GLM-5.3 阅读笔记 — 后训练 scaling、SAO 算法与 Slime 框架

知乎专栏《deep research》 — Mon, 17 Aug 2026 00:00:00 +0000

GLM-5.3 — 后训练 scaling 与 SAO 算法

[!info] TL;DR 核心思想：复用基座，把资源堆到后训练上。GLM-5.3 的全部提升（自研 Z.ai Code Bench +50%）来自后训练 pipeline 的三处扩展——算法（SAO 单轨迹异步 RL 替代 GRPO）、框架（Slime 异步训练框架）、环境（百万级可执行 sandbox）。

SFT、RL 与 OPD：从分布视角理解后训练

wh. — Mon, 03 Aug 2026 00:00:00 +0000

SFT、RL 与 OPD：从分布视角理解后训练

[!info] TL;DR 核心思想：把语言模型看成序列分布，post-training 就是在重塑这个分布。SFT 追随固定的外部数据分布，RL 从当前策略采样并用奖励筛选，OPD 在学生自己的状态上匹配 teacher 分布。

Reading-Note/LLM - 标签 - vllbc02's blogs

GLM-5.3 阅读笔记 — 后训练 scaling、SAO 算法与 Slime 框架

GLM-5.3 — 后训练 scaling 与 SAO 算法

SFT、RL 与 OPD：从分布视角理解后训练

SFT、RL 与 OPD：从分布视角理解后训练