GLM-5.2 lidera o ranking de ajuste fino, gerando dúvidas; autor do benchmark esclarece: não destilou o Claude

De acordo com o monitoramento do Beating (动察), o modelo de código aberto GLM-5.2 alcançou o topo do benchmark de ajuste fino autônomo PostTrainBench, sendo criticado pelo questionador scaling01 como carente de valor prático. Ele apontou que é extremamente incomum o modelo saltar da 22ª posição para o primeiro lugar em poucos meses, e que, por falta de um conjunto de teste oculto, o benchmark tende a induzir agentes a otimizar direcionalmente manipulando rankings, resultando em modelos difíceis de serem aplicados no mundo real.

No entanto, os defensores rebatem que, sob a condição de uma única placa H100 com limite de 10 horas, não é realista exigir que o agente conclua um ajuste fino genérico, e que a otimização direcionada é a norma no aprendizado de máquina. Os registros públicos mostram que o GLM-5.2 possui uma lógica experimental clara, é capaz de coletar automaticamente dados de diferentes hipóteses de amostragem, planejar de forma autônoma uma cadeia completa de estabelecimento de linha de base de desempenho, ajuste fino e filtragem de dados usando amostragem por rejeição, além de tentar evitar overfitting na cadeia de pensamento.

O maior valor dessa controvérsia está no fato de que a trajetória pública de execução, originalmente usada para avaliar a capacidade de ajuste fino, acidentalmente desmascarou o rumor da indústria de que os grandes modelos nacionais são 「fortemente destilados do Claude」. O autor do benchmark, Maksym Andriushchenko, após examinar os registros do GLM-5.2, apontou que o modelo apresenta diferenças fundamentais em coleta de dados, combinação de estratégias e caminhos de decisão em relação ao Claude, sem indícios de imitação ou destilação. A transparência pública de benchmarks de terceiros acabou se tornando a janela mais direta para os modelos de código aberto provarem sua capacidade de pesquisa e desenvolvimento originais.