GLM-5.5 Leaked: Parameter Scale May Reach 2.5 Trillion–3.5 Trillion; Zhipu's Compensation Notice Spoils New Model in Advance
English text is being prepared.
In a "degraded intelligence" compensation notice to GLM Coding Plan users, Zhipu revealed that an additional quota reset will be granted after the new model is released, which is seen as an early spoiler for the next-generation GLM-5.5. Online rumors suggest that GLM-5.5 may have a parameter scale of 2.5 trillion–3.5 trillion, roughly 3.4–4.7 times the 743 billion total parameters of GLM-5.3, and may continue to use the hybrid linear attention and sparse attention architecture of GLM-5.3-Flash along with a recurrent Transformer. None of the above information has been officially confirmed.
Body
GLM-5.5,真的马上就来了?!
这不嘛,网上有GLM Coding Plan用户收到官方补偿通知,原因是此前部分用户遭遇了模型「降智」问题。
但比补偿本身更有看头的,是智谱在公告里留下的一句话——
新模型发布后,还会额外赠送一次额度重置机会哈!
好啊好啊,一份补偿通知,竟然顺手把下一代模型给剧透了。(doge)
而且巧了,最近关于GLM-5.5的爆料,也开始一波接一波冒出来了。
有小道消息称,GLM-5.5的参数规模可能达到2.5万亿—3.5万亿,比此前传闻的1.6万亿还要大上一截!
还有友友猜测,智谱此前初步验证的循环Transformer架构,会不会也用在下一代GLM上???
这...参数量可能冲上数万亿,深度推理能力也有望再上一层楼?(虽说不知道真的假的吧.jpg)
甚是期待甚是期待甚是期待*100000。
官方提前透露「新模型」,GLM-5.5要…来了?
虽说官方还没披露有关下代模型的具体信息,但顺着最近的传闻往下扒,还真能摸到一些GLM-5.5的踪迹!
先来说说大家很关心的「参数规模」。
要知道,今年8月发布的GLM-5.3,其总参数量约为7430亿,采用MoE(混合专家)架构。
但从目前网上流传出对于下一代GLM的总参数规模的猜测,下一代GLM的参数规模可能直接飙到2.5万亿—3.5万亿。
emm…我掰着手指算了一下,这要是真的,岂不是——
直接扩大到了GLM-5.3的3.4倍—4.7倍左右??!(真的假的.jpg)
当然,这里有个需要敲黑板的地方——
对于MoE模型来说,总参数量和每次推理实际激活的参数量,完全是两码事。
例如一个拥有数万亿参数的MoE模型,每处理一个Token,通常只会调用其中一部分专家网络参与计算。
所以参数规模暴涨,并不代表推理计算量也会按照同样的倍数增长。
但即便如此,如果网上传闻属实,这仍然意味着智谱准备在模型容量上进行一次相当next level的扩展~
而且,光是把模型做大,似乎还没完。
我搜罗了一圈,另一个关于下一代新模型颇有看头的传闻是——GLM-5.5可能迎来一次重大架构升级。
这事儿其实有迹可循。
今年8月,智谱发布GLM-5.3-Flash时,就已经对模型底层架构动了一轮大手术。
其中最值得关注的,是首次在GLM系列中引入线性注意力与稀疏注意力结合的混合架构,同时采用mHC技术,改善模型内部的信息传递和训练稳定性。
这一套组合拳下来,GLM-5.3-Flash在多项评测中超过GLM-5.2,推理价格则降到了后者的约十分之一。
换句话说,智谱已经在上一代模型中验证了一条兼顾模型能力与推理效率的新路线。
如果这套架构能够进一步扩展到万亿参数级别,下一代GLM便有机会在扩大模型容量的同时,继续压低推理成本。
除了参数规模和底层架构,大家关于GLM-5.5的讨论,还有一个颇值得关注的猜测——
循环Transformer(Loop Transformer),会不会也用在下一代GLM上捏?
巧的是,这项技术,智谱此前还真公开提到过。
今年8月,智谱在中期报告中明确介绍了循环Transformer,并透露已在初步实验中验证了相关思路。
简单来说——
循环Transformer可以让模型反复调用同一组网络层,在不显著增加参数量的情况下,完成更多轮内部计算,从而提升有效推理深度。
按照智谱的判断,参数规模决定模型能够存储多少信息,而计算深度则关系到模型能进行多复杂的推理。
尤其是在编程、网络安全等复杂任务中,模型往往需要连续完成十几步甚至几十步判断,才能得到正确结果。
一旦中间某个环节掉链子,后续任务就可能全盘跑偏!!
智谱甚至在报告中举了个「具体例子」——
网络安全任务可能要求模型沿着长达20步的因果链持续推理,每一步都得保持逻辑连贯。
而循环Transformer探索的方向,恰好就是让模型能够沿着复杂的因果链持续推理,提高多步骤任务的处理能力。
这套机制还允许模型在不显著增加参数量的情况下增加计算深度,相当于为复杂任务提供了另一条能力扩展路径。
不过,循环次数增加也会带来额外计算开销,如何平衡推理深度与运行效率,仍然是需要解决的问题。
至于这项技术究竟会不会应用到GLM-5.5上,目前还没有官方确认。
但把这些线索放在一起看,下一代GLM的技术升级,多少有点令人期待了~
回头看看智谱今年的模型升级路径,我们其实已经能看出一条相当清晰的能力进化路线——
今年2月,GLM-5发布。
4月,GLM-5.1跟进。
6月,GLM-5.2上线,重点提升复杂任务和长时间Agent执行能力。
8月,GLM-5.3发布,继续强化编程能力,随后GLM-5.3-Flash亮相,开始在模型架构与推理效率上进行新的探索。
从这条迭代路线来看,智谱确实一直在围绕编程、Agent、深度推理以及推理效率持续升级~
如果GLM-5.5真的能够在这些方向上继续突破,下一代旗舰的升级幅度,可能还真值得好好期待一番。
蹲蹲蹲!!!(搓手.jpg)
参考链接:
本文来自微信公众号“量子位”,作者:梦瑶,36氪经授权发布。