GLM-5.3؛ مدل جدید Z.ai در برابر رقبا چه حرفی برای گفتن دارد؟

هر چند وقت یک‌بار یک مدل هوش مصنوعی جدید معرفی می‌شود که در نگاه اول شبیه یک به‌روزرسانی معمولی است، اما در عمل تصویر رقابت را جابه‌جا می‌کند. GLM-5.3 از همین جنس است؛ نه به این دلیل که مدل پایه‌ای بزرگ‌تر یا معماری تازه‌ای دارد، بلکه چون Z.ai توانسته با تمرکز بالا روی Post-training، در چند بنچمارک کلیدی کدنویسی و اتوماسیون جهش‌هایی چندین‌برابری ثبت کند.

در این مقاله، GLM-5.3 را از زاویه‌ی مشخصات، بنچمارک‌های رسمی Z.ai، اولین ارزیابی مستقل و بازخورد کاربران بررسی می‌کنیم و نقاط ضعف و قدرت این مدل را می‌بینیم.

ملیکا طاهران‌ پور

مدل هوش مصنوعی GLM-5.2 چیست و چرا همه درباره آن صحبت می‌کنند؟

مطالعه '11

به گفته‌ی Z.ai، تمام جهش عملکردی از مقیاس‌دهی و بهبود فرایند پس‌آموزش (Post-training) می‌آید؛ یعنی مدل روی محیط‌های اجرایی و وظایف واقعی‌تر مهندسی نرم‌افزار، از تشخیص گلوگاه در زیرساخت یادگیری ماشین گرفته تا تغییر کد، اجرای تست و تحویل نتیجه نهایی آموزش داده شده است.

Z.ai بخش قابل‌توجهی از Post-training مدل را به داده‌ها و محیط‌های مرتبط با کشف آسیب‌پذیری اختصاص داده است.

Z.ai همچنین اعلام کرده که در آزمایش روی ۲۶۹ پروژه‌ی متن‌باز، GLM-5.3 به ۲٬۴۳۶ آسیب‌پذیری رسیده که ۱٬۰۹۷ مورد از آن‌ها در دسته‌ی شدت متوسط تا بالا قرار داشته‌اند؛ از جمله در نرم‌افزارهایی مثل هسته‌های سیستم‌عامل، موتورهای مرورگر و زیرساخت‌های متن‌باز. این آسیب‌پذیری‌ها به‌طور میانگین ۲۶٫۶ سال در کدها باقی مانده بودند و قدیمی‌ترین مورد به سال ۱۹۸۱ برمی‌گردد.

برخلاف نسل‌های قبلی GLM که با مجوز MIT و به‌صورت کاملاً باز عرضه شده بودند، وزن‌های GLM-5.3 در زمان رونمایی منتشر نشدند. Z.ai دلیل این تأخیر را نیاز به تکمیل ارزیابی‌های ایمنی، به‌ویژه با توجه به قابلیت‌های امنیت سایبری مدل، اعلام کرده و گفته انتشار عمومی وزن‌ها حدود دو هفته پس از رونمایی، یعنی حوالی پایان آگوست ۲۰۲۶، در نظر گرفته شده است.

GLM-5.3 در حال حاضر مدلی کاملاً متنی است و ورودی تصویری بومی ندارد. پنجره‌ی کانتکست آن یک میلیون توکن است و حداکثر طول خروجی به ۱۲۸ هزار توکن می‌رسد. یکی از تغییرات مهم نسبت به نسل قبل این است که در GLM-5.3 استدلال (reasoning) همیشه فعال است و دیگر امکان غیرفعال‌کردن کامل آن وجود ندارد.

توسعه‌دهندگانی که پیش‌تر درخواست‌هایشان را با غیرفعال‌کردن reasoning می‌فرستادند، هنگام مهاجرت باید این تنظیم را به سطح low تغییر دهند، وگرنه درخواست رد می‌شود.

بخش اصلی ادعای Z.ai مربوط به وظایف طولانی و عامل‌محور است. جدول زیر نتایج رسمی منتشرشده توسط خود شرکت را در برابر GLM-5.2 نشان می‌دهد.

نکته‌ی جالب در همین جدول این است که Z.ai فقط از افزایش دقت صحبت نمی‌کند؛ در بنچمارک داخلیZ.ai Code Bench، مدل جدید در سطح Max با مصرف توکن کمتر (حدود ۷۵ هزار در برابر ۹۶ هزار توکن) به نتیجه‌ی بهتری رسیده است. با این حال، همان‌طور که در بخش بعد می‌بینیم، ارزیابی مستقل Artificial Analysis روایت دیگری از کارایی توکنی GLM-5.3 ارائه می‌دهد.

همه‌ی نتایج بالا (به‌جز GDPval-AA v2 که از Artificial Analysis گرفته شده) از ارزیابی‌های منتشرشده‌ی خود Z.ai هستند. Terminal-Bench 3.0 بنچمارکی عمومی است، اما Z.ai آن را با پیکربندی و هارنس اختصاصی خودش (Claude Code 2.1.207) اجرا کرده و Z.ai Code Bench هم کاملاً خصوصی است. بنابراین این اعداد جهت پیشرفت را به‌خوبی نشان می‌دهند، اما جای اجرای مستقل و قابل‌بازتولید را نمی‌گیرند.

تصویر واقعی پیچیده‌تر از تیترهایی مثل قوی‌ترین مدل کدنویسی جهان است. در جدول منتشرشده توسط Z.ai، این مدل جدید در بعضی ارزیابی‌ها از مدل‌های بسته‌ی رقیب عقب می‌ماند.

الگوی این جدول واضح است: هرچه یک آزمون در زنجیره‌ی «کشف آسیب‌پذیری تا ساخت اکسپلویت کامل» عمیق‌تر می‌شود، فاصله‌ی GLM-5.3 با مدل‌های بسته‌ی رقیب بیشتر می‌شود.

Z.ai این الگو را طبیعی می‌داند و می‌گوید تمرکز GLM-5.3 روی دفاع سایبری است، نه تولید اکسپلویت.

در مقابل، در AutomationBench که اجرای گردش‌کارهای سازمانی چندمرحله‌ای را می‌سنجد، GLM-5.3 با ۴۸٫۲ درصد از مدل‌های ذکرشده در جدول Z.ai جلوتر است. این نشان می‌دهد که عملکرد عامل هوش مصنوعی یک معیار واحد نیست و بسته به نوع تسک، رتبه‌بندی مدل‌ها می‌تواند کاملاً تغییر کند.

مهم‌ترین داده‌ی مستقلی که پس از عرضه‌ی GLM-5.3 منتشر شده، از Artificial Analysis است؛ مجموعه‌ای که مدل‌ها را با شاخص ترکیبی Intelligence Index و ارزیابی‌های خودش مقایسه می‌کند، نه با اعداد سازنده. طبق این ارزیابی، GLM-5.3 در حالت max امتیاز ۶۰ گرفته که هفت واحد بالاتر از GLM-5.2 است و آن را هم‌تراز با Kimi K3، در جایگاه مدل باز رتبه‌بالای فعلی، قرار می‌دهد. مدل‌های بسته‌ی رده‌بالا مانند Claude Opus 5 همچنان امتیاز بالاتری دارند.

مدل برای هر وظیفه به‌طور میانگین حدود ۱۸٬۷۰۰ توکن خروجی تولید می‌کند، در برابر حدود ۱۵٬۷۰۰ توکن برای GLM-5.2 و حدود ۱۴٬۷۰۰ توکن برای Kimi K3. با این حال، چون قیمت هر توکن GLM-5.3 پایین است، هزینه‌ی هر وظیفه (حدود ۰٫۶۸ دلار) هنوز کمتر از Kimi K3 (حدود ۰٫۸۴ دلار) و GPT-5.6 Sol (حدود ۱٫۲۳ دلار) است، هرچند نسبت به هزینه‌ی حدود ۰٫۳۳ دلاری GLM-5.2 گران‌تر شده است.

عددی که بیشترین بازتاب را در ویدیوها و شبکه‌های اجتماعی داشته، امتیاز ۷۳ از ۸۰ (۹۱٫۲۵ درصد) در KingBench 3 است؛ نتیجه‌ای که AICodeKing در یک ارزیابی زودهنگام و شخصی از مدل گزارش کرده است. طبق همین گزارش، GLM-5.2 روی همان بنچمارک ۶۰ از ۸۰ گرفته بود، در حالی که Claude Fable 5 با ۶۶، Qwen3.8 Max با ۶۵ و Claude Opus 4.8 با ۶۴ امتیاز رتبه‌های بعدی را دارند.

اما KingBench 3 را نباید در کنار بنچمارک‌های رسمی و مستقل با همان سطح اعتبار قرار داد. این ارزیابی مجموعه‌ای ثابت از هشت وظیفه‌ی کدنویسی و شبیه‌سازی است که یک سازنده‌ی محتوا آن را طراحی و اجرا کرده، نه یک استاندارد صنعتی یا leaderboard مستقل و قابل‌بازتولید مانند ارزیابی‌های Artificial Analysis. بنابراین بهتر است از آن فقط به‌عنوان یک سیگنال اولیه و غیررسمی از عملکرد مدل یاد کرد، نه مدرکی برای برتری مطلق GLM-5.3.

قیمت رسمی API برای GLM-5.3 با GLM-5.2 یکسان مانده است.

برای کاربرانی که ترجیح می‌دهند از طریق اشتراک ماهانه به GLM-5.3 دسترسی داشته باشند، Z.ai سرویس GLM Coding Plan را ارائه می‌کند. این سرویس در بازطراحی اخیر به سیستم سهمیه مبتنی بر اعتبار (Credit) تغییر کرده و پلن‌های آن از ۱۸ دلار در ماه شروع می‌شوند.

از عرضه‌ی GLM-5.3 بیش از یک هفته می‌گذرد؛ بنابراین بازخوردهای فعلی بیشتر تجربه‌های شخصی کاربران در انجمن‌هایی مثل ردیت ZaiGLM هستند تا نتیجه‌ی ارزیابی‌های مستقل و کنترل‌شده. بخشی از کاربران از افزایش استقلال مدل، کیفیت کدنویسی و پیشرفت آن نسبت به GLM-5.2 در ابزارهایی مثل OpenCode و ZCode رضایت دارند و می‌گویند مدل بهتر و پیوسته‌تر کار را تا پایان پیش می‌برد.

در مقابل، شکایت اصلی گروه دیگری از کاربران به مصرف بالای توکن و اتمام سریع سهمیه برمی‌گردد؛ نکته‌ای که با یافته‌های Artificial Analysis درباره‌ی پرحرفی بیشتر GLM-5.3 هم‌خوانی دارد. برخی کاربران هم گفته‌اند مدل گاهی کد را اجرا می‌کند، اما نتیجه به یک دور اصلاح دیگر نیاز دارد یا تست‌هایی می‌نویسد که به‌اندازه‌ی کافی مؤثر نیستند.

GLM-5.3 با وجود پیشرفت‌هایش، همچنان یک مدل زبانی است و امکان تولید اطلاعات نادرست یا خطای منطقی در آن وجود دارد. بخش زیادی از اعداد اولیه‌ی این عرضه، از ارزیابی‌های خود Z.ai می‌آیند و تنها بخش کوچکی، مثل GDPval-AA v2 و شاخص Intelligence Index، از منبعی مستقل تأیید شده است.

برای کارهایی که با کد اصلی، داده‌های حساس یا تصمیم‌گیری برای کاربران واقعی سروکار دارند، نظارت انسانی همچنان ضروری است.

اگر حوزه‌ی اصلی فعالیت شما به توسعه‌ی نرم‌افزار، رفع خطا، کار با مخزن‌های بزرگ یا اجرای وظایف چندمرحله‌ای توسط عامل کدنویسی مربوط می‌شود، مدل GLM-5.3 به‌ویژه به دلیل برخورداری از پنجره‌ی زمینه‌ی یک‌میلیون‌توکنی و قیمت API ارزان‌تر نسبت به بسیاری از مدل‌های رده‌بالا، ارزش بررسی دارد. در مقابل، از آنجا که این مدل ذاتا متنی است، گزینه‌ی مناسبی برای پردازش تصاویر یا تحلیل مستقیم اسکرین‌شات‌ها به شمار نمی‌رود. همچنین برای کسانی که به کمترین میزان نظارت انسانی نیاز دارند، نمی‌توان تنها بر پایه‌ی آمارهای Z.ai نتیجه گرفت که این مدل از تمام مدل‌های بسته بهتر عمل می‌کند.

GLM-5.3 نمونه‌ی خوبی از اهمیت روزافزون Post-training در مدل‌های زبانی است. Z.ai بدون تغییر مدل پایه توانسته در چند بنچمارک کدنویسی و عامل‌محور جهش‌های بزرگ ثبت کند و هم‌زمان قابلیت‌های امنیت سایبری مدل را به‌طور محسوس بالا ببرد؛ جهشی که حالا با امتیاز ۶۰ در شاخص مستقل Artificial Analysis و جهش قابل‌توجه در GDPval-AA v2 هم تا حدی تأیید شده است.

GLM-5.3 در ساخت اکسپلویت کامل و برخی بنچمارک‌های کدنویسی بلندمدت هنوز پشت سر Claude و GPT-5.6 Sol است، وزن‌هایش هنوز منتشر نشده و طبق داده‌های مستقل، نسبت به نسل قبل پرحرف‌تر شده است. ارزش اصلی این مدل شاید نه در یک رکورد واحد، بلکه در ترکیب عملکرد قوی در عامل‌های کدنویسی، قیمت نسبتاً پایین و تمرکز ویژه روی امنیت دفاعی باشد. وقتی وزن‌های مدل هم منتشر شوند، آن نقطه، آزمون واقعی و مستقل ادعاهای امروز GLM-5.3 خواهد بود.