Z.ai har udgivet GLM-5.3, en opgradering der viser, at post-training alene kan løfte en models evner markant – uden at ændre på den underliggende 743B GLM-5.2-base. Ifølge selskabet kommer alle forbedringer fra skaleret post-training: flere long-horizon-miljøer, flere miljøtyper og længere træning.
De mest opsigtsvækkende tal ligger i kodning og cybersikkerhed. På Terminal-Bench 3.0 springer modellen fra 4,6 til 28,3, og på DeepSWE v1.1 fra 46,2 til 66,9. Cybersikkerhedsdelen overrasker endda Z.ai selv: CyberGym rammer 84,5 %, og ExploitBench mere end fordobles til 54,4 % – længere end selskabet havde planlagt.
For beslutningstagere betyder det, at man ikke nødvendigvis skal vente på en ny basismodel for at få markant bedre ydeevne. Hvis post-training kan levere den slags spring, bliver adgang til gode træningsdata og infrastruktur en strategisk konkurrenceparameter på linje med selve modelarkitekturen. Vægtene forventes at blive frigivet om cirka to uger, hvilket giver virksomheder mulighed for selv at teste og integrere modellen.
