Agent iş akışları · 2026-11-09
Kendini geliştiren yapay zeka: Zhipu GLM ile gerçekte ne yaptı?
Zhipu kendini geliştiren yapay zekaya ulaştı mı? GLM-5 makalesi, güvenlik çalışması ve GLM-5.3 altyapı ajanı kaynaklarıyla; LLMTR'de GLM-5.3 kullanımı.
Kısa yanıt: Zhipu kendini geliştiren yapay zekaya ulaşmadı
LLMTR, farklı sağlayıcıların yapay zeka modellerine OpenAI uyumlu bir API üzerinden erişim veren bir gateway'dir. Kendini geliştiren yapay zeka (İngilizcede recursive self-improvement, RSI), Zhipu'dan Tang Jie'nin tanımıyla, yeterli hesaplama gücü ve zaman verildiğinde kendi halefini tamamen kendi başına tasarlayıp eğitebilen bir sistemdir. Tang Jie, 17 Eylül 2026'daki yazısında Zhipu'nun özyinelemeli kendini geliştirmeye henüz ulaşmadığını, yalnızca erken bir biçiminin ortaya çıktığını açıkça söyler. Zhipu'nun modellerinden GLM-5.3, llmtr.com hesabınızın API anahtarıyla https://llmtr.com/v1/chat/completions adresinden zai/glm-5.3 kimliğiyle çağrılır; fiyatı LLMTR ile Z.AI arasındaki anlaşma sayesinde Z.AI liste fiyatının %10 altındadır.
Zhipu'nun belgelediği şey daha dar ve kaynağı belli. GLM-5 eğitiminde gerçek yazılım işlerinden derlenen veri ve otomatik doğrulanabilen ortamlar kullanıldı. GLM-5.3 ile çalışan bir ajan da mühendislerin koyduğu hedefler içinde GLM-5.3-Flash'ın çıkarım altyapısını kurmaya katıldı. Zhipu'nun anlatımında hedef koymak, sınır çizmek ve riski değerlendirmek insanlarda kalır.
Zhipu GLM-5'i eğitirken ne yaptı?
GLM-5 makalesi 17 Şubat 2026'da arXiv'de yayımlandı. Makale ajan tabanlı mühendisliği şöyle tanımlar: yapay zeka ajanları kodu kendileri yazar; planlar, uygular ve yineler. Ara eğitimdeki (mid-training) yazılım verisi için depo düzeyindeki filtreler gevşetildi, tek tek issue'lar düzeyindeki kalite filtresi sıkılaştırıldı. Sonuç yaklaşık 10 milyon issue–PR çifti ve yaklaşık 160 milyar benzersiz token'dır.
Pekiştirmeli öğrenme için gerçek issue–PR çiftlerinden, 9 programlama dilinde binlerce depoya yayılan 10.000'i aşkın doğrulanabilir ortam kuruldu. Doğrulanabilir ortam, modelin yaptığı değişikliğin testlerle otomatik kontrol edilebildiği çalıştırılabilir bir kod ortamıdır. Denetimli ince ayarda matematik ve fen problemleri, bir önceki model GLM-4.7'yi zorlayanlar kalacak şekilde ayıklandı. Sonraki bir aşamada önceki eğitim aşamalarının son kontrol noktaları öğretmen model olarak kullanıldı; amaç, o aşamalarda kazanılan becerileri geri kazanmaktır.
| Aşama | Makalede yazan | Ne işe yarar |
|---|---|---|
| Ara eğitim | Yaklaşık 10 milyon issue–PR çifti, yaklaşık 160 milyar benzersiz token | Modeli gerçek issue kayıtları ve onları kapatan PR'larla eğitir |
| Pekiştirmeli öğrenme | 9 programlama dilinde binlerce depodan 10.000'i aşkın doğrulanabilir ortam | Modelin çözümü testlerle otomatik olarak ödüllendirilir |
| Denetimli ince ayar | Matematik ve fen problemlerinden yalnızca GLM-4.7'yi zorlayanlar | Eğitim, önceki modelin zaten çözdüğü örneklere değil zor örneklere yoğunlaşır |
| Aşamalar arası damıtma | Önceki aşamaların son kontrol noktaları öğretmen model | Önceki aşamalarda kazanılan beceriler sonraki eğitimde geri kazanılır |
Zhipu'nun güvenlik çalışması ne gösterdi?
QbitAI'nin 17 Eylül 2026'da aktardığı yazısında Tang Jie, Zhipu'nun güvenlik yeteneği araştırmasına Ekim 2025'te başladığını yazar. Gerekçesi şudur: güvenlik yeteneği kod yeteneğinin doğal uzantısıdır; karmaşık kodu okuyabilen bir model koddaki açıkları da anlayabilmelidir. Bir yıldan kısa sürede güvenlik ortakları GLM'yi kullanarak gerçek kod tabanlarında binlerce açık buldu. Tang Jie, bu yeteneğin sorumlu kullanımı için güvenilir erişim (trusted access) programı tasarladıklarını da belirtir.
Z.AI'nin sürüm notlarına göre GLM-5.3, birden çok siber güvenlik ekibiyle gerçek hedefler üzerinde denendi ve 1.097'si orta ya da yüksek önem derecesinde olmak üzere toplam 2.436 açık buldu. Bu sayılar şirketin kendi bildirdiği değerlerdir. Kaynaklar bu çalışmada hangi verinin kullanıldığını anlatmaz; bu yazı da bu konuda bir iddiada bulunmaz.
GLM-5.3 kendi çıkarım altyapısını kurdu mu?
Tam olarak değil. QbitAI ve GIGAZINE'in aktardığı, Z.AI'nin 'Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure' başlıklı yazısı ve Tang Jie'nin 17 Eylül 2026 tarihli paylaşımına göre GLM-5.3 ile çalışan bir altyapı ajanı (Infra Agent), 100.000'i aşkın Çin yapımı hızlandırıcıdan oluşan bir kümede GLM-5.3-Flash için üretim düzeyinde bir çıkarım sistemini sıfırdan kurmaya ve iyileştirmeye katıldı. Z.AI'ye göre işin büyük kısmını bu ajanlar yaptı; ancak kurulan altyapı GLM-5.3'ün değil GLM-5.3-Flash'ın içindi. Modelin bu donanımda ilk çalıştırılmasından üretime hazır hâle gelmesine kadar iki haftadan kısa süre geçti.
İş bölümü şöyleydi: mühendisler hedefleri ve sistem sınırlarını belirledi; ajan analiz yaptı, hipotez kurdu ve kod değişikliklerini yazdı; deney ortamı katmanlı ve doğrulanabilir geri bildirim verdi. Tang Jie'nin paylaşımı uçtan uca işlem hacminin başlangıçtaki taban değerin 3,2 katına çıktığını söyler; Z.AI'nin yazısı aynı sonucu başlangıçtaki taban değerin yaklaşık 3 katı olarak verir. Bunlar da şirketin kendi bildirdiği değerlerdir.
Veri neden darboğazdır?
Bu bölüm genel makine öğrenmesi bilgisidir ve Zhipu'ya atfedilmez. Hoffmann ve arkadaşlarının 29 Mart 2022'de yayımladığı Chinchilla çalışmasına göre, hesaplama bütçesine göre optimal eğitimde model boyutu ve eğitim token'ı sayısı aynı oranda büyütülmelidir. Aynı hesaplama bütçesiyle yaklaşık dört kat fazla veriyle eğitilen 70 milyar parametreli Chinchilla, 280 milyar parametreli Gopher'ı birçok değerlendirmede geçti. Çalışmanın kayıp modelinde parametre sayısına ve veri miktarına bağlı iki ayrı terim vardır; veri sabit kalırsa parametreyi artırmak veriye bağlı terimi küçültmez.
Penedo ve arkadaşlarının 1 Haziran 2023'te yayımladığı RefinedWeb çalışması, uygun biçimde filtrelenmiş ve tekrarları ayıklanmış web verisinin tek başına güçlü modeller üretebildiğini ve seçilmiş derlemlerle eğitilen modelleri geçebildiğini gösterdi. İki çalışmadan çıkan genel sonuç şudur: daha büyük bir modelden tam verim almak için veri de aynı oranda büyümeli ve temiz olmalıdır. GLM-5 makalesi iki yöne birden gider: depo düzeyindeki filtreleri gevşeterek veriyi genişletir, issue düzeyindeki filtreyi sıkılaştırıp zor problemleri seçerek niteliğe bakar.
Bugün GLM-5.3 kullanan bir geliştirici için ne anlama geliyor?
Makaledeki ve altyapı çalışmasındaki işler uzun soluklu, çok adımlı ajan görevleridir. Bu tür işler için GLM-5.3'ün LLMTR'deki özellikleri şunlardır: zai/glm-5.3'ün bağlam penceresi 1.000.000 token, tek yanıttaki çıktı tavanı 131.072 token'dır ve model function calling ile araç çağırabilir. Akıl yürütme her zaman açıktır ve kapatılamaz; derinliği reasoning_effort ile low, high ya da max olarak seçilir, seviye seçilmezse LLMTR low gönderir. Kapatma isteği, örneğin reasoning: false, 400 hatasıyla reddedilir. Düşünme token'ları çıktı fiyatıyla faturalanır.
GLM-5.3 yalnızca metin girdisi alır; ekran görüntüsü ya da arayüz görseli gönderecekseniz zai/glm-5.3-flash ya da zai/glm-5.3-flashx kullanın. 9 Kasım 2026 itibarıyla Z.AI GLM-5.5'i duyurmadı; fiyatı, bağlam penceresi ve ağırlıklarının açılıp açılmayacağı da açıklanmadı. Sosyal medyadaki iddiaların kaynak karşılaştırmasını serinin ilk yazısı verir. Bu yazı modellerin kalitesi hakkında bir şey söylemez: kendi verilerinizle deneyin.
Ekibiniz için özet
Öneri: Uzun soluklu ajan ve kodlama işleri için GLM-5.3'ü llmtr.com üzerinden kullanın; zai/glm-5.3 kimliğiyle https://llmtr.com/v1/chat/completions adresinden. 9 Kasım 2026 itibarıyla Z.AI'nin yayımladığı en yeni ana model GLM-5.3'tür. 1 milyon token bağlam penceresi vardır ve LLMTR fiyatı Z.AI liste fiyatının %10 altındadır.
Nedenleri şunlar: bir LLMTR API anahtarı ve yüklü bakiye yeterlidir, ayrı bir Z.AI hesabı gerekmez. LLMTR'de GLM sohbet modelleri aynı uç noktadan çağrılır; GLM-5.5 kataloğa eklendiğinde model kimliğini değiştirip model sayfasındaki reasoning_effort seviyelerini kontrol etmeniz yeterlidir. Kullanım Panel > Kullanım sayfasında görünür.
GLM-5.3'ü çok adımlı bir ajan işinde denemek
zai/glm-5.3'ü araç tanımlarıyla çağırın, akıl yürütme seviyesini işe göre seçin ve düşünme dahil çıktı token'larını usage alanından izleyin.
- Anahtar. llmtr.com'da bir API anahtarı oluşturun, Panel > Faturalandırma'dan bakiye yükleyin ve anahtarı LLMTR_API_KEY ortam değişkenine koyun.
- Araçlar. OpenAI uyumlu istemcide base_url değerini https://llmtr.com/v1, model değerini zai/glm-5.3 yapın ve araçlarınızı tools alanında tanımlayın; reasoning_effort ile low seviyesinden başlayıp zor adımlarda high ya da max seçin.
- Kontrol. Her adımda usage alanındaki completion_tokens değerini izleyin; düşünme token'ları bu sayıya dahildir. Toplamı Panel > Kullanım sayfasındaki tutarla karşılaştırın.
Sık sorulan sorular
Kendini geliştiren yapay zeka nedir?
Kendi halefini insan katkısı olmadan tasarlayıp eğitebilen bir yapay zeka sistemidir; İngilizcede recursive self-improvement (RSI) denir. Zhipu'dan Tang Jie, Eylül 2026'da bu noktaya ulaşmadıklarını, erken bir biçiminin ortaya çıktığını yazdı.
GLM-5.3 kendi altyapısını mı kurdu?
Zhipu'ya göre GLM-5.3 ile çalışan bir ajan, GLM-5.3-Flash'ın çıkarım sistemini 100.000'i aşkın Çin yapımı hızlandırıcıdan oluşan bir kümede kurmaya ve iyileştirmeye katıldı. Hedefleri ve sistem sınırlarını mühendisler belirledi.
GLM-5 eğitiminde ne kadar yazılım verisi kullanıldı?
GLM-5 makalesine göre ara eğitimde yaklaşık 10 milyon issue–PR çifti ve yaklaşık 160 milyar benzersiz token; pekiştirmeli öğrenmede 9 programlama dilinde binlerce depodan kurulan 10.000'i aşkın doğrulanabilir ortam.