**Non pas des milliards de paramètres : le modèle GLM-5.3 de Zhipu se concentre sur les compétences en programmation et la sécurité réseau**

Résumé des points clés

Le grand modèle GLM-5.3, lancé par Zhipu AI, n’a pas suivi la tendance de l’accumulation de paramètres (il conserve toujours 753 milliards de paramètres) ; au lieu de cela, il a exploité le potentiel de sa base existante grâce à une “mise à l’échelle post-entraînement” (temps d’entraînement plus long, plus de scénarios d’exercices, apprentissage automatique à grande échelle), ce qui a considérablement amélioré ses performances. Il s’est distingué dans des tests portant sur des tâches terminales, l’ingénierie logicielle, les connaissances professionnelles, la programmation et la sécurité (notamment en matière de sécurité, où il a dépassé certains modèles internationaux de pointe). La situation actuelle du marché des grands modèles est contrastée : les géants étrangers réduisent leurs prix pour faire face à la concurrence des modèles nationaux, tandis que ces derniers passent d’une stratégie axée sur le rapport qualité-prix à une approche axée sur la rentabilité. L’avenir de GLM-5.3 dépendra de la durabilité des bénéfices apportés par la mise à l’échelle post-entraînement, de la capacité à gérer efficacement les problèmes de sécurité après l’ouverture du code source, et de sa capacité à se positionner comme un leader en termes d’atouts pour les développeurs grâce à ses compétences en programmation et en sécurité.

I. Logique de mise à niveau : plutôt que de courir vers une “course aux paramètres”, il s’agit de “régler finement le moteur existant”

Auparavant, l’industrie des grands modèles se concentrait sur la quantité de paramètres, comme Kimi K3 qui en comptait 2,8 billions, déclenchant une véritable révolution dans le secteur. GLM-5.3 suit une approche opposée : les paramètres de base restent identiques à ceux de la génération précédente, et l’amélioration des performances repose entièrement sur la “mise à l’échelle post-entraînement”. C’est un peu comme ajuster le moteur d’une voiture en le faisant rouler sur des routes plus complexes pendant plus longtemps, en utilisant des méthodes plus intelligentes (apprentissage automatique) pour améliorer ses performances. Zhipu AI qualifie cette approche de “mise à l’échelle post-entraînement” et souligne que le potentiel de la base existante n’a pas encore été entièrement exploité, il n’est donc pas nécessaire de se précipiter pour créer une nouvelle base.

II. Points forts en termes de performances : sécurité et programmation comme atouts majeurs

GLM-5.3 s’est distingué dans plusieurs tests clés :

• Capacité à accomplir des tâches réelles : le score Terminal-Bench est passé de 4,6 à 28,3 (plus le score est élevé, mieux c’est) ; cela indique une amélioration significative de la capacité à gérer des tâches quotidiennes telles que la rédaction de rapports ou la création de tableaux.
• Compétences en programmation : il a surpassé Claude Opus 4.8 d’Anthropic dans des tests de programmation difficiles, tout en produisant du code plus compact (en moyenne 50 000 tokens par tâche, soit moins de la moitié).
• Couverture des connaissances professionnelles : le score GDPval-AA est de 1769, contre 1682 pour Kimi K3 ; cela signifie que le modèle peut gérer diverses tâches professionnelles (par exemple, les médecins rédigeant des dossiers médicaux ou les ingénieurs consultant des documents techniques).
• Capacité en sécurité (point fort) : il a surpassé les modèles GPT et Anthropic dans des tests de détection de vulnérabilités ; son score dans les tests de mise à profit des vulnérabilités profondes a doublé, le rapprochant des meilleurs modèles mondiaux. De plus, en collaboration avec plus d’une dizaine d’équipes de sécurité, Zhipu AI a identifié 2436 vulnérabilités dans des bases de code réelles (dont 1097 de niveau critique ou élevé), couvrant des systèmes tels que Android et Windows, et ces vulnérabilités ont été soumises aux bases nationales de données de sécurité pour correction. Cela montre que le modèle est moins susceptible d’être exploité par les hackers et donc plus fiable.

III. Contraste dans les stratégies de tarification : les géants étrangers réduisent leurs prix pour conquérir le marché, tandis que les modèles nationaux augmentent les leurs pour générer des revenus

Récemment, la tarification des grands modèles a connu une forte polarisation :

• Réduction des prix par les géants étrangers : OpenAI a baissé de 80 % le prix de l’API de GPT-5.6 Luna (de 1 dollar à 0,2 dollar par million de tokens), suivi par Google et Anthropic ; leur objectif est de freiner la progression des modèles nationaux (tels que Kimi K3 et DeepSeek V4).
• Augmentation des prix par les modèles nationaux : le prix de DeepSeek V4-Pro a augmenté de 4,5 fois pendant les périodes de pointe (de 6 yuans à 27 yuans par million de tokens), et celui de Kimi K3 a également augmenté de 2 à 3 fois (de 6 yuans à 100 yuans). Zhipu AI a également augmenté ses prix. La raison en est que les modèles nationaux ne cherchent plus à se faire un nom grâce à des tarifs bas, mais plutôt à générer des revenus.

GLM-5.3 n’a pas encore annoncé d’augmentation de prix ; s’il maintient son tarif actuel (8 yuans pour l’entrée et 28 yuans par million de tokens), il se situerait dans la même position que DeepSeek V4-Pro, au cœur de cette divergence des stratégies commerciales.

IV. Défis à venir : trois facteurs déterminants pour le succès de cette approche

Le succès de l’approche de GLM-5.3 reposera sur trois éléments :

1. La durabilité des bénéfices apportés par la mise à l’échelle post-entraînement : les améliorations actuelles sont rapides, mais il faudra voir comment continuer à progresser à long terme.

2. La gestion des problèmes de sécurité après l’ouverture du code source : bien que Zhipu AI puisse choisir d’ouvrir le code source, cela augmentera les risques de vulnérabilités ; il faudra s’assurer que ces risques peuvent être maîtrisés.

3. La capacité à se construire une communauté de développeurs : avec la concurrence des géants étrangers et l’augmentation des prix, GLM-5.3 devra convaincre les développeurs de son utilité grâce à ses compétences en programmation et en sécurité. Seul un modèle considéré comme irremplaçable (par exemple pour les applications liées à la sécurité) pourra s’établir sur le marché.

En somme, GLM-5.3 propose une nouvelle approche pour l’industrie des grands modèles, qui ne repose pas sur l’accumulation de paramètres, mais sur l’amélioration des performances grâce à des techniques avancées. Cependant, son succès dépendra de la capacité à mettre en œuvre ces innovations sur le plan technique, sécurité et commercial. Pour les utilisateurs finaux, il est probable que des modèles nationaux plus fiables et plus intelligents deviennent plus courants à l’avenir, mais leurs prix pourront être plus élevés qu’auparavant.