ഒരു പുതിയ AI മോഡൽ വന്നുവെന്ന് കേൾക്കുമ്പോൾ ആദ്യം ചോദിക്കുന്നത് അതിന് എത്ര parameter ഉണ്ടെന്നാണ്. എന്നാൽ ചൈനീസ് AI കമ്പനിയായ Z.ai അവതരിപ്പിച്ച GLM-5.3 നൽകുന്ന മറുപടി അല്പം വ്യത്യസ്തമാണ്: മോഡലിന്റെ വലുപ്പം കൂട്ടിയതല്ല; പരിശീലനത്തിനു ശേഷമുള്ള പഠിപ്പിക്കൽ മെച്ചപ്പെടുത്തി.
വലുതാക്കിയതല്ല, പഠിപ്പിച്ച രീതി മാറ്റി
GLM-5.2 ഉപയോഗിച്ച അതേ അടിസ്ഥാന മോഡൽ നിലനിർത്തിയാണ് GLM-5.3 വികസിപ്പിച്ചതെന്ന് കമ്പനി പറയുന്നു. യഥാർഥ സോഫ്റ്റ്വെയർ പ്രോജക്ടുകളിൽ വരുന്ന പ്രശ്നങ്ങൾ കണ്ടെത്തുക, പരിഹാരം തയ്യാറാക്കുക, കോഡ് പരീക്ഷിക്കുക, തെറ്റുണ്ടെങ്കിൽ തിരുത്തുക തുടങ്ങിയ സമ്പൂർണ workflow-കളിലാണ് പുതിയ മോഡലിനെ കൂടുതൽ പരിശീലിപ്പിച്ചത്.
ഇതിന്റെ ഫലം coding benchmark-കളിൽ വ്യക്തമായ പുരോഗതിയായി Z.ai അവതരിപ്പിക്കുന്നു. കമ്പനിയുടെ ആഭ്യന്തര പരിശോധനയിൽ GLM-5.2-നെ അപേക്ഷിച്ച് ഏകദേശം 50 ശതമാനം മെച്ചപ്പെട്ട coding performance ലഭിച്ചതായാണ് അവകാശവാദം.
സൈബർ സുരക്ഷയാണ് കൂടുതൽ ശ്രദ്ധ നേടിയത്
GLM-5.3-ന്റെ ഏറ്റവും ചർച്ച ചെയ്യപ്പെട്ട സവിശേഷത cybersecurity ശേഷിയാണ്. CyberGym എന്ന സുരക്ഷാ പരിശോധനയിൽ സോഫ്റ്റ്വെയർ vulnerability കണ്ടെത്തുന്നതിൽ മോഡൽ 84.5 ശതമാനം score നേടിയതായി Z.ai അറിയിച്ചു. Anthropic-ന്റെ നിയന്ത്രിത Mythos 5 മോഡലിന്റെ 83.8 ശതമാനത്തേക്കാൾ അല്പം കൂടുതലാണിത്.
എന്നാൽ vulnerability കണ്ടെത്തുന്നതും അതുപയോഗിച്ച് വിജയകരമായ ആക്രമണം നടത്തുന്നതും ഒരേ കാര്യമല്ല. ExploitBench പരിശോധനയിൽ GLM-5.3 നേടിയ 54.4 ശതമാനവുമായി താരതമ്യം ചെയ്യുമ്പോൾ Mythos 5-ന്റെ score 78 ശതമാനമായിരുന്നു. അതിനാൽ അമേരിക്കൻ മോഡലുകളെ മുഴുവൻ മറികടന്നു എന്നു പറയാൻ സമയമായിട്ടില്ല.
സാധാരണ ഡെവലപ്പർക്ക് എന്ത് പ്രയോജനം?
വലിയ codebase പരിശോധിക്കൽ, പഴയ code-ലെ സുരക്ഷാ പ്രശ്നങ്ങൾ കണ്ടെത്തൽ, debugging, automated testing, ദീർഘനേരം പ്രവർത്തിക്കുന്ന coding agents എന്നിവയിലാണ് GLM-5.3 ഉപകാരപ്പെടുക.
മോഡൽ coding plan വഴിയും ZCode agent വഴിയും ലഭ്യമാക്കിയെങ്കിലും കൂടുതൽ ശക്തമായ cybersecurity കഴിവുകൾ എല്ലാവർക്കും ഉടൻ തുറന്നുകൊടുക്കുന്നതിൽ Z.ai ജാഗ്രത പുലർത്തി. സുരക്ഷാ പരിശോധനകൾ പൂർത്തിയാക്കിയശേഷം open weights വ്യാപകമായി നൽകുമെന്നാണ് കമ്പനി അറിയിച്ചത്.
ഓപ്പൺ മോഡലുകളുടെ കാലത്ത് പുതിയ ചോദ്യം ‘മോഡൽ എത്ര ബുദ്ധിമാനാണ്?’ എന്നത് മാത്രമല്ല. ‘ആ ബുദ്ധി ആരുടെ കൈയിൽ എങ്ങനെ നൽകണം?’ എന്നതുമാണ്.
