作者｜周末

原创首发｜蓝字计划

" 国产模型一哥 "，又杀回战场了。

两个月前，唐杰还在马斯克面前放话：国产模型超越 Claude Fable 5，不会太久。现在两个月过去，智谱立马就把对标把 Fable 5   的 GLM-5.3 端了上来。

图源：智谱官方账号

来得虽快，GLM-5.3 出手却一点都不含糊。

根据智谱自建的 Z.ai Code Bench，GLM-5.3 编程能力较 GLM-5.2 提升了 50%，官方也将其称为目前最强的开源权重编程模型。

在漏洞挖掘上，GLM-5.3 同样不弱。据智谱披露，它一口气找出 2436 个漏洞，其中 1097 个属于中高危漏洞，白盒代码审查和漏洞发现能力已经可以对标 Mythos 5。

智谱把这轮能力提升的主要功劳，归给了后训练。

一般来说，大模型想变得更强，最直接的办法是扩大参数、增加数据，再做一轮大规模预训练，要付出的代价是更多的 GPU、更长训练周期，以及大笔算力、电力和资金支出。

但后训练显然不是这么一回事。简单来说，后训练就是模型完成基础训练后，再通过强化学习不断 " 特训 "，针对具体任务进行优化。

也就是说，别人争着给模型补脑，智谱却靠后天补课，把它练成了神童。

后训练真有这么神？

大模型，也成了做题家

要理解 GLM-5.3 的能力，还得先回到 GLM-5.2。

作为智谱上一代旗舰模型，GLM-5.2 已经站到了开源模型第一梯队。

今年 6 月，智谱开源的 GLM-5.2 采用了混合专家（MoE）架构，总参数规模约 7530 亿，上下文窗口达到 100 万 Token。在 Artificial Analysis 综合能力评测中，GLM-5.2 拿下 51 分，成为当时开源模型中的头部选手。

图源：智谱官网（GLM-5.2 跑分数据）

而两个月后的 GLM-5.3，没有更换底座，也没有继续扩大参数规模。智谱把主要精力放在了后训练上：长程任务环境规模扩大数十倍，任务场景变得更加丰富，后训练的迭代时间也被明显拉长。

图源：智谱官网

这一变化背后，是唐杰对大模型竞争方向的一次判断：Scaling，不只有参数量这一条路子可以走。

图源：智谱 AI 创始人，唐杰社交账号

过去，模型升级最直观的方式是扩大参数规模。但随着模型能力逐渐接近瓶颈，单纯 " 堆参数 " 带来的收益正在下降。

训练过程本身，同样会决定模型的最终能力，这也成了 GLM-5.3 的重点。

GLM-5.3 开始让模型进入更接近真实工作的任务环境。

在一些高难度任务中，GLM-5.3 需要面对完整的工程体系，自己分析性能瓶颈、修改方案、运行测试，并根据反馈不断迭代。而这类任务的复杂程度，已经接近一名经验丰富的工程师连续数天的工作量。

这类训练的核心，是让模型不断强化、学习，并学会如何完成一个目标。

为了扩大这种训练规模，GLM-5.3 还尝试自动生成更多长周期任务环境，并通过评估系统验证任务是否有效，让模型能够接触更丰富的工作场景。

有没有效果？直接上跑分数据。

在考验真实终端环境复杂操作的 Terminal-Bench 3.0 里，GLM-5.3 的分数提高了一大截，成绩从 GLM-5.2 的 4.6 分提升到 28.3 分，已经逼近 Fable 5 的 33.7。

而在更考验 " 长期软件代码能力 " 的 DeepSWE v1.1 中，GLM-5.3 也从 46.2 分提升到 66.9 分，距离 Fable 5 只差不到 3 分。

图源：智谱官网   GLM-5.3 跑分数据

更有意思的是，不同类型任务之间出现了反差。

越接近真实工作流、越需要模型长期执行的任务，GLM-5.3 提升越明显。比如在 Terminal-Bench 3.0 中，它的成绩增长了接近 6 倍。

相比之下，在更偏综合能力和多工具协作的 Agents' Last Exam 中，GLM-5.3 提升幅度相对有限，只涨了 4.7 分。

这样的成绩变化，其实就可以反映了 GLM-5.3 这轮训练的重点：让模型学会完成一件复杂的事情：理解目标、拆解任务、调用工具、不断验证，直到交付结果。

而这类任务，正是长周期训练环境最能发挥作用的地方。

不过，跑分终归只是跑分。要看这种训练有没有让模型更会干活，还得给它一项足够复杂的任务。

比如，从零复刻一个能真正开车到处逛的陆家嘴。

疯狂补课，确实有用

在基座参数没变的前提下，GLM-5.3 编程能力体感暴涨了 50%。那我们就看看，GLM-5.3 用代码能写出什么好看好玩有意思的画面。

我们交给 GLM-5.3 和 GLM-5.2 的任务是：开发一个上海市陆家嘴和外滩区域的 3D 驾驶小游戏，需求大致涵盖地理复刻、昼夜灯光、车辆物理、导航存档等等。

在实测中，GLM-5.3 和 GLM-5.2 交付出的成品明显不同。

GLM-5.2 更倾向于快速完成一个完整 Demo。在接收到需求后，它直接围绕功能展开，将场景、车辆、灯光、交互等模块逐步实现。最终生成的代码规模较大，覆盖了大量功能需求。

GLM-5.2 实测

实际上，GLM-5.2 这种面对复杂任务时能快速过一遍设计方案，然后迅速进入执行阶段的能力，对于快速开发非常重要。例如，在要求加入动态灯光系统时，GLM-5.2 能够理解昼夜变化需求，并尝试通过时间系统控制灯光状态；在车辆驾驶部分，也加入了相关控制逻辑。

只是这种追求速度的打法，也带来了明显的问题：模型更关注需求清单里的每个功能有没有跑通，轻视了不同模块之间是否协调，以及项目以后要怎么扩展。

于是，在 GLM-5.2 交付的这个成品里，城市细节可以说是几乎没有的。所有的建筑、地面和车辆，都是同一套色块，灯光也比较线性。

相比之下，GLM-5.3 的表现就有明显进步。

在生成结果中，GLM-5.3 采用了更接近真实工程项目的分层方式：配置层、核心层、数据层、世界构建层、系统层、装配层，而很少围绕具体功能。

GLM-5.3

这正是长周期后训练想要强化的能力：先规划整体结构，再分步骤实现，并在更长的任务链中处理好前后的依赖关系。

以后想加入更多城市区域、NPC 车辆、天气系统或者 AI 驾驶，只需要在现有架构上继续增加模块，不用把已有代码推倒重来。

而且干活更细致之后，GLM-5.3 确实也能带来更好的效果。

当我们在游戏中驾驶着小车车畅游陆家嘴的时候，随车辆移动所产生的影子变化、写字楼的格子间灯光、色彩较多的城市界面、不同的车辆驾驶视角，GLM-5.3 都有在还原。

甚至是，车辆刹车时的车尾灯开启、车辆惯性、非路面行驶会限速都有体现；物理反馈、摄像机跟随、状态管理，GLM-5.3 都有考虑在内。

这可不是单纯多放了几个视觉元素。刹车灯需要车辆状态联动灯光系统，非路面限速也需要地形判断与物理系统配合。能把这些细节串起来，说明 GLM-5.3 对跨模块关系处理的效果不错。

可以说，更细的任务拆解和更完整的工程规划，让 GLM-5.3 交出的成品更完整，也更接近一个可以继续开发的项目。

不过，GLM-5.3 也还是有点愚蠢的地方。除了标志性建筑外，其他建筑几乎一个样。并且，许多建筑直接是在路面上生成，所以能看到很多路面是没法通行的。

这些问题也说明，GLM-5.3 虽然能够搭起复杂工程，却还没有把整张地图的空间关系检查好。

总的来说，有这样的提升，其实已经能说明后训练这套的确有两把刷子。但这也留下了一个终极问题：既然后训练效果那么好，为什么其他家不来抄抄？

国模一哥，也有保质期

其实，大家早就在干了。

从 OpenAI o1 到 DeepSeek-R1，强化学习早已被用来提升模型的推理和编程能力。智谱这次的不同，是把长周期任务环境扩大数十倍，专门训练 GLM-5.3 处理复杂工程。

图源：海外用户发文

这办法听起来一点都不神秘，只是门槛也一点不低。

最先，最容易卡住厂商的就是出题。

一道普通的代码题，提前准备好测试用例就能判断对错。长周期编程任务却要把模型放进真实工程，前面改错一个地方，后面整个项目都有可能出问题。

想大规模生成这类任务，还要保证每道题都能正常运行、反复训练，难度远高于收集一批代码。

光有题还不够，评分也得靠谱。

一旦评分标准存在漏洞，模型就可能学会钻空子。表面上分数越来越高，实际任务却没有完成。这就是强化学习中经常出现的 " 奖励作弊 "。

再加上，后训练其实也没有比预训练便宜多少。

一次长周期任务可能要跑上许多轮。模型不断尝试，失败的过程同样消耗 Token 和算力。后训练顶多是省下了重做模型基座的钱，但要是真到了算账的时候，能省下多少可能真不好说。

更别说它还有一个更明显的边界：练什么，就只学什么。

GLM-5.3 在 Terminal-Bench 3.0 中的成绩从 4.6 分涨到 28.3 分，接近翻了六倍；在考察综合能力和多工具协作的 Agents' Last Exam 中，却只提高了 4.7 分，就是最好的案例。

因此，所谓 50% 的编程能力提升，主要集中在长周期编程和复杂工程任务上，绝对不能和整个模型的能力提升了   50%   划等号。

正因如此，后训练更适合把底座已经具备的能力继续补强，要是底座里本来就没有的知识和能力，就没法通过后训练长出来了。

那为什么后训练依然如此受欢迎呢？因为确实高效率啊。

过去，厂商往往要等到下一代基座训练完成，才能迎来一次大升级。现在，同一套基座换一批任务环境、重新训练几个月，也可能推出一个能力明显更强的新版本。

一个模型刚在榜单上冲到前面，对手很快就能用新的训练方法追上来。今天领先的能力，过几个月可能就成了其他模型的基础配置。

智谱在 Blog 最前面写下 " 单弦不成音，独木不成林 "。这句话听起来很从容，也正好说中了现在的局面：模型厂商各有路线，第一梯队的位置也会反复换人。

只是智谱能一直从容吗？这或许是整个大模型行业，都需要自我拷问的问题。

参考资料：

[ 1 ] 数字生命卡兹克：聊聊唐杰老师对 GLM-5.3 和 Scaling Law 的思考

[ 2 ] 量子位：刚刚，GLM-5.3 发布：Coding 更接近 Fable 5！潜伏 40 年的 bug 都被揪出来了

[ 3 ] APPSO：实测 GLM-5.3:   在神仙打架的一周杀回国模顶流，还按下了重置键

[ 4 ] 钛媒体：GLM-5.3 发布，基座没变，能力却涨了

[ 5 ] AI 科技评论：GLM-5.3 来了：底座没换，编程暴涨   50%，还顺手揪出潜伏 40 年的世界级漏洞

主编 :  袁明武  责编 :   海沃德

版式 :伊妍

历史文章

Review