GLM-5.3 ของ Zhipu AI ชูพลังเขียนโค้ดแบบเอเจนต์ ด้วยพารามิเตอร์ 743 พันล้านตัว

Zhipu AI เปิดตัว GLM-5.3 โมเดลพื้นฐานแบบ open-weights ที่มีพารามิเตอร์ 743 พันล้านตัว โดยวางจุดขายไว้ที่การเขียนโค้ด วิศวกรรมซอฟต์แวร์ และงานแบบเอเจนต์ มากกว่าการเป็นแชตบอตสำหรับสนทนาเพียงอย่างเดียว บริษัทระบุว่า GLM-5.3 ใช้ขนาดโมเดลเท่ากับ GLM-5.2 แต่ทำผลงานดีขึ้นอย่างมากในการทดสอบงานเขียนโค้ดระยะยาวและการใช้เครื่องมือ โดยแรงส่งหลักมาจาก post-training หรือการฝึกเพิ่มเติมหลังสร้างโมเดลฐานแล้ว

ตัวเลขสำคัญที่ Zhipu รายงาน ได้แก่ การพัฒนาด้านโค้ดราว 50% เมื่อเทียบกับ GLM-5.2 บน Z.ai Code Bench, คะแนน 28.3 ใน Terminal-Bench 3.0 และ 66.9 ใน DeepSWE 1.1 ผลลัพธ์เหล่านี้สะท้อนแนวทางของโมเดลที่พยายามทำงานวิศวกรรมหลายขั้นตอนให้จบ ไม่ใช่แค่สร้างโค้ดสั้น ๆ จากคำสั่งเดียว อย่างไรก็ตาม ตัวเลขทั้งหมดควรผ่านการทดสอบโดยบุคคลที่สามและการใช้งานจริงเพิ่มเติม

จุดเปลี่ยนอยู่ที่ post-training ไม่ใช่การเพิ่มขนาดโมเดล

GLM-5.3 มีขนาดที่รายงานไว้ 743 พันล้านพารามิเตอร์ ซึ่งเป็นตัวเลขเดียวกับ GLM-5.2 โดย Zhipu อธิบายว่าการยกระดับครั้งนี้มาจากการฝึกเพิ่มเติมหลังการฝึกโมเดลฐานเป็นหลัก แทนที่จะเพิ่มจำนวนพารามิเตอร์หรือสร้างฐานโมเดลใหม่

ประเด็นนี้สำคัญต่อการพัฒนาโมเดล AI เพราะการเพิ่มขนาดไม่ใช่เส้นทางเดียวที่จะทำให้ประสิทธิภาพดีขึ้น Post-training สามารถปรับวิธีที่โมเดลวางแผน ใช้เครื่องมือ ทำตามคำสั่ง และเดินหน้าต่อเมื่อเจอเวิร์กโฟลว์ที่ซับซ้อนได้

หลักฐานที่มีอยู่รองรับคำอธิบายของ Zhipu เกี่ยวกับแนวทางการฝึกโมเดล แต่ยังไม่สามารถยืนยันอย่างเป็นอิสระได้ว่าเทคนิค post-training ใดมีส่วนต่อการเพิ่มขึ้นของคะแนนมากน้อยเพียงใด

ผลเด่นที่สุดคือการเขียนโค้ดแบบทำงานต่อเนื่องหลายขั้นตอน

Zhipu ระบุว่า GLM-5.3 มีความสามารถด้านโค้ดเพิ่มขึ้นประมาณ 50% จาก GLM-5.2 บน Z.ai Code Bench ของบริษัท แต่ความแตกต่างที่เห็นชัดกว่าปรากฏในการทดสอบที่ให้โมเดลทำงานซอฟต์แวร์ต่อเนื่องเป็นระยะเวลานาน ได้แก่

• Terminal-Bench 3.0: GLM-5.3 ได้ 28.3 เทียบกับ 4.6 ของ GLM-5.2
• DeepSWE 1.1: ได้ 66.9 เทียบกับ 46.2 ของ GLM-5.2
• Agents’ Last Exam (CLI): ได้ 28.5 เทียบกับ 23.8 ของโมเดลรุ่นก่อน

Terminal-Bench 3.0 มีความเกี่ยวข้องโดยตรงกับคำกล่าวอ้างเรื่อง agentic coding เพราะการทดสอบไม่ได้วัดเพียงคำตอบแบบคงที่ แต่รวมถึงงานที่ต้องโต้ตอบกับเทอร์มินัลและเชลล์ด้วย ส่วน DeepSWE 1.1 มุ่งวัดงานด้านวิศวกรรมซอฟต์แวร์ จึงช่วยสะท้อนความสามารถในการทำเวิร์กโฟลว์พัฒนาโปรแกรมที่ครบถ้วนขึ้น

Zhipu ระบุว่าคะแนน 28.3 ใน Terminal-Bench 3.0 สูงที่สุดในกลุ่มโมเดลโอเพนซอร์ส ณ เวลาประกาศ และนำหน้า Kimi K3 ของ Moonshot AI แต่การจัดอันดับดังกล่าวเป็นข้อมูลที่บริษัทรายงานเอง การเปรียบเทียบจึงควรพิจารณาร่วมกับเวอร์ชันของชุดทดสอบ วิธีเขียนพรอมป์ต และเงื่อนไขการเข้าถึงโมเดลของแต่ละระบบ

จากผู้ช่วยเขียนโค้ดสู่เอเจนต์ที่ควบคุมซอฟต์แวร์

ทิศทางผลิตภัณฑ์ของ GLM-5.3 คือการทำให้ AI ทำได้มากกว่าการแนะนำโค้ด Zhipu นำเสนอโมเดลนี้ว่าใช้งานเครื่องมือ ควบคุมซอฟต์แวร์ และทำงานต่อเนื่องหลายขั้นตอนได้ โดยต้องพึ่งการแทรกแซงจากมนุษย์น้อยลง

ความแตกต่างอยู่ที่ระดับของงาน ผู้ช่วยเขียนโค้ดทั่วไปอาจตอบคำถามที่เจาะจงหรือสร้างฟังก์ชันหนึ่งชุด ขณะที่เอเจนต์อาจต้องตรวจสอบโค้ดในรีโพซิทอรี รันคำสั่ง วิเคราะห์ข้อผิดพลาด แก้ไขไฟล์ และทำงานต่อจนเข้าใกล้เป้าหมายมากขึ้น

คะแนนที่ดีขึ้นใน Terminal-Bench และ DeepSWE สอดคล้องกับทิศทางดังกล่าว แต่คะแนนจากเบนช์มาร์กเพียงอย่างเดียวไม่อาจยืนยันว่าเอเจนต์จะทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมการผลิตที่ไม่คุ้นเคย

Zhipu ยังระบุว่าความสามารถด้านโค้ดและเอเจนต์ของ GLM-5.3 กำลังเข้าใกล้ Claude Fable 5 พร้อมวางตำแหน่งให้มีความแข็งแกร่งเชิงปฏิบัติมากกว่าโมเดลจีนอื่น ๆ ในงานเขียนโค้ดจริง ข้อความเหล่านี้เป็นการวางตำแหน่งจากบริษัท ไม่ควรตีความว่าเป็นผลจัดอันดับอิสระที่ยืนยันแล้ว

ความปลอดภัยไซเบอร์เป็นอีกพื้นที่ที่ถูกจับตามอง

Zhipu เชื่อมโยงความสามารถด้านการให้เหตุผลและการใช้เครื่องมือของ GLM-5.3 เข้ากับงานความปลอดภัยไซเบอร์ รวมถึงการค้นหาช่องโหว่ในซอฟต์แวร์ โดยมีรายงานคะแนน 84.5% ใน CyberGym ซึ่งทดสอบการค้นหาและตรวจสอบช่องโหว่

ความสามารถลักษณะนี้มีทั้งประโยชน์และความเสี่ยงแบบ dual-use เพราะทักษะการให้เหตุผลและการควบคุมซอฟต์แวร์ที่ช่วยฝ่ายป้องกันค้นหาจุดอ่อน ก็อาจทำให้พฤติกรรมอัตโนมัติที่ไม่ปลอดภัยมีผลกระทบรุนแรงขึ้นได้

หลักฐานที่มีอยู่รองรับการกล่าวว่า GLM-5.3 มีความสามารถด้านการค้นหาช่องโหว่ตามที่รายงาน แต่ยังไม่ใช่หลักฐานว่าโมเดลเป็นผู้ตรวจสอบความปลอดภัยที่เชื่อถือได้ หรือสามารถดำเนินการโจมตีระบบโดยอัตโนมัติอย่างปลอดภัย

นักพัฒนาควรดูอะไรนอกเหนือจากคะแนนเบนช์มาร์ก

สัญญาณสำคัญที่สุดจาก GLM-5.3 อาจไม่ใช่จำนวนพารามิเตอร์ แต่คือการเน้น post-training และการใช้การทดสอบที่วัดว่าโมเดลสามารถประคองงานซอฟต์แวร์หลายขั้นตอนจนจบได้หรือไม่

สำหรับนักพัฒนาที่กำลังประเมินโมเดล คำถามที่ควรทดสอบมีดังนี้

1. ทำงานตั้งแต่ต้นจนจบได้หรือไม่ ควรทดสอบการแก้ไขรีโพซิทอรี การดีบัก และเวิร์กโฟลว์ผ่านบรรทัดคำสั่ง ไม่ใช่ดูเฉพาะการสร้างโค้ดเป็นชิ้น ๆ
2. ต้องมีคนคอยกำกับมากแค่ไหน วัดความสามารถในการฟื้นตัวจากคำสั่งที่ล้มเหลว ความต้องการที่กำกวม และข้อผิดพลาดจากเครื่องมือ
3. ผลการทดสอบทำซ้ำได้หรือไม่ รันการประเมินด้วยพรอมป์ตที่บันทึกไว้อย่างชัดเจน และเปรียบเทียบภายใต้เงื่อนไขการเข้าถึงโมเดลแบบเดียวกัน
4. มีขอบเขตความปลอดภัยอย่างไร ทดสอบการรันโค้ด การจัดการความลับ และคำขอเกี่ยวกับความปลอดภัยในสภาพแวดล้อมที่ควบคุมได้
5. คำว่า open-weights หมายถึงอะไรในทางปฏิบัติ ตรวจสอบความพร้อมใช้งาน เงื่อนไขใบอนุญาต และข้อกำหนดการติดตั้งก่อนวางแผนโฮสต์โมเดลเองหรือปรับแต่ง เนื่องจากข้อมูลเกี่ยวกับการเปิดให้เข้าถึงน้ำหนักโมเดลยังไม่สอดคล้องกันทั้งหมด

สรุป

GLM-5.3 เป็นโมเดลขนาด 743 พันล้านพารามิเตอร์ที่ Zhipu AI ระบุว่าได้ประสิทธิภาพส่วนใหญ่จาก post-training ไม่ใช่การเพิ่มขนาดของโมเดลฐาน การขยับคะแนนจาก 4.6 เป็น 28.3 ใน Terminal-Bench 3.0 และจาก 46.2 เป็น 66.9 ใน DeepSWE 1.1 ทำให้จุดขายของรุ่นนี้ชัดเจน นั่นคือการสร้างเอเจนต์เขียนโค้ดที่รับมือกับงานซอฟต์แวร์ระยะยาวและซับซ้อนได้ดีขึ้น

ผลลัพธ์ดังกล่าวมีนัยสำคัญพอที่จะต้องติดตาม โดยเฉพาะสำหรับโมเดลแบบเปิดและเวิร์กโฟลว์ที่ใช้งานเอเจนต์ แต่ทั้งหมดนี้ยังเป็นตัวเลขและคำกล่าวอ้างจากผู้พัฒนา ความแตกต่างระหว่างผลเบนช์มาร์กที่โดดเด่นกับการทำงานอัตโนมัติที่ไว้ใจได้ในโลกจริงยังต้องรอการตรวจสอบจากแหล่งอิสระ