GLM-5.3 tunjukkan cara lab China menempel frontier tanpa distilasi

Z.ai merilis GLM-5.3, model open-weight berukuran sekitar 750 miliar parameter, dan Nathan Lambert memakainya untuk menjawab pertanyaan yang terus muncul: bagaimana lab China bisa terus menempel di dekat frontier? Jawaban gampangnya selama ini adalah distilasi, diam-diam melatih model dari keluaran model Amerika. Menurut Lambert, cerita itu keliru, dan GLM-5.3 jadi buktinya. Model ini kelanjutan GLM-5.2 lewat post-training besar-besaran, dan Z.ai terang-terangan soal itu: "Scaling post-training is all we did for GLM-5.3." Hasilnya mengungguli Kimi K3 dari Moonshot pada benchmark agentic coding dan setara dengan beberapa model tertutup Amerika.

Sebagai ganti distilasi, Lambert menyebut alasan yang konkret. Lab China merilis model beberapa hari setelah siap, bukan berbulan-bulan, sehingga mereka bisa terus menyetelnya terhadap benchmark publik. Mereka mengejar skor benchmark lebih keras ketimbang lab AS. Mereka membeli akses ke environment dan data reinforcement learning yang sama lewat pasar komersial. Dan lab seperti Z.ai menyerap talenta engineering yang dalam dari Tsinghua. Tak satu pun ini jalan pintas; semuanya eksekusi biasa yang dikerjakan cepat.

Ada satu trade-off yang perlu diingat. Model yang disetel begini bisa lebih sempit dari yang terlihat, kuat di coding atau keamanan tapi kurang umum dibanding kesan dari satu angka benchmark.

Kenapa ini penting

Kalau Anda memilih model open-weight, GLM-5.3 menaruh kemampuan coding kelas frontier dalam jangkauan dengan harga open-weight. Tapi poin Lambert sekaligus peringatan: model China yang memuncaki benchmark bisa jadi disetel sempit, jadi uji pada tugas Anda sendiri sebelum menganggap skornya berlaku.