2026年8月，大型語言模型競爭出現一個值得高度關注嘅轉向。智譜AI推出嘅GLM-5.3同DeepSeek嘅V4系列，用實踐證明：當基座模型已經有一定規模後，無限制再堆砌預訓練數據同參數，唔係提升「可用智能」嘅唯一甚至最經濟路徑。高質量嘅後訓練、強化學習（RL）嘅環境設計，以及測試時計算（test-time compute）嘅優化，能夠由一個已經好強嘅base model中「榨出」大量原本未被充分表現嘅能力。

呢個變化正喺重新塑造整個行業嘅技術路線同成本結構。

一、GLM-5.3同DeepSeek-V4嘅共同信號

GLM-5.3 於2026年8月14日正式發佈。智譜明確表示，佢同前代GLM-5.2使用完全相同嘅基座模型（約7400億參數量級嘅MoE架構），所有性能提升均來自後訓練 scaling：更長、更豐富嘅任務環境，以及超長嘅強化學習訓練時間。官方報告顯示，喺內部編程體感評測中較前代提升約50%，Terminal-Bench 3.0由4.6躍升至28.3，DeepSWE v1.1由46.2提升至66.9，並喺多項Agent與編碼基準中取得開源模型領先位置。CyberGym上達到84.5%，接近甚至略超部分閉源頂尖模型。需要注意嘅係，呢啲數字目前主要來自廠商報告，獨立第三方複現仍然喺進行中。

DeepSeek‑V4嘅情況更加清晰。喺其preview版本推出時，各項benchmark並唔特別突出，但經過一段時間嘅強化後訓練，其性能指標亦獲得顯著提升。技術報告公開描述咗「領域專家RL → 多教師On-Policy Distillation（OPD）→ 統一模型」嘅完整路徑。公司先針對數學、編碼、Agent、指令等不同領域各自訓練專家模型，再透過在線策略蒸餾將能力融合到一個統一模型入面。後訓練階段喺整體GPU預算所佔比重相對有限，卻帶來明顯嘅Agent同長程任務能力提升。

兩者共同指向一個結論：當base model已經足夠強時，改變重點唔再係「令模型知多啲」，而係「令模型更加識得用佢已經知道嘅嘢」。

二、點解後訓練可以帶來咁明顯嘅提升？

預訓練嘅核心係令模型學習「世界係點樣」——語言、知識、模式同潛在規律。後訓練則更多係教模型「面對具體任務時，應該點樣使用已經有嘅能力」。

一個強大嘅base model可能已經掌握咗Python、算法、數學、Linux、數據庫、軟件工程等知識，但未必能穩定完成以下閉環：理解任務 → 制定計劃 → 調用工具 → 觀察結果 → 發現錯誤 → 修改方案 → 繼續執行 → 驗證最終結果。呢啲行為本質上係策略（policy）嘅優化，而唔係新知識嘅注入。RL同高質量後訓練最擅長嘅，正係調整呢類策略。

更關鍵嘅係訓練環境嘅設計。傳統RL往往依賴獎勵模型畀分，而而家先進嘅coding agent訓練已大量採用「可驗證獎勵」（verifiable reward）：模型修改代碼後直接運行編譯同單元測試，測試通過即為獎勵。獎勵信號來自真實執行結果，而唔係人類主觀打分，可靠性大幅提升。呢種環境驅動嘅RL，令模型真正學識「做事」，而唔只係「生成靚答案」。

三、DeepSeek-V4嘅精細化路徑：專家分離同在線蒸餾

DeepSeek‑V4進一步解決咗多能力衝突嘅問題。唔同領域嘅獎勵目標經常互相矛盾：數學任務希望模型深入思考，日常對話希望簡潔，編碼希望頻繁調用工具，安全則要求拒絕某啲請求。如果簡單將所有獎勵混埋一齊，梯度好容易互相干擾。

因此，DeepSeek採用分而治之策略：先令各領域專家通過SFT同RL達到極致，然後通過多教師On-Policy Distillation（OPD）將能力蒸餾返到統一模型。OPD嘅關鍵在於「在線」——學生模型自己生成軌跡，教師模型針對學生當前狀態提供完整機率分佈嘅指導，而唔係用靜態嘅標準