונה על שאלה נקודתית לבין סוכן שיכול לבדוק מאגר קוד, להריץ פקודות, לאתר תקלה, לשנות קבצים ולהמשיך עד להשגת יעד מוגדר. השיפור ב־Terminal-Bench וב־DeepSWE מתאים לכיוון הזה, אך ציון במבחן לבדו אינו מוכיח שסוכן כזה יפעל באופן אמין בסביבת ייצור לא מוכרת.
Zhipu אומרת גם כי ביצועי הקידוד והיכולות הסוכניות של GLM-5.3 מתקרבים לאלה של Claude Fable 5, וממקמת אותו כמעשי יותר ממודלים סיניים אחרים במשימות קידוד בעולם האמיתי. אלה טענות מיצוב של Zhipu, ולא דירוג בלתי תלוי וסופי.
גם אבטחת סייבר נמצאת בתמונה
בהכרזה נקשרו יכולות ההיגיון והשימוש בכלים של GLM-5.3 גם לעבודות אבטחת סייבר, לרבות זיהוי חולשות בתוכנה. בדיווחים פומביים נמסר על ציון של 84.5% ב־CyberGym, במטלות של איתור ואימות חולשות.
ליכולת כזו יש אופי דו־שימושי: אותם כישורי ניתוח והפעלת תוכנה שיכולים לסייע למגינים באיתור חולשות עלולים להפוך גם התנהגות אוטונומית לא בטוחה למסוכנת יותר. לכן נכון לתאר את איתור החולשות כתחום יכולת מדווח — לא כהוכחה לכך ש־GLM-5.3 הוא מבקר אבטחה אמין או שהוא מסוגל לבצע ניצול אוטונומי ובטוח של חולשות.
מה זה אומר למפתחים?
המסר החשוב ביותר של GLM-5.3 אינו רק מספר הפרמטרים, אלא הדגש על אימון המשך ועל מבחנים שבודקים אם המודל מסוגל להתמיד במשימת תוכנה לאורך כמה שלבים.
מי שבוחן את המודל לעבודה מעשית צריך לשאול:
האם הוא משלים משימות מקצה לקצה? כדאי לבדוק שינויי קוד במאגרים, איתור באגים ותהליכי עבודה בשורת הפקודה — ולא רק יצירת קוד מבודד.
כמה פיקוח הוא דורש? יש למדוד כיצד הוא מתאושש מפקודות שנכשלו, מדרישות עמומות ומשגיאות של כלים.
האם השיפור ניתן לשחזור? רצוי להריץ את המבחנים מחדש עם פרומפטים מתועדים ובתנאי גישה זהים.
מהם גבולות הבטיחות? יש לבדוק ביצוע קוד, טיפול בסודות ובקשות הקשורות לאבטחה בסביבה מבודדת ומבוקרת.
מה פירוש "משקל פתוח" בפועל? לפני תכנון של אירוח עצמי או התאמה של המודל, יש לאמת את זמינות המשקלים, תנאי הרישוי ואפשרויות הפריסה; הדיווחים בנושא הגישה למודל לא היו אחידים לחלוטין.
השורה התחתונה
GLM-5.3 הוא מודל בעל 743 מיליארד פרמטרים, שלטענת Zhipu AI השיג חלק ניכר מהשיפור שלו באמצעות אימון המשך ולא באמצעות מודל בסיס גדול יותר. העלייה המדווחת מ־4.6 ל־28.3 ב־Terminal-Bench 3.0 ומ־46.2 ל־66.9 ב־DeepSWE 1.1 מבהירה את ההבטחה המרכזית: סוכני קידוד שמסוגלים להתמודד עם משימות תוכנה ארוכות ומרובות שלבים.
התוצאות מצדיקות בדיקה מעמיקה יותר, במיוחד עבור מפתחים שמתעניינים במודלים בעלי משקל פתוח ובתהליכי עבודה סוכניים. אבל הפער בין תוצאה מרשימה במבחן לבין פעולה אוטונומית אמינה עדיין דורש אימות בלתי תלוי.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
המשמעות היא שמספר הפרמטרים אינו הנתיב היחיד לשיפור ביצועים. אימון המשך יכול להשפיע על האופן שבו המודל מתכנן משימה, מפעיל כלים, מגיב להוראות ומתאושש משגיאות לאורך תהליך עבודה. המקורות הזמינים תומכים בתיאור הכללי של גישת האימון, אך אינם מוכיחים באופן בלתי תלוי איזה חלק מהשיפור נבע מכל טכניקה ספציפית.
הקפיצה הגדולה ביותר היא במשימות קידוד ארוכות
Zhipu מדווחת על שיפור של כ־50% ביכולות הקידוד לעומת GLM-5.2 במבחן Z.ai Code Bench. השינויים הבולטים במיוחד מופיעים במבחנים שבהם המודל נדרש להתמודד עם משימת תוכנה מתמשכת:
Terminal-Bench 3.0: ציון 28.3 ל־GLM-5.3, לעומת 4.6 ל־GLM-5.2.
DeepSWE 1.1: ציון 66.9, לעומת 46.2 בגרסה הקודמת.
Agents’ Last Exam (CLI): ציון 28.5, לעומת 23.8.
Terminal-Bench 3.0 רלוונטי במיוחד לטענה שמדובר בסוכן קידוד, משום שהוא בוחן עבודה עם טרמינל ועם פקודות מעטפת — ולא רק תשובות סטטיות. DeepSWE 1.1 מתמקד במשימות הנדסת תוכנה, ולכן הוא עשוי לשקף טוב יותר תהליכי פיתוח שלמים.
Zhipu טוענת כי הציון 28.3 היה הגבוה ביותר בקרב מודלים בעלי משקל פתוח בעת ההכרזה, ואף גבוה מזה של Kimi K3 מבית Moonshot AI. זו השוואה מטעם החברה, ולכן יש לבחון אותה לצד גרסאות המבחנים, שיטות הפרומפטים ותנאי הגישה שניתנו לכל מודל.
מעוזר שמציע קוד לסוכן שמפעיל תוכנה
הכיוון המוצרי של GLM-5.3 הוא מערכת שלא מסתפקת בהצעת קוד. Zhipu מציגה אותה כמודל שיכול להשתמש בכלים, להפעיל תוכנות ולהשלים רצפים ארוכים של פעולות עם פחות התערבות אנושית.
בפועל, ההבדל הוא בין עוזר שעונה על שאלה נקודתית לבין סוכן שיכול לבדוק מאגר קוד, להריץ פקודות, לאתר תקלה, לשנות קבצים ולהמשיך עד להשגת יעד מוגדר. השיפור ב־Terminal-Bench וב־DeepSWE מתאים לכיוון הזה, אך ציון במבחן לבדו אינו מוכיח שסוכן כזה יפעל באופן אמין בסביבת ייצור לא מוכרת.
Zhipu אומרת גם כי ביצועי הקידוד והיכולות הסוכניות של GLM-5.3 מתקרבים לאלה של Claude Fable 5, וממקמת אותו כמעשי יותר ממודלים סיניים אחרים במשימות קידוד בעולם האמיתי. אלה טענות מיצוב של Zhipu, ולא דירוג בלתי תלוי וסופי.
גם אבטחת סייבר נמצאת בתמונה
בהכרזה נקשרו יכולות ההיגיון והשימוש בכלים של GLM-5.3 גם לעבודות אבטחת סייבר, לרבות זיהוי חולשות בתוכנה. בדיווחים פומביים נמסר על ציון של 84.5% ב־CyberGym, במטלות של איתור ואימות חולשות.
ליכולת כזו יש אופי דו־שימושי: אותם כישורי ניתוח והפעלת תוכנה שיכולים לסייע למגינים באיתור חולשות עלולים להפוך גם התנהגות אוטונומית לא בטוחה למסוכנת יותר. לכן נכון לתאר את איתור החולשות כתחום יכולת מדווח — לא כהוכחה לכך ש־GLM-5.3 הוא מבקר אבטחה אמין או שהוא מסוגל לבצע ניצול אוטונומי ובטוח של חולשות.
מה זה אומר למפתחים?
המסר החשוב ביותר של GLM-5.3 אינו רק מספר הפרמטרים, אלא הדגש על אימון המשך ועל מבחנים שבודקים אם המודל מסוגל להתמיד במשימת תוכנה לאורך כמה שלבים.
מי שבוחן את המודל לעבודה מעשית צריך לשאול:
האם הוא משלים משימות מקצה לקצה? כדאי לבדוק שינויי קוד במאגרים, איתור באגים ותהליכי עבודה בשורת הפקודה — ולא רק יצירת קוד מבודד.
כמה פיקוח הוא דורש? יש למדוד כיצד הוא מתאושש מפקודות שנכשלו, מדרישות עמומות ומשגיאות של כלים.
האם השיפור ניתן לשחזור? רצוי להריץ את המבחנים מחדש עם פרומפטים מתועדים ובתנאי גישה זהים.
מהם גבולות הבטיחות? יש לבדוק ביצוע קוד, טיפול בסודות ובקשות הקשורות לאבטחה בסביבה מבודדת ומבוקרת.
מה פירוש "משקל פתוח" בפועל? לפני תכנון של אירוח עצמי או התאמה של המודל, יש לאמת את זמינות המשקלים, תנאי הרישוי ואפשרויות הפריסה; הדיווחים בנושא הגישה למודל לא היו אחידים לחלוטין.
השורה התחתונה
GLM-5.3 הוא מודל בעל 743 מיליארד פרמטרים, שלטענת Zhipu AI השיג חלק ניכר מהשיפור שלו באמצעות אימון המשך ולא באמצעות מודל בסיס גדול יותר. העלייה המדווחת מ־4.6 ל־28.3 ב־Terminal-Bench 3.0 ומ־46.2 ל־66.9 ב־DeepSWE 1.1 מבהירה את ההבטחה המרכזית: סוכני קידוד שמסוגלים להתמודד עם משימות תוכנה ארוכות ומרובות שלבים.
התוצאות מצדיקות בדיקה מעמיקה יותר, במיוחד עבור מפתחים שמתעניינים במודלים בעלי משקל פתוח ובתהליכי עבודה סוכניים. אבל הפער בין תוצאה מרשימה במבחן לבין פעולה אוטונומית אמינה עדיין דורש אימות בלתי תלוי.
marktechpost.com
Z.ai Ships GLM-5.3 Without Retraining the Base Model
