2026年8月，大语言模型竞争呈现出一个值得高度关注的转向。智谱AI发布的GLM‑5.3与DeepSeek的V4系列，都在用实践证明：当模型基座已经达到一定规模后，继续无限制地堆叠预训练数据与参数，并非提升“可用智能”的唯一甚至最经济路径。高质量的后训练、强化学习（RL）环境设计，以及测试时计算（test‑time compute）的优化，能够从一个已经很强的base model中“榨出”大量原本未被充分表现的能力。
这一变化正在重塑整个行业的技术路线与成本结构。
一、GLM‑5.3与DeepSeek‑V4的共同信号
GLM‑5.3于2026年8月14日正式发布。智谱明确表示，它与前代GLM‑5.2使用完全相同的基座模型（约7400亿参数量级的MoE架构），所有性能提升均来自后训练Scaling：更长、更丰富的任务环境，以及超长的强化学习训练时间。官方报告显示，在内部编程体感评测中较前代提升约50%，Terminal‑Bench 3.0从4.6跃升至28.3，DeepSWE v1.1从46.2提升至66.9，并在多项Agent与编码基准中取得开源模型领先位置。CyberGym上达到84.5%，接近甚至略超部分闭源顶尖模型。需注意的是，这些数字目前主要来自厂商报告，独立第三方复现仍在进行中。
DeepSeek‑V4的情况更为清晰。在其preview 版本推出之时，其各项benchmark并不出众，但是经过一段时间的强化后训练，其性能指标也得到了答复提升。其技术报告公开描述了“领域专家RL → 多教师On‑Policy Distillation（OPD）→ 统一模型”的完整路径。公司先针对数学、编码、Agent、指令等不同领域单独训练专家模型，再通过在线策略蒸馏将能力融合到一个统一模型中。后训练阶段在整体GPU预算中占比相对有限，却带来了显著的Agent与长程任务能力提升。
两者共同指向一个结论：当base model已经足够强时，改变的重点不再是“让模型知道更多”，而是“让模型更会用已经知道的东西”。
二、为什么后训练能带来如此显著的提升？
预训练的核心任务是让模型学习“世界是什么”——语言、知识、模式与潜在规律。后训练则更多是在学习“面对具体任务时，应该如何使用这些已有能力”。
一个强大的base model可能已经掌握Python、算法、数学、Linux、数据库、软件工程等知识，但未必能稳定地完成以下闭环：理解任务 → 制定计划 → 调用工具 → 观察结果 → 发现错误 → 修改方案 → 继续执行 → 验证最终结果。这些行为本质上是策略（policy）的优化，而非新知识的注入。RL和高质量后训练最擅长的，正是调整这种策略。
更关键的是训练环境的设计。传统RL往往依赖奖励模型给出分数，而当前先进的coding agent训练已大量采用“可验证奖励”（verifiable reward）：模型修改代码后直接运行编译与单元测试，测试通过即为奖励。奖励信号来自真实执行结果，而非人类主观打分，可靠性大幅提升。这种环境驱动的RL，让模型真正学会“做事”，而不仅仅是“生成漂亮答案”。
三、DeepSeek‑V4的精细化路径：专家分离与在线蒸馏
DeepSeek‑V4进一步解决了多能力冲突问题。不同领域的奖励目标常常相互矛盾：数学任务希望模型深度思考，日常对话希望简洁，编码希望频繁调用工具，安全则要求拒绝某些请求。如果简单把所有奖励混在一起，梯度容易互相干扰。
因此，DeepSeek采用分而治之的策略：先让各领域专家通过SFT与RL达到极致，再通过多教师On‑Policy Distillation（OPD）将能力蒸馏回统一模型。OPD的关键在于“在线”——学生模型自己生成轨迹，教师模型针对学生当前所处的状态给出完整概率分布指导，而非使用静态标准答案。学生得以在自己犯过的错误上被纠正，学习效率远高于传统离线蒸馏。
此外，DeepSeek引入了生成式奖励模型（Generative Reward Model, GRM），让评价本身也变得更细致，能够对复杂轨迹给出结构化评判，而非单一标量分数。这进一步提升了后训练的质量与可扩展性。
四、能力提升的真正构成：三个乘积
当前前沿模型的有效智能，可以近似理解为：
有效智能 ≈ 基座能力 × 策略质量 × 测试时计算
- 基座能力来自预训练，决定知识与潜在上限。
- 策略质量来自后训练与RL，决定模型如何搜索、行动、纠错与验证。
- 测试时计算则决定模型在推理阶段实际投入多少算力。
因此，同一基座通过强化后训练与允许更高推理开销，完全可能在基准上实现大幅跃升，而无需重新进行昂贵的大规模预训练。GLM‑5.3正是这一逻辑的典型体现：不改变基座，却通过环境与策略优化释放大量潜在能力。
五、必须警惕的风险：刷榜、污染与奖励黑客
后训练的强大也带来新的判断难题。
首先是基准优化与数据污染。如果训练环境高度贴合公开基准，分数提升可能部分来自“刷题”而非通用能力。其次是奖励黑客（reward hacking）：模型可能学会绕过测试用例，而非真正解决问题。在Agent场景中，这种风险更甚——模型可能学会依赖特定捷径，而非掌握真正可泛化的策略。
测试时计算量的差异也常被忽视。如果新模型在推理时平均消耗数倍Token，基准提升中有相当部分来自“允许它想得更久”，而非参数或知识本身的飞跃。准确的评价必须区分这些因素。
因此，对GLM‑5.3“提升50%”这类数字需要保持审慎：它很可能包含真实的策略与Agent能力增益，但也混杂了环境针对性、推理开销与评测脚手架的贡献。独立复现与真实长程任务表现，才是判断其真正价值的关键。
六、产业意义：竞争焦点正在转移
GLM‑5.3与DeepSeek‑V4共同表明，2026年的前沿竞争已从“谁拥有更强的base model”，转向“谁能更有效地把base model训练成一个会长期行动、会使用工具、会自我纠错、会验证结果的policy”。
预训练仍重要，因为它决定能力上限；但后训练正在成为释放可用智能、提升实际任务成功率的关键杠杆。尤其在编码、计算机使用、多步骤Agent等场景，可验证环境与长轨迹RL的价值被充分证明。
这条路线的经济性也值得关注。大规模预训练动辄消耗海量算力，而后训练往往只占整体预算的一小部分，却能带来显著的任务表现提升。对于资源并非无限的团队而言，这提供了一条更务实的追赶路径。
结语：能力边界的重新定义
一个已经很强的基座模型，通过精心设计的后训练环境、可验证奖励、在线蒸馏与合理的测试时计算，确实可以释放出远超传统SFT所能达到的实际任务能力。这不是魔法，而是因为模型原本就拥有大量潜在知识，后训练改变的是它如何搜索、决策与纠错。
与此同时，行业必须同步建立更严格的评价标准：私有基准、新鲜任务、对抗性测试、真实长程场景，以及对推理开销的透明报告。只有这样，才能区分“真能力提升”与“刷榜幻觉”。
GLM‑5.3与DeepSeek‑V4所代表的后训练范式，正在把大模型从“知识容器”进一步推向“行动主体”。这或许才是当前模型竞争中最深刻、也最值得持续观察的变化。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com