แท็ก

#GLM-5.3-Flash

3 บทความ

Z.ai เปิดตัว GLM-Legal โมเดลงานกฎหมายแบบเอเจนต์ที่ต่อยอดจาก GLM-5.3-Flash — ได้ 19.17% บน Harvey LAB (อันดับ 7 จาก 79) ด้วยต้นทุน $0.15 ต่อเคส แต่ยังเป็นเบต้าแบบขอสิทธิ์ ไม่มีน้ำหนักบน Hugging Face
โมเดลใหม่

Z.ai เปิดตัว GLM-Legal โมเดลงานกฎหมายแบบเอเจนต์ที่ต่อยอดจาก GLM-5.3-Flash — ได้ 19.17% บน Harvey LAB (อันดับ 7 จาก 79) ด้วยต้นทุน $0.15 ต่อเคส แต่ยังเป็นเบต้าแบบขอสิทธิ์ ไม่มีน้ำหนักบน Hugging Face

Z.ai เปิดตัว GLM-Legal เมื่อ 12 ต.ค. 2026 เป็นโมเดลเฉพาะทางกฎหมายที่เทรนต่อจาก GLM-5.3-Flash Vals AI วัดได้ 19.17% บน Harvey's Legal Agent Benchmark (อันดับ 7 จาก 79) เพิ่มจากโมเดลฐานที่ได้ 6.67% และเป็นโมเดลที่ถูกที่สุดใน 10 อันดับแรกที่ $0.15 ต่อเคส ตอนนี้ยังใช้ได้ผ่านเบต้าแบบขอสิทธิ์เท่านั้น

· อ่าน 5 นาที
Cantina ปล่อย apex-flash-1 โมเดลความปลอดภัยแบบ open-weight (MIT) บน GLM-5.3-Flash — แก้โจทย์เจาะช่องโหว่ได้ 40 จาก 60 ข้อด้วยค่าใช้จ่าย $2.38 เทียบ Opus 5 ที่ได้ 43 ข้อแต่ใช้ $74.68 และปล่อยรุ่น abliterated มาด้วยเอง
โมเดลใหม่

Cantina ปล่อย apex-flash-1 โมเดลความปลอดภัยแบบ open-weight (MIT) บน GLM-5.3-Flash — แก้โจทย์เจาะช่องโหว่ได้ 40 จาก 60 ข้อด้วยค่าใช้จ่าย $2.38 เทียบ Opus 5 ที่ได้ 43 ข้อแต่ใช้ $74.68 และปล่อยรุ่น abliterated มาด้วยเอง

Cantina Security ร่วมกับ Yeta Labs ปล่อย apex-flash-1 โมเดล 321B (MoE จาก GLM-5.3-Flash) ไลเซนส์ MIT ที่ฝึก RL ด้วย GRPO บนช่องโหว่จริงจากงานของบริษัท ในชุดทดสอบภายใน 60 โจทย์ทำได้ 66.7% (40 ข้อ) ขณะที่ Claude Opus 5 High ได้ 71.7% แต่แพงกว่าราว 31 เท่า และบริษัทปล่อยรุ่น abliterated ที่ลดการปฏิเสธคำขอมาพร้อมกัน น้ำหนักขึ้น Hugging Face ตั้งแต่ 1 ต.ค. โพสต์นี้จึงเป็นการตามข่าวย้อนหลัง

· อ่าน 5 นาที
ไม่ต้องเทรนโมเดลตัดสินใจใหม่: Privatemode ใช้ GLM-5.3-Flash ตอบแบบ typed ด้วยโทเคนเดียวผ่าน logprobs ของ vLLM — ความแม่นยำไม่ต่างจาก Jev อย่างมีนัยสำคัญ อ่านภาพได้ด้วย แต่แพงกว่าราว 4 เท่า
เครื่องมือนักพัฒนา

ไม่ต้องเทรนโมเดลตัดสินใจใหม่: Privatemode ใช้ GLM-5.3-Flash ตอบแบบ typed ด้วยโทเคนเดียวผ่าน logprobs ของ vLLM — ความแม่นยำไม่ต่างจาก Jev อย่างมีนัยสำคัญ อ่านภาพได้ด้วย แต่แพงกว่าราว 4 เท่า

ทีม Privatemode ของ Edgeless Systems เผยแพร่เทคนิคและไลบรารี MIT ที่ทำให้ GLM-5.3-Flash ทำงานแบบโมเดลตัดสินใจอย่าง Jev ได้โดยไม่ต้อง fine-tune วิธีคือใส่หมายเลขให้ตัวเลือก เติมคำตอบไว้ล่วงหน้า แล้วอ่าน logprob ของโทเคนเดียว บน 28 ชุดข้อมูลแม่นเท่า Jev ในเชิงสถิติ (p = 0.64) และตอบคำถามที่มีภาพได้ แต่ต้นทุนราว €62 ต่อล้านครั้ง เทียบกับ €16 ของ Jev

· อ่าน 5 นาที