GLM-5.3 – как Китай в очередной раз пытается нанести ответный удар по американской гегемонии в сфере ИИ
Продолжаю исследовать только те релизы LLMs, которые имеют значение в контексте структурных трансформаций ландшафта ИИ.
Z.ai постепенно становится одним из наиболее опасных китайских конкурентов американских ИИ-провайдеров.
Еще в июне GLM-5.2 впервые практически ликвидировала технологический разрыв между китайскими открытыми моделями и передовыми закрытыми моделями США (тогда GLM-5.2 была сильнейшей китайской LLM, а спустя месяц вышла Kimi K3, потом Qwen3.8).
Z.ai 14 августа представила GLM-5.3, но никакого доступа нет, ни по ключам API, ни в рамках экосистемных решений, только GLM Coding Plan (ZCode, Claude Code, OpenCode), а API — в ближайшее время.
Поэтому никаких независимых тестов еще нет. Цены также не были предоставлены, но в рамках пресс-релиза заявлен существенный прогресс, который методом аппроксимации позволяет ожидать мощности GLM-5.3 чуть выше GPT-5.5, но ниже GPT-5.6 SOL. О лидерстве речи не идет, в целом немного слабее Kimi K3 и, видимо, на уровне Qwen3.8.
Это не новое поколение, а глубокая перекалибровка существующей GLM-5.2 под реальную инженерную и агентную деятельность.
Набор параметров стандартный для передовых моделей: контекст – 1 млн токенов, максимальная генерация – 128 тыс токенов. Поддерживаются несколько уровней глубины рассуждения, вызов внешних функций и инструментов, кэширование контекста, структурированный вывод JSON и интеграция через MCP. По сути, как у всех.
Z.ai прямо говорит, что базовая модель полностью совпадает с GLM-5.2. Размер около 753 млрд параметров, из которых около 40 млрд активируются при обработке токена.
Если так мало информации, что разбирать? Есть достаточно интересного.
Весь прирост производительности получен исключительно на этапе последующего дообучения.
Не Z.ai внедрила этот подход (практически все следуют в этом направлении) – модификация LLMs в рамках посттрейнинга на основе реального опыта использования.
Речь идет о тонкой калибровке на основе пользовательских предпочтений (через анализ клиентских запросов) и опыта взаимодействия в реальных проектах и инструментах.
Эпоха масштабирования закончена (то, что я отмечал еще год назад). Еще несколько лет назад логика развития LLM была почти примитивной: больше параметров больше обучающих данных больше вычислительной мощности выше производительность.
GLM-5.3 демонстрирует другую фазу развития: базовый «мозг» — корпус обучающих данных можно оставить практически неизменным, но радикально изменить то, как этот мозг работает в реальной среде.
GLM-5.3 создавалась прежде всего не как чатбот, а как рабочий движок внутри программистских, инженерных и агентных инструментов. С точки зрения интеллектуальной глубины – без изменения, корпус данных тот же, умнее модель не стала, но обросла «нейронными связями», т.е. стала лучше использовать накопленный опыт и корпус данных.
Главное направление GLM-5.3 – масштабирование последующего обучения на реальных профессиональных рабочих процессах.
Теперь Z.ai пытается моделировать весь производственный цикл: обнаружение проблемы анализ причин и декомпозиция факторов построение вектора решения реализация проверка обнаружение ошибки исправление повторная проверка сборка и завершение проекта.
Ничего нового – так делают сейчас все, но вопрос в том, как делают?
Z.ai при этом работает в существенно менее комфортных условиях, чем OpenAI, Anthropic или Google: ограничения доступа к Nvidia вынуждают адаптировать GLM под Huawei Ascend и другие китайские ускорители, а значит оптимизация вычислений является не красивой презентацией, а вопросом выживания.
Поэтому в Китае так сильно развит алгоритмический подход – в условиях ограниченных ресурсов «выдавить» все, что можно.
Разработчики постепенно перестают обучать LLM правильным ответам и начинают обучать правильному процессу получения ответа.
Разница примерно такая же, как между студентом, который выучил ответы к экзамену, и инженером, который умеет вести проект.
Переход от «результата» к «процессу», что и повышает качество выходных результатов.
GLM-5.3 способна непрерывно работать внутри проектов с десятками тысяч строк программного кода, сотнями файлов и множеством взаимосвязанных подсистем, самостоятельно разрабатывать решение, проверять собственную работу и доводить проект до состояния готового результата при минимальном вмешательстве человека. По крайней мере, так пытаются заявить.
Главный акцент – агентная работа, длительная автономность и поддержание целостности проекта во времени.
Для проекта необходимо помнить: архитектурные ограничения состояние десятков модулей предыдущие решения зависимости уже обнаруженные ошибки результаты тестирования текущую цель.
И дальше сотни раз повторять цикл: гипотеза действие эксперимент проверка коррекция.
У GLM-5.3 именно этот цикл становится основной единицей обучения.
Релиз больше похож на Grok 4.6, чем на Gemini 3.7 Flash. Ожидаемая производительность между GPT-5.5 и GPT-5.6 SOL.
