एआई मॉडल विकास के लिए इसका महत्व बड़ा है। बेहतर प्रदर्शन का एकमात्र रास्ता पैरामीटर की संख्या बढ़ाना नहीं है। पोस्ट-ट्रेनिंग से मॉडल के योजना बनाने, टूल इस्तेमाल करने, निर्देशों का पालन करने और जटिल वर्कफ्लो में लगातार आगे बढ़ने के तरीके को ढाला जा सकता है। उपलब्ध रिपोर्टें Zhipu के प्रशिक्षण दृष्टिकोण संबंधी दावे का समर्थन करती हैं, लेकिन वे यह स्वतंत्र रूप से साबित नहीं करतीं कि सुधार में किस खास पोस्ट-ट्रेनिंग तकनीक का कितना योगदान रहा।

लंबी अवधि वाली कोडिंग GLM-5.3 की सबसे मजबूत कहानी

Zhipu का कहना है कि उसके Z.ai Code Bench पर GLM-5.3 ने GLM-5.2 के मुकाबले कोडिंग में लगभग 50% सुधार किया है। सबसे उल्लेखनीय बढ़त उन परीक्षणों में दिखती है, जिनमें मॉडल को लंबे सॉफ्टवेयर कार्य के दौरान लगातार कई कदम उठाने पड़ते हैं:

• Terminal-Bench 3.0: GLM-5.3 का स्कोर 28.3 रहा, जबकि GLM-5.2 का स्कोर 4.6 था।
• DeepSWE 1.1: नए मॉडल ने 66.9 अंक हासिल किए, जबकि पिछले मॉडल का स्कोर 46.2 था।
• Agents’ Last Exam (CLI): GLM-5.3 का स्कोर 28.5 रहा, जो पिछले मॉडल के 23.8 से अधिक है।

Terminal-Bench 3.0 एजेंटिक कोडिंग के दावे के लिए खास तौर पर प्रासंगिक है, क्योंकि इसमें केवल स्थिर उत्तर देने के बजाय टर्मिनल और शेल के साथ सॉफ्टवेयर कार्य करना शामिल है। DeepSWE 1.1 सॉफ्टवेयर-इंजीनियरिंग कार्यों पर केंद्रित है, इसलिए इसका स्कोर अधिक पूर्ण विकास वर्कफ्लो में प्रगति का संकेत दे सकता है।

Zhipu के अनुसार, घोषणा के समय Terminal-Bench 3.0 पर 28.3 का परिणाम ओपन-सोर्स मॉडलों में सबसे ऊंचा था और Moonshot AI के Kimi K3 से आगे था। यह कंपनी द्वारा बताया गया रैंकिंग दावा है। इसलिए किसी भी तुलना को बेंचमार्क संस्करण, प्रॉम्प्टिंग तरीके और हर मॉडल के लिए इस्तेमाल की गई परीक्षण परिस्थितियों के साथ पढ़ना चाहिए।

कोड सुझाने से सॉफ्टवेयर चलाने वाले एजेंट तक

GLM-5.3 के पीछे उत्पाद दिशा ऐसे एआई सिस्टम की है जो केवल कोड का सुझाव न दे, बल्कि सॉफ्टवेयर पर काम भी कर सके। Zhipu इसे ऐसे मॉडल के रूप में पेश कर रही है जो टूल इस्तेमाल कर सकता है, सॉफ्टवेयर चला सकता है और कम मानवीय हस्तक्षेप में लंबे क्रम वाले कार्य पूरे कर सकता है।

यह एक सीमित सवाल का जवाब देने वाले कोडिंग असिस्टेंट और लक्ष्य हासिल करने वाले एजेंट के बीच का अंतर है। ऐसा एजेंट किसी रिपॉजिटरी की जांच कर सकता है, कमांड चला सकता है, त्रुटियों का पता लगा सकता है, फाइलों में बदलाव कर सकता है और फिर काम को आगे बढ़ा सकता है। Terminal-Bench और DeepSWE में सुधार इसी दिशा से मेल खाते हैं, लेकिन अकेला बेंचमार्क स्कोर यह साबित नहीं करता कि मॉडल अपरिचित प्रोडक्शन वातावरण में भरोसेमंद ढंग से काम करेगा।

Zhipu का यह भी कहना है कि GLM-5.3 की कोडिंग और एजेंट क्षमताएं Claude Fable 5 के प्रदर्शन के करीब पहुंच रही हैं। कंपनी इसे वास्तविक कोडिंग कार्यों में अन्य चीनी मॉडलों से व्यावहारिक रूप से मजबूत भी बताती है। ये Zhipu की पोजिशनिंग संबंधी बातें हैं, इन्हें स्वतंत्र और अंतिम लीडरबोर्ड नतीजे के रूप में नहीं देखा जाना चाहिए।

साइबर सुरक्षा भी दावे का हिस्सा

Zhipu ने GLM-5.3 की बेहतर रीजनिंग और टूल-उपयोग क्षमताओं को साइबर सुरक्षा कार्यों से भी जोड़ा है। इनमें सॉफ्टवेयर कमजोरियों की पहचान करने की संभावित क्षमता शामिल है। सार्वजनिक रूप से बताए गए आंकड़ों में CyberGym पर कमजोरियों की खोज और सत्यापन से जुड़े कार्यों में 84.5% का परिणाम शामिल है।

यह क्षमता दोहरे उपयोग वाली है। कमजोरियां खोजने में रक्षकों की मदद करने वाली वही रीजनिंग और सॉफ्टवेयर-ऑपरेशन क्षमताएं असुरक्षित स्वचालित व्यवहार के जोखिम को भी बढ़ा सकती हैं। उपलब्ध साक्ष्य के आधार पर इसे कमजोरियों की पहचान से जुड़ी रिपोर्ट की गई क्षमता कहना उचित है—इसे भरोसेमंद सुरक्षा ऑडिटर या सुरक्षित रूप से स्वायत्त तरीके से हमले करने में सक्षम प्रणाली का प्रमाण नहीं माना जा सकता।

डेवलपर्स के लिए इसका क्या मतलब है?

GLM-5.3 का सबसे महत्वपूर्ण संकेत केवल उसका पैरामीटर काउंट नहीं है। असली बात यह है कि Zhipu पोस्ट-ट्रेनिंग और ऐसे परीक्षणों पर जोर दे रही है, जो यह मापते हैं कि मॉडल कई चरणों में किसी सॉफ्टवेयर कार्य को कितनी देर तक संभाल सकता है।

मॉडल का मूल्यांकन करने वाले डेवलपर्स के लिए कुछ व्यावहारिक सवाल अहम होंगे:

1. क्या यह पूरे कार्य को शुरू से अंत तक पूरा कर सकता है? अलग-अलग कोड बनाने के बजाय रिपॉजिटरी में बदलाव, डिबगिंग और कमांड-लाइन वर्कफ्लो का परीक्षण करें।
2. इसे कितनी निगरानी की जरूरत पड़ती है? असफल कमांड, अस्पष्ट आवश्यकताओं और टूल-त्रुटियों से उबरने की क्षमता मापें।
3. क्या बेंचमार्क सुधार दोहराए जा सकते हैं? दर्ज किए गए प्रॉम्प्ट और समान मॉडल-एक्सेस परिस्थितियों में परीक्षण दोबारा करें।
4. सुरक्षा की सीमाएं क्या हैं? कोड निष्पादन, सीक्रेट संभालने और सुरक्षा-संबंधी अनुरोधों का नियंत्रित वातावरण में परीक्षण करें।
5. व्यवहार में “ओपन-वेइट्स” का मतलब क्या है? सेल्फ-होस्टिंग या कस्टमाइजेशन की योजना बनाने से पहले उपलब्धता, लाइसेंस और डिप्लॉयमेंट शर्तों की पुष्टि करें; रिलीज तक वेट्स की उपलब्धता को लेकर रिपोर्टिंग पूरी तरह एक जैसी नहीं थी।

निष्कर्ष

GLM-5.3 743 अरब पैरामीटर वाला मॉडल है, जिसके बारे में Zhipu AI का कहना है कि इसकी बड़ी प्रदर्शन बढ़त बड़े बेस मॉडल के बजाय पोस्ट-ट्रेनिंग से आई है। Terminal-Bench 3.0 पर 4.6 से 28.3 और DeepSWE 1.1 पर 46.2 से 66.9 तक की रिपोर्ट की गई छलांग मॉडल की मुख्य पेशकश साफ करती है: ऐसे अधिक सक्षम कोडिंग एजेंट, जो लंबे और जटिल सॉफ्टवेयर कार्य संभाल सकें।

ये नतीजे ओपन-मॉडल कोडिंग और एजेंट वर्कफ्लो के लिए गंभीर परीक्षण के योग्य हैं। फिर भी, फिलहाल ये मुख्य रूप से विक्रेता द्वारा बताए गए दावे हैं। मजबूत बेंचमार्क प्रदर्शन और वास्तविक दुनिया में भरोसेमंद स्वायत्त संचालन के बीच का अंतर स्वतंत्र सत्यापन के बिना कायम रहता है।

एआई मॉडल विकास के लिए इसका महत्व बड़ा है। बेहतर प्रदर्शन का एकमात्र रास्ता पैरामीटर की संख्या बढ़ाना नहीं है। पोस्ट-ट्रेनिंग से मॉडल के योजना बनाने, टूल इस्तेमाल करने, निर्देशों का पालन करने और जटिल वर्कफ्लो में लगातार आगे बढ़ने के तरीके को ढाला जा सकता है। उपलब्ध रिपोर्टें Zhipu के प्रशिक्षण दृष्टिकोण संबंधी दावे का समर्थन करती हैं, लेकिन वे यह स्वतंत्र रूप से साबित नहीं करतीं कि सुधार में किस खास पोस्ट-ट्रेनिंग तकनीक का कितना योगदान रहा।

लंबी अवधि वाली कोडिंग GLM-5.3 की सबसे मजबूत कहानी

Zhipu का कहना है कि उसके Z.ai Code Bench पर GLM-5.3 ने GLM-5.2 के मुकाबले कोडिंग में लगभग 50% सुधार किया है। सबसे उल्लेखनीय बढ़त उन परीक्षणों में दिखती है, जिनमें मॉडल को लंबे सॉफ्टवेयर कार्य के दौरान लगातार कई कदम उठाने पड़ते हैं:

• Terminal-Bench 3.0: GLM-5.3 का स्कोर 28.3 रहा, जबकि GLM-5.2 का स्कोर 4.6 था।
• DeepSWE 1.1: नए मॉडल ने 66.9 अंक हासिल किए, जबकि पिछले मॉडल का स्कोर 46.2 था।
• Agents’ Last Exam (CLI): GLM-5.3 का स्कोर 28.5 रहा, जो पिछले मॉडल के 23.8 से अधिक है।

Terminal-Bench 3.0 एजेंटिक कोडिंग के दावे के लिए खास तौर पर प्रासंगिक है, क्योंकि इसमें केवल स्थिर उत्तर देने के बजाय टर्मिनल और शेल के साथ सॉफ्टवेयर कार्य करना शामिल है। DeepSWE 1.1 सॉफ्टवेयर-इंजीनियरिंग कार्यों पर केंद्रित है, इसलिए इसका स्कोर अधिक पूर्ण विकास वर्कफ्लो में प्रगति का संकेत दे सकता है।

Zhipu के अनुसार, घोषणा के समय Terminal-Bench 3.0 पर 28.3 का परिणाम ओपन-सोर्स मॉडलों में सबसे ऊंचा था और Moonshot AI के Kimi K3 से आगे था। यह कंपनी द्वारा बताया गया रैंकिंग दावा है। इसलिए किसी भी तुलना को बेंचमार्क संस्करण, प्रॉम्प्टिंग तरीके और हर मॉडल के लिए इस्तेमाल की गई परीक्षण परिस्थितियों के साथ पढ़ना चाहिए।

कोड सुझाने से सॉफ्टवेयर चलाने वाले एजेंट तक

GLM-5.3 के पीछे उत्पाद दिशा ऐसे एआई सिस्टम की है जो केवल कोड का सुझाव न दे, बल्कि सॉफ्टवेयर पर काम भी कर सके। Zhipu इसे ऐसे मॉडल के रूप में पेश कर रही है जो टूल इस्तेमाल कर सकता है, सॉफ्टवेयर चला सकता है और कम मानवीय हस्तक्षेप में लंबे क्रम वाले कार्य पूरे कर सकता है।

यह एक सीमित सवाल का जवाब देने वाले कोडिंग असिस्टेंट और लक्ष्य हासिल करने वाले एजेंट के बीच का अंतर है। ऐसा एजेंट किसी रिपॉजिटरी की जांच कर सकता है, कमांड चला सकता है, त्रुटियों का पता लगा सकता है, फाइलों में बदलाव कर सकता है और फिर काम को आगे बढ़ा सकता है। Terminal-Bench और DeepSWE में सुधार इसी दिशा से मेल खाते हैं, लेकिन अकेला बेंचमार्क स्कोर यह साबित नहीं करता कि मॉडल अपरिचित प्रोडक्शन वातावरण में भरोसेमंद ढंग से काम करेगा।

Zhipu का यह भी कहना है कि GLM-5.3 की कोडिंग और एजेंट क्षमताएं Claude Fable 5 के प्रदर्शन के करीब पहुंच रही हैं। कंपनी इसे वास्तविक कोडिंग कार्यों में अन्य चीनी मॉडलों से व्यावहारिक रूप से मजबूत भी बताती है। ये Zhipu की पोजिशनिंग संबंधी बातें हैं, इन्हें स्वतंत्र और अंतिम लीडरबोर्ड नतीजे के रूप में नहीं देखा जाना चाहिए।

साइबर सुरक्षा भी दावे का हिस्सा

Zhipu ने GLM-5.3 की बेहतर रीजनिंग और टूल-उपयोग क्षमताओं को साइबर सुरक्षा कार्यों से भी जोड़ा है। इनमें सॉफ्टवेयर कमजोरियों की पहचान करने की संभावित क्षमता शामिल है। सार्वजनिक रूप से बताए गए आंकड़ों में CyberGym पर कमजोरियों की खोज और सत्यापन से जुड़े कार्यों में 84.5% का परिणाम शामिल है।

यह क्षमता दोहरे उपयोग वाली है। कमजोरियां खोजने में रक्षकों की मदद करने वाली वही रीजनिंग और सॉफ्टवेयर-ऑपरेशन क्षमताएं असुरक्षित स्वचालित व्यवहार के जोखिम को भी बढ़ा सकती हैं। उपलब्ध साक्ष्य के आधार पर इसे कमजोरियों की पहचान से जुड़ी रिपोर्ट की गई क्षमता कहना उचित है—इसे भरोसेमंद सुरक्षा ऑडिटर या सुरक्षित रूप से स्वायत्त तरीके से हमले करने में सक्षम प्रणाली का प्रमाण नहीं माना जा सकता।

डेवलपर्स के लिए इसका क्या मतलब है?

GLM-5.3 का सबसे महत्वपूर्ण संकेत केवल उसका पैरामीटर काउंट नहीं है। असली बात यह है कि Zhipu पोस्ट-ट्रेनिंग और ऐसे परीक्षणों पर जोर दे रही है, जो यह मापते हैं कि मॉडल कई चरणों में किसी सॉफ्टवेयर कार्य को कितनी देर तक संभाल सकता है।

मॉडल का मूल्यांकन करने वाले डेवलपर्स के लिए कुछ व्यावहारिक सवाल अहम होंगे:

1. क्या यह पूरे कार्य को शुरू से अंत तक पूरा कर सकता है? अलग-अलग कोड बनाने के बजाय रिपॉजिटरी में बदलाव, डिबगिंग और कमांड-लाइन वर्कफ्लो का परीक्षण करें।
2. इसे कितनी निगरानी की जरूरत पड़ती है? असफल कमांड, अस्पष्ट आवश्यकताओं और टूल-त्रुटियों से उबरने की क्षमता मापें।
3. क्या बेंचमार्क सुधार दोहराए जा सकते हैं? दर्ज किए गए प्रॉम्प्ट और समान मॉडल-एक्सेस परिस्थितियों में परीक्षण दोबारा करें।
4. सुरक्षा की सीमाएं क्या हैं? कोड निष्पादन, सीक्रेट संभालने और सुरक्षा-संबंधी अनुरोधों का नियंत्रित वातावरण में परीक्षण करें।
5. व्यवहार में “ओपन-वेइट्स” का मतलब क्या है? सेल्फ-होस्टिंग या कस्टमाइजेशन की योजना बनाने से पहले उपलब्धता, लाइसेंस और डिप्लॉयमेंट शर्तों की पुष्टि करें; रिलीज तक वेट्स की उपलब्धता को लेकर रिपोर्टिंग पूरी तरह एक जैसी नहीं थी।

निष्कर्ष

GLM-5.3 743 अरब पैरामीटर वाला मॉडल है, जिसके बारे में Zhipu AI का कहना है कि इसकी बड़ी प्रदर्शन बढ़त बड़े बेस मॉडल के बजाय पोस्ट-ट्रेनिंग से आई है। Terminal-Bench 3.0 पर 4.6 से 28.3 और DeepSWE 1.1 पर 46.2 से 66.9 तक की रिपोर्ट की गई छलांग मॉडल की मुख्य पेशकश साफ करती है: ऐसे अधिक सक्षम कोडिंग एजेंट, जो लंबे और जटिल सॉफ्टवेयर कार्य संभाल सकें।

ये नतीजे ओपन-मॉडल कोडिंग और एजेंट वर्कफ्लो के लिए गंभीर परीक्षण के योग्य हैं। फिर भी, फिलहाल ये मुख्य रूप से विक्रेता द्वारा बताए गए दावे हैं। मजबूत बेंचमार्क प्रदर्शन और वास्तविक दुनिया में भरोसेमंद स्वायत्त संचालन के बीच का अंतर स्वतंत्र सत्यापन के बिना कायम रहता है।