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