GLM-5.3: How Chinese labs keep stride with the frontier — GLM

• GLM-5.3 与 GLM-5.2 共享基础模型，仅通过扩展后训练实现性能飞跃，在多个基准上超越 Kimi K3，接近 Claude Fable 5 和 GPT-5.6-Sol。这表明后训练（尤其是 RL）的投入可以显著提升模型能力，对开发者而言，选择模型时应关注其训练策略而非仅看参数规模。
• 中国实验室的快速发布周期（数天而非数月）使其能持续在基准上“爬山”，而美国实验室因内部测试周期长，发布时性能优势被削弱。对工具链开发者来说，这意味着模型的迭代速度可能比绝对性能更重要，需考虑快速跟进新模型。
• 文章指出，蒸馏并非中国实验室领先的主因，RL 环境、基础设施和算法难以简单复制。同时，中国数据产业兴起，美国数据公司向中国实验室出售 RL 环境。这提示开发者，数据质量和训练基础设施的获取可能成为模型能力差异的关键。

原文：GLM-5.3: How Chinese labs keep stride with the frontier · 作者 Nathan Lambert