رونمایی از مدل هوش مصنوعی GLM-5.3 با تمرکز بر کدنویسی و امنیت سایبری

معماری و بهره‌وری توکن‌ها در GLM-5.3

مدل جدید همانند نسل پیشین از ۷۴۳ میلیارد پارامتر بهره می‌برد و عمده جهش‌های عملکردی آن ناشی از مقیاس‌پذیری لایه پس‌آموزش است. توسعه‌دهندگان به‌جای بزرگ‌تر کردن ابعاد مدل پایه، با تنوع‌بخشی به وظایف، افزایش محیط‌های شبیه‌سازی و تخصیص توان پردازشی به یادگیری تعاملی، بازدهی سیستم را ارتقا داده‌اند.

در زمینه کارایی، مدل GLM-5.3 در بنچمارک اختصاصی Z.ai Code Bench با مصرف حدود ۷۵ هزار توکن به نرخ موفقیت ۳۴.۵ درصد دست یافت، در حالی که نسخه GLM-5.2 با مصرف ۹۶ هزار توکن، نرخ ۲۳.۴ درصد را ثبت کرده بود.

ارزیابی عملکرد در بنچمارک‌های برنامه‌نویسی

عملکرد این مدل در آزمون‌های تخصصی کدنویسی و اجرای دستورات لینوکسی بهبود چشمگیری نسبت به نسل گذشته نشان می‌دهد:

در آزمون DeepSWE v1.1 که بر رفع باگ‌های واقعی گیت‌هاب تمرکز دارد، این مدل به امتیاز ۶۶.۹ دست یافته و توانمندی بالایی در حل مسائل نرم‌افزاری به نمایش گذاشته است.

درخشش در حوزه امنیت سایبری و کشف باگ‌های تاریخی

بزرگ‌ترین نقطه قوت GLM-5.3 در حوزه امنیت سایبری رقم خورده است؛ جایی که با کسب امتیاز ۸۴.۵ درصد در آزمون CyberGym موفق شد بالاتر از رقبای سرشناس قرار گیرد.

بر اساس گزارش‌های رسمی، مدل GLM-5.3 موفق به شناسایی ۲,۴۳۶ آسیب‌پذیری در ۲۶۹ پروژه متن‌باز شده که از این میان، ۱,۰۹۷ مورد در دسته خطر متوسط تا بسیار بالا قرار دارند. جالب‌ترین مورد، کشف رخنه‌ای امنیتی متعلق به سال ۱۹۸۱ میلادی است که بیش از ۲۶ سال از دید اسکنرهای امنیتی پنهان مانده بود.

نحوه دسترسی و عرضه

این مدل در حال حاضر از طریق پلن‌های اشتراکی GLM Coding Plan و پلتفرم ZCode در دسترس قرار گرفته است. دسترسی به رابط کاربری برنامه‌نویسی (API) و انتشار وزن‌های آزاد آن پس از اتمام ارزیابی‌های امنیتی طی هفته‌های آینده به‌صورت تدریجی انجام خواهد شد.