智谱 VS Deepseek，两条分叉的自进化树

文 | 字母AI 智谱发布GLM-5.1的时候，盘中涨幅一度接近19%，收盘涨幅11.5%。到了GLM-5.2，当天暴涨32.8%，一周后市值突破万亿。按照这个逻辑来看，GLM-5.3发布后，智谱股价不得起飞喽？ 可事与愿违，8月14日发布GLM-5.3当天，智谱跌3.57%，日内回撤超11%。 智谱GLM-5.3的成绩单很亮眼。DeepSWE的66.9分超过了V4 Pro的62.7，Terminal Bench 3.0从5.2的4.6分暴涨到 28.3分拿下开源第一，CyberGym以84.5%登顶全球，在高难度编程任务上，只用了不到Claude Opus 4.8一半的 token，就拿到了更高的完成率。 在智谱官方放出的性能图里，编程、终端操作、Agent任务、网络安全等八方面，赢过了DeepSeek V4 Pro正式版七项，对DeepSeek形成了“精准狙击”。 但是却很少有人注意到，GLM-5.3其实并非“新”模型，它和GLM-5.2 用的是同一个7430亿参数基座，所有提升全靠后训练。这和DeepSeek V4 Pro从预览版到正式版的逻辑是一样的，后者也都是同一个1.6T基座，能力跃迁同样来自后训练。 GLM-5.3之于5.2，就是V4 Pro正式版之于预览版。两者的不同在于，智谱没有涨价，DeepSeek却涨了一大截。从8月17日0点开始，DeepSeek API新一轮调价，全面引入峰谷分时定价机制，整体价格较此前出现大幅上调，全计费项涨幅区间为50%至1100%。 还有一点，那就是在自进化这块，智谱已经和DeepSeek形成了初步交锋。GLM-5.3的新后训练方法，本质上是一种模型自进化。而DeepSeek V4 Pro同步发布的DeepSeek Harness，其插件即一切的策略，也是为了自进化。 自进化是公认通往AGI的赛道，眼下国产大模型的 AGI 赛道，本质上就是智谱、DeepSeek、Kimi 三家的竞速。 都喊着 AGI，都在拼谁的模型更像一个能独立干活的 "人"。 两家的方法论究竟有何不同？ 先看智谱这边。GLM-5.2到5.3最核心的变化是加入了一套“自己出真题自己做”的环境合成流水线。 在GLM-5.2的时期，训练环境还主要靠人工搭建，所以题型有限、场景也偏模拟题。 到了5.3，智谱引入了一个全自动的环境生成机制。 具体来讲，智谱用了一个“AI研究员”（研究Agent）去真实场景里面抄题目。比如它会观察工程师到底怎么干活，把真活儿变成考题。 其实很早之前的生成对抗就采用了类似的逻辑，用机器给机器出题。 可机器出题没法保证每道题都是好题。 有的题可能根本解不出来（出题时条件给错了），有的题可能缺关键信息（做到一半卡死），有的题可能是“无解题”（mission impossible）。如果这些废题混进训练题库，模型辛辛苦苦刷了半天，刷的是一道根本做不出来的题。 因此智谱用了一个AI判卷员（判断Agent），先自己做一遍。 相当于出题人出完卷子，先自己答一遍，确认“这题真的能解出来”，不是道废题。防止出那种连老师都不会做、纯粹难为学生的怪题。 判卷员在做题过程中，不许看参考答案，只看解题过程。 如果是带着答案做题，那么模型可能学会“背答案”或者“抄近路”。表面上得分高，实际啥也没学会。所以判卷员得盯着解题轨迹，看它是不是一步一个脚印真解出来的，有没有钻漏洞、走捷径。只有“题能出、能做、过程干净”三道关卡全过了，这道题才配进训练题库。 这套流水线让训练环境规模扩大了数倍。 除了方法改变以外，刷题的整个基础设施也得到了升级。 slime是智谱从GLM-5时代就一直在用的一套训练框架，你可以把它理解成一个自动化的刷题工厂。 5.3在这套工厂上做了两层大改造。第一层是算法层面，新增了一批技术配置，最关键的一个改动，是让练习和考试的环境几乎完全一致。两者计算结果的平均差异控制在千万分之一的量级，比之前精确了99.99%。 AI的强化学习，本质上是成千上万轮的循环。先考试生成一批答卷，再根据答卷讲课更新模型，然后再考试、再讲课，无限循环。 如果练习和考试的环境有一点点不一样，每一轮都带入一点误差，一万轮下来误差就滚成了大雪球，模型可能学歪甚至直接崩掉。 就好比NBA比赛中，三分线弧顶距离是7.24米，底角是6.7米，但是FIBA国际篮联的三分线是6.75米，如果练习的时候以FIBA的标准，那么到了NBA中就适应不了那么远的三分线。 第二层是系统层面，智谱给这个出题工厂加了一堆效率优化。 常用的数据放到近处缓存，不用每次去远处取。相当于教材室紧挨教室，拿到教材就可以立马发给学生。 多个老师还可以自动切换，还能提前备好课，任务调度让每台机器都不闲着，还能根据题型自动调整到最优配置。这些优化叠在一起，长程编码任务的整体训练速度翻了2.3倍。 在Agent领域影响力最大的Terminal Bench 3.0基准数，得分从5.2的4.6分，暴涨到了5.3的28.3分，拿下开源模型第一。DeepSWE v1.1从46.2涨到66.9，Agents' Last Exam从23.8涨到28.5，AutomationBench从26.2涨到48.2。 再看DeepSeek这边，从预览版到正式版，DeepSeek V4 Pro也强化了后训练。预览版的监督微调数据以通用问答和基础代码为主，而在正式版当中，新增了大量Agent专用的多步骤工具调用对话范例。 以前教模型的例子，是“帮我写封邮件”这种一问一答。现在换成“把文件夹里所有PDF转成Word”这种真活儿。AI得先扫文件夹，然后识别PDF，并逐个进行转换。一切都完成后，汇总报告，一环扣一环。 同时，DeepSeek把GRPO强化学习的奖励函数给重新设计了一遍。 预览版在Agent场景下有两个常见的硬伤，其一是工具调用死循环，反复调用同一工具但提取不到有用信息；其二是参数解析错误，JSON格式错、必填字段漏。 正式版的奖励信号专门针对这两类失败做了惩罚，在需要35次工具调用的复杂任务中，正式版基本可以一次跑通不再卡死。 唐杰vs梁文锋+崔添翼 技术路线的背后从来都是人的理念。智谱和DeepSeek这场对抗，本质上是两种AGI路径的对撞。 智谱创始人唐杰在7月11日发布了内部信《巨浪已来》，宣布启动“Touch High（摸高）计划”。信中写到，未来两年不把重心放在商业变现上，集中资源冲AGI的下一个高地。 唐杰把AGI的突破拆解为三座必须翻越的大山，第一座是记忆，长上下文和RAG已经逼近记忆雏形；第二座是完全自治的智能体系统（Autonomous Agent System，即持续学习和自我评判），模型迭代频次的提升本身就在逼近持续学习，前沿模型已显露自我评判的萌芽；第三座是自进化（Self-Evolving）。 唐杰表示，“AI训练AI已经成型，模型自己写代码、自己清洗与合成数据、自己训练自己。这或许会消耗一些算力，却节省了最宝贵的人力与时间。而在大模型时代，速度是最重要的，快速迭代会直接拉开认知的代际差距。” 前文提到的GLM-5.3后训练办法，本质上就是一种自进化。 不过自进化最有魅力的地方，并不在于它如何实现了开发者一开始给它规定的目标