GLM-5.3 של Zhipu AI מכוון לסוכני קידוד עם 743 מיליארד פרמטרים

• 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:

1. האם הוא משלים משימות מקצה לקצה? כדאי לבדוק שינויי קוד במאגרים, איתור באגים ותהליכי עבודה בשורת הפקודה — ולא רק יצירת קוד מבודד.
2. כמה פיקוח הוא דורש? יש למדוד כיצד הוא מתאושש מפקודות שנכשלו, מדרישות עמומות ומשגיאות של כלים.
3. האם השיפור ניתן לשחזור? רצוי להריץ את המבחנים מחדש עם פרומפטים מתועדים ובתנאי גישה זהים.
4. מהם גבולות הבטיחות? יש לבדוק ביצוע קוד, טיפול בסודות ובקשות הקשורות לאבטחה בסביבה מבודדת ומבוקרת.
5. 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.