Z.ai 執行長唐傑發布 GLM 5.3 模型，同時提出新的「後訓練擴展定律」。該定律指出，透過後訓練技術而非單純增加參數量，即可大幅提升模型效能，挑戰了傳統以參數為中心的擴展範式。

GLM 5.3 基於與 GLM 5.2 相同的 743B 基礎模型進行後訓練，具備 100 萬 token 的上下文視窗。該模型宣稱是「#1 開源模型」，目前其權重正接受安全審查。

新的擴展定律強調，微調、剪枝和強化學習等技術是驅動效能提升的關鍵因素。

事件背景

傳統的神經擴展定律描述了模型效能如何隨著預訓練階段的參數量、資料集大小和運算量增加而提升。「後訓練擴展定律」將此概念延伸，指出在初始預訓練階段之後，透過特殊的後處理技術，效能仍能有效擴展，將焦點從構建更大模型轉向最佳化現有模型。

社群觀察

社群成員對開源權重模型能在不具備龐大參數量的情況下達到頂尖效能感到興奮。大家指出 GLM 5.3 旨在與 Qwen 3.8 Max 和 Kimi K3 等更大規模的模型競爭，並特別關注安全審查過程如何影響 Fable 級別模型開源權重的可用性。