DEV Community

Cover image for ما هو GLM-5.3؟ شرح نموذج البرمجة مفتوح الأوزان من Zhipu
Yusuf Khalidd
Yusuf Khalidd

Posted on Originally published at apidog.com

ما هو GLM-5.3؟ شرح نموذج البرمجة مفتوح الأوزان من Zhipu

GLM-5.3 هو نموذج لغوي كبير أصدرته Zhipu AI في 14 أغسطس 2026، ويعمل المختبر دوليًا باسم Z.ai. يمثل الإصدار ترقية تدريب لاحق لنموذج GLM-5 الأساسي، مع تركيز مباشر على البرمجة والوكلاء، وتخطط Zhipu لنشر أوزانه المفتوحة على Hugging Face بعد نحو أسبوعين من الإطلاق. وفقًا لتقييمات Zhipu الداخلية، تحسنت قدرة البرمجة بنسبة 50% مقارنةً بـ GLM-5.2.

جرّب Apidog اليوم

تصف Seeking Alpha مختبر Zhipu بأنه «منافس صيني لـ OpenAI». وتكمن أهمية الإصدار في الجمع بين نموذج برمجة موجه للوكلاء وخطة لإتاحة الأوزان. جاء ذلك بعد يوم من إصدار DeepSeek الأخير، الذي تناولناه في دليل DeepSeek V4 Pro API.

في هذا الدليل ستتعرف على مواصفات GLM-5.3، وقراءة المعايير بحذر، وخطة الأوزان المفتوحة، وطريقة إرسال أول طلب API واستخدامه ضمن اختبار عملي.

باختصار

  • صدر GLM-5.3 في 14 أغسطس 2026 من Zhipu AI عبر Z.ai. يعتمد نموذج GLM-5 الأساسي نفسه، بينما تأتي التحسينات من التدريب اللاحق الموسع.
  • ارتفعت نتيجة Terminal-Bench 3.0 من 4.6 إلى 28.3، أي 6.2 مرة، مع المركز الأول بين النماذج مفتوحة المصدر وفقًا لتقرير الإطلاق.
  • يحتل النموذج المركز الأول بين النماذج المفتوحة في Agents’ Last Exam، وسجل 84.5% في CyberGym و54.4% في ExploitBench.
  • تخطط Zhipu لإتاحة الأوزان عبر Hugging Face حوالي 28 أغسطس 2026.
  • تصف الوثائق عائلة GLM-5 بأنها نموذج MoE يضم 744 مليار معلمة إجمالية، ونحو 40 مليار معلمة نشطة لكل تمريرة أمامية، ونافذة سياق 200 ألف رمز.
  • واجهة API متوافقة مع OpenAI عبر https://api.z.ai/api/paas/v4/chat/completions. لم يُنشر تسعير خاص بـ GLM-5.3 عند الإطلاق.

ما هو GLM-5.3؟

GLM-5.3 هو الإصدار الفرعي الثالث من عائلة GLM-5 والأكثر استهدافًا لمهام البرمجة والوكلاء. لم تُعد Zhipu تدريب النموذج الأساسي؛ بل طبقت تدريبًا لاحقًا موسعًا على الأوزان نفسها.

وفقًا لـ الوثائق الرسمية، يحتفظ النموذج بمواصفات GLM-5 الأساسية:

  • بنية Mixture of Experts (MoE).
  • 744 مليار معلمة إجمالية.
  • قرابة 40 مليار معلمة نشطة في كل تمريرة أمامية.
  • نافذة سياق تصل إلى 200 ألف رمز.

بنية ومواصفات GLM-5.3

عمليًا، هذا يعني أن ما يجب تقييمه ليس البنية الجديدة، بل سلوك النموذج بعد التدريب: تنفيذ مهام طرفية متعددة الخطوات، قراءة ناتج الأوامر، استعادة المحاولات بعد الأخطاء، والعمل على مهام هندسة برمجيات طويلة الأمد وتحليل أمني.

إذا كان فريقك يبني وكلاء برمجة أو أتمتة CI، فاختبر GLM-5.3 مقابل بياناتك الواقعية قبل اتخاذ قرار التبني.

معايير GLM-5.3: الأرقام ومصادرها

ذكرت تغطية الإطلاق من BigGo Finance وPandaily النتائج التالية. فرّق بين نتائج لوحات المتصدرين أو تقارير الإطلاق، ونتائج Zhipu الداخلية التي لا يمكن إعادة إنتاجها علنًا بعد.

المعيار نتيجة GLM-5.3 السياق المصدر
Terminal-Bench 3.0 28.3، ارتفاعًا من 4.6 تحسن 6.2 مرة؛ الأول بين النماذج مفتوحة المصدر تقرير الإطلاق
Agents’ Last Exam الأول بين النماذج مفتوحة المصدر لم تُعلن النتيجة الرقمية عند الإطلاق تقرير الإطلاق
CyberGym 84.5% أعلى قليلًا من Claude Mythos 5 وGPT-5.6 Sol تقرير الإطلاق
ExploitBench 54.4% ما زال خلف النماذج الرائدة تقرير الإطلاق
SWE-Marathon نحو ضعف GLM-5.2 هندسة برمجيات طويلة الأمد داخلي لـ Zhipu
قدرة البرمجة الإجمالية +50% مقابل GLM-5.2 الادعاء الرئيسي لـ Zhipu داخلي لـ Zhipu

كيف تقرأ هذه النتائج؟

خذ نتيجتي Terminal-Bench وAgents’ Last Exam كإشارة قوية لاختيار النموذج للتقييم، وليس كسبب كافٍ للهجرة الفورية إلى الإنتاج.

خصوصًا أن Terminal-Bench يقيس سلوكًا مهمًا لوكلاء البرمجة:

  1. تنفيذ أوامر shell مترابطة.
  2. قراءة المخرجات والأخطاء.
  3. تعديل الخطة عند فشل أمر.
  4. إكمال المهمة عبر خطوات متعددة.

لكن ادعاء تحسن البرمجة بنسبة 50% ونتيجة SWE-Marathon المضاعفة هما تقييمان داخليان. استخدمهما لتحديد فرضيات الاختبار، ثم تحقق منها عبر مجموعة تقييم خاصة بمستودعاتك ومهامك.

ماذا يعني «الاقتراب من Claude Fable 5» عمليًا؟

تقول Zhipu إن قدرة GLM-5.3 في البرمجة والوكلاء «تقترب من Claude Fable 5». التفسير العملي لهذه العبارة هو:

  • للوكلاء والطرفية: النتائج المبلغ عنها تجعله مرشحًا قويًا للاختبار، خصوصًا مع تصدره النماذج المفتوحة في Terminal-Bench 3.0 وAgents’ Last Exam.
  • لمهام الأمن: نتيجة CyberGym البالغة 84.5% مرتفعة، لكن الفارق الصغير مقارنةً بالنماذج الأخرى قد يتأثر بتباين التشغيل.
  • للاستدلال الأمني الأصعب: نتيجة ExploitBench البالغة 54.4% تشير إلى بقاء فجوة أمام النماذج الرائدة.

اختبر النموذج أولًا في هذه الحالات:

  • إصلاح أخطاء CI المتكررة.
  • تحليل سجلات البناء والفشل.
  • تحديثات تعتمد على سياق مستودع كبير.
  • وكلاء ينفذون أوامر طرفية ضمن بيئات معزولة.
  • مهام مراجعة الكود ذات خطوات قابلة للقياس.

للمقارنة بين النماذج الرائدة على محاور مشابهة، راجع مقارنتنا بين Grok 4.6 وGPT-5.6 وClaude Fable 5.

خطة الأوزان المفتوحة: حوالي 28 أغسطس على Hugging Face

التزمت Zhipu بنشر أوزان GLM-5.3 المفتوحة بعد نحو أسبوعين من الإطلاق، أي حوالي 28 أغسطس 2026، عبر منظمة zai-org على Hugging Face.

الفترة ليست مجرد تأخير تقني. تقول Zhipu إنها أجرت مراجعة مخاطر شاملة قبل الإتاحة، وهو أمر مهم لنموذج حقق نتيجة مرتفعة في CyberGym. تشغيل النموذج خلف API مراقبة يختلف عن نشر أوزانه للجميع.

التحضير للاستضافة الذاتية

لا تفترض أن تشغيل النموذج بالدقة الكاملة سيكون مناسبًا لجهاز مطور محلي. رغم وجود 40 مليار معلمة نشطة تقريبًا لكل رمز، فإن النموذج يضم 744 مليار معلمة إجمالية، لذا يتطلب تشغيله الكامل عادةً عتاد خوادم متعدد وحدات GPU.

قبل وصول الأوزان:

  1. جهز عينة من مهامك الحقيقية.
  2. شغّلها على API المستضافة وأنشئ خط أساس للجودة والتكلفة والكمون.
  3. حدد ميزانية العتاد وهدف الدقة الكمية.
  4. انتظر المتغيرات الكمية التي سيصدرها المجتمع.
  5. قارن نتائج النشر الذاتي مع نتائج API باستخدام المطالبات نفسها.

راجع دليل استضافة GLM-5.3 ذاتيًا لتخطيط الحجم ومكدسات الخدمة وخط الأساس.

كيف يتناسب GLM-5.3 مع مشهد النماذج المفتوحة؟

المقارنة المباشرة هنا هي DeepSeek: كلا المختبرين صينيان، وكلاهما يخطط أو يقدم أوزانًا مفتوحة، وكلاهما ينافس عبر API ونماذج قابلة للاستضافة.

الاختلاف في التركيز:

  • خط DeepSeek V4 Pro موجه كنموذج عام.
  • GLM-5.3 يركز على وكلاء البرمجة ومهام الطرفية.

إذا كان معظم حملك عبارة عن وكلاء برمجة، فابدأ بـ GLM-5.3 في قائمة التقييم. أما إذا كانت تطبيقاتك عامة أو متعددة الوسائط، فاحرص على مقارنة مباشرة ضمن السيناريوهات التي تستخدمها فعليًا.

لم تنشر Zhipu تسعير API خاصًا بـ GLM-5.3 عند الإطلاق. كمرجع، تعرض صفحة التسعير الرسمية لـ GLM-5.2 سعر 1.4 دولار لكل مليون رمز إدخال و4.4 دولار لكل مليون رمز إخراج وقت كتابة المحتوى. لا تستخدم هذا الرقم لتقدير ميزانية 5.3 قبل التحقق من الصفحة المباشرة.

لخفض تكلفة واجهات النماذج، راجع دليل تحسين تكلفة واجهة DeepSeek API. كما يمكنك مقارنة خيارات النشر المحلي عبر دليل أفضل LLMs المحلية في 2026.

تمت إعادة تعيين حصص خطة برمجة GLM

في يوم الإطلاق، أعادت Zhipu تعيين حصص خطة برمجة GLM لجميع المستخدمين في 14 أغسطس. إذا كنت مشتركًا في الخطة عبر Z.ai، يمكنك استخدام الحصة الجديدة لتجربة GLM-5.3.

انتبه إلى الفرق بين نوعي الوصول:

  • خطة البرمجة: عرض بسعر ثابت لأدوات البرمجة.
  • واجهة API: فوترة منفصلة حسب الرموز.

تنطبق إعادة التعيين على الخطة، لا على فوترة API. يمكن لمستخدمي البر الرئيسي الصيني الوصول إلى النظام عبر open.bigmodel.cn مع خطط وفواتير خاصة به.

جرّب الواجهة البرمجية في خمس دقائق

واجهة Z.ai متوافقة مع OpenAI، لذا يمكنك استخدام بنية طلب مألوفة.

استخدم نقطة النهاية الدولية:

https://api.z.ai/api/paas/v4/chat/completions
Enter fullscreen mode Exit fullscreen mode

واستخدم نقطة نهاية البر الرئيسي الصيني:

https://open.bigmodel.cn/api/paas/v4/chat/completions
Enter fullscreen mode Exit fullscreen mode

المصادقة تتم عبر Bearer token. عند الإطلاق، كانت الوثائق لا تزال تذكر glm-5 كمعرّف موثق للنموذج؛ لذا تحقق من المعرف النهائي في صفحة وثائق النموذج قبل شحن التكامل إلى الإنتاج.

إرسال أول طلب باستخدام cURL 

export GLM_API_KEY="your-key-from-z.ai"

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "user",
        "content": "Write a bash script that finds the five largest files in a git repo, excluding the .git directory."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'
Enter fullscreen mode Exit fullscreen mode

تتبع الاستجابة مخطط OpenAI المعتاد، بما في ذلك:

  • مصفوفة choices لمخرجات النموذج.
  • محتوى الرسالة في choices[0].message.content.
  • كتلة usage لاستهلاك الرموز.

اختبر الطلبات دون تعديل cURL يدويًا

استورد طلب cURL إلى Apidog، ثم:

  1. احفظ GLM_API_KEY كمتغير بيئة.
  2. أنشئ بيئة لنقطة نهاية Z.ai الدولية.
  3. أنشئ بيئة أخرى لنقطة نهاية bigmodel.cn.
  4. اجعل عنوان الأساس ومعرّف النموذج متغيرين.
  5. احفظ الاستجابات المرجعية لمقارنة الانحدارات لاحقًا.

بهذه الطريقة، يصبح تبديل المنطقة أو النموذج تغييرًا في البيئة بدل تعديل الطلبات يدويًا. ولتطبيق API الكامل باستخدام Python وNode.js والبث ومعالجة الأخطاء، راجع دليل البدء السريع لواجهة GLM-5.3 API.

الأسئلة الشائعة

هل GLM-5.3 مفتوح المصدر؟

ليس بعد. التزمت Zhipu بإصدار الأوزان على Hugging Face حوالي 28 أغسطس 2026، بعد مراجعة مخاطر تصفها بأنها الأكثر شمولًا لديها حتى الآن. حتى ذلك الحين، يتوفر النموذج عبر API المستضافة.

ما الفرق بين GLM-5.3 وGLM-5.2؟

النموذج الأساسي نفسه. التحسينات تأتي من التدريب اللاحق الموسع، بما في ذلك تحسن برمجة داخلي معلن بنسبة 50%، وارتفاع Terminal-Bench 3.0 من 4.6 إلى 28.3، ونتيجة SWE-Marathon التي يُقال إنها تضاعفت تقريبًا.

لم تتغير البنية أو عدد المعلمات أو نافذة السياق عن خط أساس GLM-5.

كم يكلف GLM-5.3؟

لم تنشر Zhipu تسعيرًا خاصًا بـ GLM-5.3 عند الإطلاق. سعر GLM-5.2 المرجعي في صفحة التسعير الرسمية هو 1.4 دولار لكل مليون رمز إدخال و4.4 دولار لكل مليون رمز إخراج.

تحقق من التسعير المباشر قبل وضع الميزانية. إذا كانت التكلفة قيدًا رئيسيًا، فراجع تحسين تكلفة API بعد زيادة أسعار DeepSeek.

هل يمكنني تشغيل GLM-5.3 على أجهزتي الخاصة؟

نعم بعد إصدار الأوزان، لكن التشغيل بالدقة الكاملة يتطلب غالبًا عتاد خوادم متعدد وحدات GPU. ستخفف الإصدارات الكمية التي ينشرها المجتمع المتطلبات.

راجع دليل التحضير للاستضافة الذاتية لتحديد حجم البنية التحتية بصورة واقعية.

هل GLM-5.3 أفضل من Claude أو GPT للبرمجة؟

يعتمد ذلك على عبء العمل. في معايير الوكلاء والطرفية المبلغ عنها، ينافس بقوة ويتصدر النماذج المفتوحة في Terminal-Bench 3.0. وفي CyberGym، سجل نتيجة أعلى قليلًا من Claude Mythos 5 وGPT-5.6 Sol. لكنه متأخر في ExploitBench بنتيجة 54.4%.

الخطوة الصحيحة هي تشغيل مجموعة التقييم الخاصة بك على النماذج المرشحة نفسها قبل توجيه حركة مرور الإنتاج، كما تفعل عند اختبار أي API قبل اعتمادها.

أين يتناسب GLM-5.3 في مجموعتك التقنية؟

GLM-5.3 مرشح عملي لوكلاء البرمجة، وأتمتة CI، ومهام الطرفية متعددة الخطوات. عرض القيمة واضح: API متوافقة مع OpenAI اليوم، وأوزان مفتوحة مخطط لها خلال أسبوعين، ونتائج قوية معلنة في مهام الوكلاء.

ابدأ بتقييم صغير ومنضبط:

  1. أرسل طلب cURL أعلاه.
  2. احفظ الاستجابة والكمون واستهلاك الرموز.
  3. جهز 10 إلى 30 مطالبة من أعباء عملك الحقيقية.
  4. عرّف معايير نجاح واضحة: صحة الكود، نسبة الإكمال، عدد المحاولات، والكلفة.
  5. قارن النموذج مع البدائل ضمن الإعدادات نفسها.
  6. أعد تشغيل المجموعة بعد إصدار الأوزان لمقارنة API المستضافة بالنشر الذاتي.

استخدم Apidog لتنظيم هذه الطلبات، واحتفظ ببيئتي Z.ai وbigmodel.cn قابلتين للتبديل. بذلك تتحول تجربة API الأولى إلى خط أساس انحدار مفيد عندما تصل الأوزان المفتوحة وتبدأ مقارنة الاستضافة الذاتية مع الخدمة المستضافة.

Top comments (0)