Скейлить ваги недостатньо. Тепер не тільки слова від 📦

TL;DR

• •GLM‑5.3 model achieves frontier performance without increasing parameters.
• •Scaling laws now depend on data volume, forward‑pass compute, and post‑training.
• •Post‑training + RL gave +7 points on AA Intelligence Index and 6× Terminal‑Bench improvement.
• •Model rivals Claude Fable 5 and GPT‑5.6 Sol, leading among open models.
• •Zhipu delayed open‑sourcing due to cybersecurity concerns.

Як це змінить ваш ринок?

Поява моделей типу GLM‑5.3 змінює екологію AI‑інвестицій. Компанії більше не повинні гонятися за trilion‑параметрами, щоб залишатися конкурентоспроможними. Достатньо оптимізувати дані,_forward‑pass обчислення та інвестувати в пост‑тренування з RL. Це знижує бар’єр входження для середніх бізнесів, які можуть отримати рівень frontier‑моделей без巨额 CapEx. Для постачальників хмарних обчислень це означає зростання попиту на гнучкі GPU‑інстанси для інференсу, а не лише на масштабне pretraining. У довгостроковій перспективі ринок може перейти до моделей, що оптимізовані за «інтелект на долар», а не за розміром.

Визначення: Пост‑тренування — додатковий етап навчання модели після основного pretraining, що включає RL, людський фідбек або спеціалізовані датасети для покращення конкретних навичок (логика, код, безпека).

Для кого це і за яких умов

• •7B‑розмір моделей: MacBook 16 GB або еквівалентний ноутбук, без IT‑команди, 15 хв на інференс.
• •27B‑розмір: GPU $2 000+ або хмара ~$0,5/год, потрібен IT‑спеціаліст, 1‑2 дні на налаштування.
• •GLM‑5.3‑рівень: потрібен доступ до датасетів для пост‑тренування (мінімум 100 ГБ високоякісних токенів) і бюджет на RL‑експерименти (~$5 000–$20 000 за місяць залежно від масштабу).
• •Команда: один ML‑інженер і один дані‑спеціаліст достатні для запуску пост‑тренування pipeline.

Альтернативи