GLM-5：Marka Moodalka Weyn uu Baranayo "Isaga oo Qoraya Koodh", Isbeddelka ka Socda Vibe Coding ilaa Agentic Engineering

❝

🎯 Kooban hal weedh ah：ZhiPu AI ayaa la shaqeysay Jaamacadda Tsinghua si ay u soo saaraan moodalka GLM-5 oo leh 744B parameters, iyadoo la adeegsanayo DeepSeek Sparse Attention (DSA) si loo yareeyo xisaabinta feejignaanta, barashada xoojinta dhammaan-asynchronous (Async RL) si loo xalliyo waqtiyada tababarka hawlaha dheer, iyo habka tababarka marxaladaha badan, si moodalka weyn uu uga gudbo "Vibe Coding" una noqdo "injineer caqli leh" (Agentic Engineering) oo si madax bannaan u dhammaystiri kara mashaariicda injineernimada dhabta ah.

Maxaa Looga Baahan Yahay Qoraalkan?

Andrej Karpathy ayaa bilowgii 2025 soo jeediyay fikrad xiiso leh——Vibe Coding, taasoo macnaheedu yahay inaad kaliya u baahan tahay inaad si dabiici ah u sharaxdo baahida, "ku saleysan dareenka" ka dhig AI inuu qoro koodh. Tani runtii waa khibradda ugu weyn ee barnaamijyada AI maanta: waxaad dhahdaa hal weedh, moodalku wuxuu kaa caawinayaa inaad abuurto koodh, tayadiisuna waxay ku xiran tahay nasiibka.

Laakiin dhibaato ayaa timaadda: injineernimada software-ka dhabta ah ma ahan "qorista koodh" oo kaliya. Injineer dhab ah wuxuu u baahan yahay inuu fahmo qaab-dhismeedka mashruuca, hagaajiyo khaladaadka, maareeyo ku-tiirsanaanta, iyo ka shaqeynta iskaashiga module-yada kala duwan——kuwaas oo aan ahayn "hal prompt oo koodh ah" oo lagu xallin karo. Qoraalka GLM-5 wuxuu doonayaa inuu ka dhigo moodalka "ka caawiya qorista koodh" inuu noqdo "injineer si madax bannaan u dhamaystira mashruuca oo dhan".

Tani ma aha yool yar. Si loo gaaro, kooxda ZhiPu waxay sameeyeen hal-abuur badan oo ku saabsan qaab-dhismeedka moodalka, habka tababarka, iyo algorithms-ka barashada xoojinta. Qoraalkan ayaa ku hagi doona inaad kala furfurto faahfaahinta farsamadaas.

Waxqabadka Muhiimka ah: Saddex Qodobb

Ka hor inta aan la gelineyn faahfaahinta, marka hore caddee saddexda waxqabad ee muhiimka ah ee GLM-5:

Qodobbka waxqabadka xallinaya dhibaatooyinka fikradda aasaasiga ah DSA feejignaanta yar 128K dhererka macnaha xisaabinta qarashka oo korodhay dooro tokens muhiim ah, ka bood kuwa aan khusayn, kaydso 1.5-2 jeer awoodda xisaabinta qaab-dhismeedka barashada xoojinta dhammaan-asynchronous tababarka RL ee hawlaha dheer GPU badan oo firaaqo ah abuurista iyo tababarka si buuxda u kala go'ay, habka isbarbardhigga habka tababarka marxaladaha badan fikradaha kala duwan sida fikirka, qorista, iyo injineerka ayaa adag in la isku daro SFT→ fikirka RL→ injineerka RL→ RL guud, si tartiib tartiib ah u kordhi awoodda

Qaab-dhismeedka Moodalka: "Yareynta" Dhabarka MoE

Qaybta Aasaasiga ah

GLM-5 wuxuu isticmaalaa Mixture-of-Experts (MoE) qaab-dhismeed, oo leh 744B parameters, laakiin mar kasta oo la fikirayo kaliya 40B parameters ayaa firfircoon. Naqshaddan "weyn oo firaaqo ah" ayaa noqotay aragti guud oo ka dhex jirta warshadaha——DeepSeek-V3/R1, Qwen3 ayaa raacay waddo la mid ah.

DSA sidee buu u shaqeeyaa?

Fikradda aasaasiga ah ee DSA waxaa lagu fahmi karaa hal tusaale: ka fikir inaad maktabad ka raadinayso macluumaad. Fejignaanta caadiga ah waxay u egtahay inaad dib u eegto buugaagta oo dhan ee maktabadda, ka dibna go'aansato kuwa waxtar leh. Laakiin DSA waxay u egtahay maktabad yaqaan khibrad leh——waxay marka hore isticmaashaa Lightning Index si degdeg ah u baarto cinwaannada buugaagta, si ay u xulato dhowr aag oo laga yaabo inay khuseeyaan, ka dibna waxay si qoto dheer u akhrisaa kaliya qaybaha gaarka ah ee aagaggaas.

Habka Tababarka: Afar Qaybood oo "Dagaal iyo Koror"

Habka tababarka GLM-5 waa qaybta ugu muhiimsan ee qoraalkan, waxaana loo qaybiyaa tababarka hore iyo tababarka dambe laba marxaladood.

Marxaladda Tababarka Hore

• Cabbirka xogta: 27T token, isku-darka xogta waxaa ka mid ah bogagga internetka, koodh, waraaqaha cilmi-baarista, buugaag, iwm
• Ballaarinta macnaha: iyadoo la adeegsanayo tababarka dhexe si loo ballaariyo macnaha laga bilaabo 4K ilaa 200K, iyadoo la adeegsanayo RoPE frequency adjustment
• Marxaladda annealing: dhamaadka tababarka hore iyadoo la adeegsanayo xog tayo sare leh si loo sameeyo "dhabar-goyn"

Tababarka Dambe Afar Tallaabo

Tani waa qaybta ugu gaarka ah ee GLM-5. GLM-5 waxay sameysay afar wareeg:

• Dib-u-hagaajinta la xakameeyay (SFT) iyadoo la adeegsanayo xog tayo sare leh oo tilmaam ah.
• Fikirka barashada xoojinta (Reasoning RL) tababarka RL ee hawlaha fikirka xisaabta iyo koodhka.
• Barashada xoojinta injineerka (Agentic RL), tani waa hal-abuurka muhiimka ah.
• Barashada xoojinta guud (General RL), tababarka RL ee hawlaha guud ee ballaaran.

Barashada Xoojinta Dhammaan-Asynchronous: Ka Dhig GPU in uusan "Dhaqaaqin"

Tababarka RL ee dhaqameed waa synchronous: ururi koox xog ah → xisaabi abaalmarinta → cusboonaysii moodalka → mar kale ururi. Tani ma dhibto marka waqtiga hawsha uu gaaban yahay, laakiin hawlaha injineernimada badanaa waxay u baahan yihiin is-dhexgalka toban tallaabo.

Natiijooyinka Tijaabada ee Faahfaahsan

Isbarbardhigga Aasaasiga ah

Isbarbardhigga GLM-5DeepSeek-V3.2Claude Opus 4.5Gemini 3 ProGPT-5.2MMLU-Pro78.075.978.074.376.1GPQA-Diamond71.768.467.163.670.5BrowseComp57.132.026.325.146.9

Gunaanad

Qoraalka GLM-5 wuxuu leeyahay macluumaad badan. Haddii aan ka tagno tirooyinka gaarka ah, macluumaadka aasaasiga ah ee la gudbiyo waa: meesha dagaalka ee moodalka weyn ee xiga waxay ku jirtaa "hawlgalka" oo aan kaliya "su'aalaha ka jawaabista".

Dhinaca tartanka, GLM-5 waxay caddeysay awoodda kooxaha AI ee Shiinaha ee cilmi-baarista moodalka weyn.