Краткое содержание анализа
Компания Zhipu AI выпустила большой модель GLM-5.3, которая не пошла по пути увеличения количества параметров (ее количество составляет 753 миллиарда параметров) и вместо этого сосредоточилась на дальнейшем развитии потенциала существующей базы данных с помощью процесса постобучения (более длительного времени обучения, использования большего количества задач и расширения масштабов методов усиленного обучения). Результаты модели в различных тестах в области выполнения конкретных задач, программирования, профессиональных знаний и кибербезопасности выдающиеся; особенно значительны ее достижения в сфере кибербезопасности, превосходящие уровень некоторых международных лидирующих моделей. В настоящее время отрасль больших моделей переживает значительные изменения в ценообразовании: зарубежные гиганты снижают цены, чтобы конкурировать с китайскими моделями, в то время как китайские производители переходят от стратегии привлечения клиентов за счет низкой стоимости к повышению цен с целью получения прибыли. Будущее GLM-5.3 зависит от того, сможет ли модель сохранить преимущества, полученные в процессе постобучения, удастся ли обеспечить надлежащий уровень безопасности после открытия исходного кода, а также сможет ли она создать собственную экосистему разработчиков благодаря своим программировочным и кибербезопасным возможностям.
Логика обновления: отказ от гонки за количество параметров в пользу улучшения существующих функций
Ранее в индустрии больших моделей ценностью считалось количество параметров; например, модель Kimi K3 имела 2,8 триллиона параметров, что стало настоящим прорывом. Однако GLM-5.3 пошла другим путем: улучшения в производительности достигнуты за счет дальнейшего обучения существующей базы данных, аналогично тому, как автомобильный двигатель становится более эффективным после длительных тестов и оптимизации в сложных условиях эксплуатации. Компания Zhipu называет этот подход “постобучением” (post-training scaling) и утверждает, что потенциал существующей базы данных еще далеко не исчерпан, поэтому нет необходимости создавать новую базу данных сразу.
Основные достижения модели
GLM-5.3 выделяется в ряде ключевых тестов:
- Способность к выполнению реальных задач: показатель Terminal-Bench улучшился с 4,6 до 28,3 (чем выше значение, тем лучше производительность модели);
- Программирование: точность модели превзошла уровень модели Claude Opus 4.8 от компании Anthropic, при этом код, генерируемый GLM-5.3, более лаконичный (в среднем 50 тысяч символов на задачу, по сравнению с более чем 100 тысячами у Opus);
- Охват профессиональных знаний: показатель GDPval-AA составил 1769 против 1682 у Kimi K3; модель способна решать задачи, связанные с различными профессиями (например, врачи могут использовать ее для составления медицинских отчетов, инженеры — для анализа технической документации);
- Кибербезопасность: модель превзошла другие модели в тестах на обнаружение уязвимостей; кроме того, совместно с десятками команд специалистов по безопасности было выявлено 2436 уязвимостей в реальных кодовых базах (1097 из них являются критически важными), включая системы Android и Windows; эти уязвимости были переданы в национальные банки данных для устранения, что делает модель более надежной с точки зрения защиты от хакерских атак.
Динамика ценообразования
В последнее время в индустрии больших моделей наблюдается резкое разделение на две группы: зарубежные компании снижают цены, чтобы привлечь клиентов, в то время как китайские производители повышают их с целью получения прибыли:
- Зарубежные гиганты снижают цены: OpenAI уменьшил стоимость API для модели GPT-5.6 Luna на 80% (с 1 доллара до 0,2 доллара за миллион символов); Google и Anthropic также последовали этому примеру;
- Китайские производители повышают цены: цена модели DeepSeek V4-Pro увеличилась в 4,5 раза (с 6 юаней до 27 юаней за миллион символов), Kimi K3 — в 2–3 раза; компания Zhipu также повысила цену на свою модель.
Будущие вызовы
Успех подхода GLM-5.3 зависит от решения трех ключевых проблем:
1. Сколько времени продлится эффект от постобучения? Сейчас модели демонстрируют быстрый прогресс благодаря этому подходу, но рано или поздно он закончится; как будет обеспечиваться дальнейшее улучшение производительности?
2. Как обеспечить безопасность после открытия исходного кода? Компания Zhipu планирует сделать модель открытой для всех, но увеличение числа пользователей повышает риск возникновения уязвимостей; как можно предотвратить их использование злоумышленниками?
3. Как создать экосистему разработчиков? В условиях снижения цен зарубежных моделей китайские производители должны привлекать разработчиков благодаря преимуществам своих моделей в области программирования и кибербезопасности; модель сможет утвердиться на рынке только в том случае, если разработчики сочтут ее незаменимой.
В целом, GLM-5.3 предлагает новый подход к развитию больших моделей, основанный не на количестве параметров, а на улучшении их функциональности. Однако успех этого подхода зависит от технических, безопасных и коммерческих факторов. Для обычных пользователей в будущем могут появиться более надежные и умные китайские модели, однако их цены, вероятно, станут выше, чем раньше.