GLM-5.3: वही बेस मॉडल, लेकिन पोस्ट-ट्रेनिंग से कोडिंग और साइबरसिक्योरिटी में बड़ा सुधार

Tang Jie का लंबा खिंचा हुआ “sooooooon” इस बार लगभग शाब्दिक साबित हुआ। रिपोर्टों के मुताबिक, Zhipu AI के चीफ साइंटिस्ट के इस जवाब के कुछ ही घंटों बाद कंपनी ने GLM-5.3 जारी कर दिया। 12

लेकिन इस लॉन्च की खासियत सिर्फ इसकी तेज टाइमिंग नहीं थी। GLM-5.3 को मुख्य रूप से कोडिंग, एजेंटिक सॉफ्टवेयर इंजीनियरिंग और साइबरसिक्योरिटी के लिए तैयार मॉडल के तौर पर पेश किया गया है। इसकी तकनीकी कहानी भी ध्यान खींचती है: मॉडल ने GLM-5.2 वाला ही लगभग 743B-पैरामीटर बेस बरकरार रखा, जबकि Zhipu ने सुधार का श्रेय बड़े पैमाने की पोस्ट-ट्रेनिंग को दिया—न कि एक और बड़े प्रीट्रेनिंग रन को। 1420

एक ही बेस से ज्यादा क्षमता का दावा

AI मॉडल्स की दुनिया में बेहतर नतीजों का संबंध अक्सर ज्यादा पैरामीटर या नए, बड़े बेस मॉडल से जोड़ा जाता है। GLM-5.3 का संदेश इससे अलग है: मौजूदा बड़े बेस मॉडल को अधिक लक्षित पोस्ट-ट्रेनिंग देकर विशेषज्ञता बढ़ाई जा सकती है।

Zhipu की प्रकाशित तुलना में टूल और टर्मिनल पर निर्भर कठिन सॉफ्टवेयर टास्क में सबसे बड़ा सुधार दिखाया गया है:

• SWE-Marathon: 19.4 से बढ़कर 42.5
• FrontierSWE: 67.5 से बढ़कर 78.1
• Terminal-Bench 3.0: 4.6 से बढ़कर 28.3
• DeepSWE v1.1: 46.2 से बढ़कर 66.9

ये आंकड़े Zhipu की प्रकाशित तुलना और उन परिणामों के आधार पर किए गए द्वितीयक विश्लेषणों से आते हैं। 1367

Terminal-Bench में 4.6 से 28.3 की छलांग प्रतिशत-अंकों के लिहाज से खास तौर पर बड़ी है। फिर भी कम शुरुआती स्कोर से आया बड़ा उछाल यह साबित नहीं करता कि मॉडल हर सॉफ्टवेयर-इंजीनियरिंग टास्क में सबसे बेहतर है। उदाहरण के लिए, SWE-Marathon में 42.5 का स्कोर Kimi K3 और Opus 4.8 के रिपोर्ट किए गए परिणामों से नीचे रहा। 69

CyberGym बना सबसे बड़ा सुर्खी वाला नतीजा

GLM-5.3 का सबसे ज्यादा ध्यान खींचने वाला स्कोर CyberGym पर 84.5 रहा। यह बेंचमार्क सोर्स कोड से सुरक्षा कमजोरियां खोजने और उनके असर को सत्यापित करने की क्षमता जांचता है। Zhipu की तुलना में यह स्कोर Mythos 5 के 83.8 और GPT-5.6 Sol के 83.6 से थोड़ा आगे था। 256

CyberGym केवल यह नहीं जांचता कि AI सुरक्षित कोड लिख सकता है या नहीं। रिपोर्ट किए गए टास्क में कमजोरियां पहचानना, हमले तैयार करना और उनके प्रभाव को सत्यापित करना शामिल है। यानी यह सामान्य कोड-कंप्लीशन से आगे बढ़कर वल्नरेबिलिटी डिस्कवरी और एक्सप्लॉइटेशन-चेन पर तर्क करने की क्षमता को परखता है। 1217

इसी वजह से साइबरसिक्योरिटी प्रकाशनों ने इस नतीजे को प्रमुखता दी। The Register ने Zhipu के उस दावे की रिपोर्ट की कि पोस्ट-ट्रेनिंग बढ़ाने के साथ मॉडल केवल अलग-अलग खामियां पहचानने तक सीमित नहीं रहा, बल्कि एक्सप्लॉइटेशन चेन के कई चरणों पर भी तर्क करने लगा। 17

फिर भी “लीडर” शब्द को संदर्भ के साथ पढ़ना जरूरी है। उपलब्ध कवरेज इन तुलनाओं को मुख्यतः वेंडर द्वारा रिपोर्ट किए गए परिणाम बताती है और यह भी कहती है कि बड़े पैमाने पर स्वतंत्र प्रतिकृति अभी उपलब्ध नहीं है। 246

वास्तविक कोडबेस पर सुरक्षा परीक्षण का दावा

CyberGym के अलावा, Zhipu ने कथित तौर पर सुरक्षा टीमों के साथ वास्तविक दुनिया के कोडबेस पर मॉडल का परीक्षण करने की बात कही। कंपनी के रिपोर्ट किए गए सुरक्षा-लेजर में 269 ओपन-सोर्स प्रोजेक्ट्स से 2,436 सुरक्षा निष्कर्ष दर्ज थे। इनमें 1,097 Critical या High severity की खामियां शामिल थीं। रिपोर्टों के अनुसार, सबसे पुरानी खामी 1981 की थी और ये कमजोरियां औसतन 26.6 वर्षों तक खोजी नहीं गई थीं। 2131

ये आंकड़े यह संकेत देते हैं कि Zhipu GLM-5.3 को किस तरह के सुरक्षा वर्कफ्लो से जोड़ना चाहता है। लेकिन इन्हें स्वतंत्र ऑडिट से प्रमाणित माप के रूप में नहीं पढ़ा जाना चाहिए। उपलब्ध रिपोर्टिंग इन आंकड़ों का स्रोत Zhipu को बताती है और व्यापक बेंचमार्क रिकॉर्ड भी अभी काफी हद तक कंपनी के खुलासों पर आधारित है।

एजेंटिक कामकाज पर जोर

GLM-5.3 की पेशकश सिर्फ अकेले कोड लिखने वाले मॉडल की तरह नहीं की गई। Zhipu ने इसे ऐसे लंबे समय तक चलने वाले AI एजेंट के लिए लक्षित बताया है जो टूल इस्तेमाल कर सके, टर्मिनल में काम कर सके और कई चरणों वाले इंजीनियरिंग टास्क पूरे कर सके।

रिपोर्ट किए गए परिणामों में Toolathlon Verified पर 73.0, जो GLM-5.2 के 59.9 से अधिक है, और AutomationBench पर 48.2, जो 26.2 से ऊपर है, शामिल हैं। अन्य प्रकाशित तुलनाओं में Agents’ Last Exam पर 28.5 का स्कोर भी दिया गया है। 1711

इसका व्यावहारिक अर्थ यह है कि मॉडल की कथित बढ़त सिर्फ अच्छा दिखने वाला कोड-स्निपेट बनाने में नहीं, बल्कि किसी रिपॉजिटरी, टर्मिनल या टूल-एनवायरनमेंट में लगातार कई कार्रवाई करने में है। हालांकि वास्तविक प्रोडक्शन इंजीनियरिंग में इसकी विश्वसनीयता टूल परमिशन, टेस्ट कवरेज, मानवीय समीक्षा और किसी खास कोडबेस पर इसकी गलती की दर जैसे कारकों पर निर्भर करेगी।

लॉन्च से क्या साबित होता है—और क्या नहीं

उपलब्ध प्रमाणों के आधार पर सबसे मजबूत निष्कर्ष यह है कि GLM-5.3 ने GLM-5.2 की तुलना में कई कोडिंग और एजेंटिक बेंचमार्क पर बड़ा, रिपोर्ट किया गया सुधार दिखाया है। साथ ही, Zhipu और लॉन्च कवरेज में प्रकाशित तुलना तालिकाओं के अनुसार CyberGym पर इसका स्कोर अग्रणी रहा। 256

इससे यह निष्कर्ष नहीं निकलता कि GLM-5.3 हर प्रोग्रामिंग, रीजनिंग, सेफ्टी या सामान्य-उद्देश्य वाले काम में सभी फ्रंटियर मॉडल से बेहतर है। कुछ कोडिंग बेंचमार्क पर प्रतिस्पर्धी मॉडल आगे रहे हैं और उपलब्ध नतीजों को स्वतंत्र मूल्यांकनकर्ताओं ने बड़े पैमाने पर दोहराया नहीं है। 69

इस लॉन्च का ज्यादा महत्वपूर्ण सबक तरीका है: GLM-5.3 यह दिखाने की कोशिश करता है कि पोस्ट-ट्रेनिंग के पैमाने और गुणवत्ता के जरिए पहले से मौजूद बड़े बेस मॉडल से विशेषज्ञ क्षमता निकाली जा सकती है। अगर स्वतंत्र परीक्षण इन सुधारों की पुष्टि करते हैं, तो AI में निवेश का सवाल केवल पैरामीटर गिनने तक सीमित नहीं रहेगा। वास्तविक सॉफ्टवेयर और सुरक्षा वर्कफ्लो पर लक्षित पोस्ट-ट्रेनिंग और कठोर मूल्यांकन भी उतने ही अहम हो सकते हैं।