Ko‘p coding demo qiyin qismdan oldin tugaydi. Model chiroyli interfeys yoki ishonarli funksiya yozadi, kamera to‘xtaydi va uchinchi dependency testi yiqilganda nima bo‘lishini hech kim ko‘rsatmaydi. GLM-5.3 keyingi bosqichni nishonga oladi: xatoni o‘qish, rejani almashtirish, yana tajriba qilish va tekshirilgan natijagacha yo‘nalishni saqlash.
Z.ai kattaroq baza qurmadi. 5.2 bazasini saqlab, ko‘proq executable muhit, professional vazifa va uzoq trajectory lar uchun post-trening compute qo‘shdi. Bazani iste’dodli bitiruvchiga, post-treningni amaliyotga o‘xshatish mumkin. Bitiruvchi muhandislik tilini biladi; amaliyot qachon tekshirish, test qilish yoki yomon g‘oyadan voz kechishni o‘rgatadi.
Raqamlar vendor manbali bo‘lsa ham bir xil hikoya beradi. Terminal-Bench 4.6 dan 28.3 ga, DeepSWE 46.2 dan 66.9 ga, SWE-Marathon 19.4 dan 42.5 ga, AutomationBench 26.2 dan 48.2 ga ko‘tariladi. ALE-CLI 28.5. Kenglik bitta raqamni mutlaq haqiqat deb e’lon qilishdan muhimroq.
Private Code Bench iqtisodiy tarafni ko‘rsatadi. Max da 5.3 75 mingga yaqin tokenda 34.5% tugatadi, 5.2 esa 96 ming tokenda 23.4%. High 50 ming atrofida 31.4% bo‘lib, ko‘rsatilgan Opus nuqtasidan yuqori; Fable 5 39.5% bilan yuqorida. Tashqi tomon private vazifani takrorlay olmaydi, ammo savol to‘g‘ri: vaqt va tokenga qancha tekshirilgan ish?
Ikkinchi hikoya cyber: CyberGym 84.5% va ExploitBench 54.4%, chuqur exploitation da esa yopiq liderlar oldinda. Oddiy jamoa uchun to‘g‘ri foydalanish defensive: ruxsatli kod, sandbox, reproduksiya, patch va regression test. Bu boshqa birovning tizimini tekshirishga ruxsat bermaydi.
5.3 barcha Coding Plan va ZCode da oyiga $18 dan mavjud, lekin point input, cache, output va vaqtga qarab farq qiladi. Umumiy API keyin keladi, shuning uchun xarajat taqqoslovi hali noaniq.
Fikrlash majburiy. Low, high va max effort ni boshqaradi, ammo eski disabled so‘rov xato beradi. Native vision va mustaqil run bo‘lmagani uchun #6 adolatli: ayni tool va testlar bilan hozirgi agentga qarshi sinovdan o‘tishi kerak bo‘lgan jiddiy uzoq-ish raqibi.
