GLM 5.3はGLM 5.2と何が異なるか

ベースモデルとアーキテクチャは同じだが、約1ヶ月の追加RLにより長期環境タスクで大幅に性能が向上した。RL環境はエンジニアが実際に行うML基盤タスク（ボトルネック診断、最適化実装、実験実行、エンドツーエンド高速化）を含む。

パラメータ数が重要でなくなったのか

Jie Tang氏によれば、パラメータ数だけでは不十分だ。データ量、計算配分の意思決定、実行環境が揃って初めて意味をなす。推論型タスクは長い因果チェーン追跡を求めるため、一定の知識保有閾値を超えるとパラメータ数の絶対値より、推論深度と訓練品質のほうが効く。

GLM 5.3のベンチマーク成績は

Terminal Benchで#2、Legal Benchで#3、Skills Benchでオープンウェイト中#6。Terminal Bench 2.1では86.1の成績を報告。

大規模言語モデルオープンソースAILatent Space2026年8月20日2026年8月20日 16:01

GLMスケーリング革命、パラメータ数は過去の指標に

LINEで送る

3つのポイント

何が起きたか
Zhipu AIのCEO・Jie Tang氏がスケーリング法則の新時代を宣言。GLM 5.3の大幅な性能向上はパラメータ増加ではなく、長期環境でのRL（強化学習）から生まれた。同じベースモデル・アーキテクチャのGLM 5.2から約1ヶ月の追加RL で実現したという。
なぜ重要か
従来のAI産業はパラメータ数で競争していたが、Jie Tang氏は「パラメータはデータ量、計算配分、実行環境と並べて初めて意味を持つ」と指摘。推論型タスク（ソフトウェア脆弱性発見など）は20段以上の長い因果チェーン追跡を求め、パラメータ数だけでは不足するとみられる。日本の企業がAIモデルの性能向上を目指す際、パラメータ数の増加だけでなく強化学習の環境設計が重要な競争要因になる可能性がある。
注目点
GLM 5.3はTerminal Benchで#2、Legal Benchで#3、Skills Benchでオープンウェイト中#6の成績を収めた。RL環境はエンジニアが実際に行う業務を反映し、合成パイプラインで大規模生成される。進化したタスク環境こそが次の競争軸である。

わからないところ、AIに聞けます

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

こうしたAIニュースを毎朝無料で受け取る LINEで友だち追加して受け取る

背景と解説

Zhipu AIが打ち出す「死のパラメータ」論は、AIモデル開発の競争軸が根本的に移行したことを象徴している。従来のChinchilla法則は固定的なトークン/パラメータ比（200～900）を想定していたが、タスク依存性が高く、暗記型と推論型で最適点が大きく異なることが明かされた。GLM 5.3は同じベースモデルから1ヶ月のRL投資で実現した跳躍であり、これはパラメータ数競争の終焉を示す。代わりに浮上するのは、合成パイプラインで生成された実務環境での長期RLの質、検証器の自動化、RL報酬信号の信頼性である。オープンウェイトでもOrnith-1.5やGLM 5.3がTerminal BenchやSWE-Benchで高位に名を連ねるのは、パラメータ数よりもRL訓練レシピの品質がより決定的になったことを示唆している。

よくある質問

GLM 5.3はGLM 5.2と何が異なるか: ベースモデルとアーキテクチャは同じだが、約1ヶ月の追加RLにより長期環境タスクで大幅に性能が向上した。RL環境はエンジニアが実際に行うML基盤タスク（ボトルネック診断、最適化実装、実験実行、エンドツーエンド高速化）を含む。
パラメータ数が重要でなくなったのか: Jie Tang氏によれば、パラメータ数だけでは不十分だ。データ量、計算配分の意思決定、実行環境が揃って初めて意味をなす。推論型タスクは長い因果チェーン追跡を求めるため、一定の知識保有閾値を超えるとパラメータ数の絶対値より、推論深度と訓練品質のほうが効く。
GLM 5.3のベンチマーク成績は: Terminal Benchで#2、Legal Benchで#3、Skills Benchでオープンウェイト中#6。Terminal Bench 2.1では86.1の成績を報告。

Latent Space元記事を読む

LINEで送る