Z.ai:s vd om GLM 5.3: Träningsdata viktigare än parameterantal
Jie Tang, vd för Z.ai, argumenterar i en djupdykning att antalet parametrar (modellens 'storlek') spelar allt mindre roll – det är post-träning (finjustering efter grundträningen) som nu avgör hur bra en AI-modell blir. Det handlar om deras senaste modell GLM 5.3, och tankegången utmanar den gängse uppfattningen att större alltid är bättre.
Djupdykning
Z.ai:s VD Jie Tang gör ett djärvt påstående: parametrar – alltså antalet "knappar" ett AI-system har att justera under träning, vilket länge varit det primära måttet på en modells potential – spelar allt mindre roll. Istället pekar han mot post-training som den nya tillväxtaxeln, det vill säga allt som händer *efter* att grundmodellen är tränad: finjustering, förstärkningsinlärning från mänsklig feedback, och liknande tekniker. Det här är inte helt unikt som tankegång – OpenAI och Anthropic har båda rört sig i den riktningen – men att en kinesisk topplab explicit döper om spelplanen och kopplar det till sin egna GLM-modellfamilj signalerar att kapprustningen om råa parameterantal faktiskt kan vara på väg att mattas av. Det flesta fokuserar på vem som har störst modell, men den verkliga frågan börjar handla om vem som är bäst på att forma beteendet hos modeller som redan finns – och där är data, inte beräkningskraft, den knappa resursen.