Le PDG de Z.ai, Jie Tang, soutient que le nombre de paramètres est insuffisant pour évaluer les modèles, proposant une nouvelle loi d'échelle basée sur les données, l'allocation de calcul et les conditions d'inférence. Ce cadre sous-tend GLM 5.3, qui obtient des gains de performance significatifs grâce à l'apprentissage par renforcement dans des environnements à long terme synthétisés via des pipelines d'auto-amélioration récursive.

  • Ornith-1.5 est lancé en tant que famille à poids ouverts (9B dense, 35B MoE, 397B MoE) avec des capacités d'auto-amélioration de bout en bout et de solides benchmarks agents.
  • UnslothAI publie les GGUFs Qwen3.8-27B utilisant Dynamic V3, affirmant une précision 10% supérieure à taille égale et une quantification 1-bit conservant 77% de la précision BF16 sur 8 Go de RAM.
  • GLM 5.3 se classe #2 sur Terminal Bench et #3 sur Legal Bench parmi les modèles à poids ouverts, tandis que Claude Opus 5 mène en qualité sur Agent Arena.

Ces développements mettent en évidence un changement vers l'évaluation de l'utilité des modèles via des tâches complexes et exécutables plutôt que via des métriques statiques de paramètres.