Przeciek GLM-6.0: następny flagowy model Z.ai to „pełne samodzielne trenowanie” — co wiemy do tej pory

Wieczorem 31 sierpnia 2026 roku Z.ai (Zhipu) przeprowadził pierwszą konferencję wynikową od czasu debiutu na giełdzie w Hongkongu w styczniu — a założyciel Tang Jie (唐杰) poświęcił jej część na zdefiniowanie kolejnego modelu bazowego firmy, podając po raz pierwszy jego nazwę: GLM-6.0. Model osadził w ramach technicznej ścieżki, którą Z.ai nazywa „Full Self-Training” (完全自训练), co — jak stwierdził — odpowiada temu, co na Zachodzie określa się mianem RSI, czyli rekurencyjnego samodoskonalenia. GLM-6.0 nie ma daty premiery, karty modelu, API ani niezależnych benchmarków. To artykuł podsumowujący to, co wiemy do tej pory, o pierwszym oficjalnym potwierdzeniu nazwy i kierunku, a nie relacja z premiery.

Co naprawdę powiedziano na konferencji wynikowej na temat GLM-6.0

Relacja z rozmowy pochodzi z 观点网 (Guandian), hongkońskiego serwisu finansowego, który opisał ją tego samego wieczoru; sygnał na X podał @dotey. Wszystkie poniższe szczegóły dotyczące GLM-6.0 pochodzą z raportu Guandian na temat wypowiedzi Tang Jie i żadne z nich nie zostało potwierdzone ani ogłoszeniem Z.ai, ani kartą modelu.

Według raportu, Tang Jie określił GLM-6.0 jako model „Full Self-Training”. Kluczową cechą, którą opisał, jest samooczyszczanie: model obejmujący cały proces treningowy — pre-training, mid-training i post-training — w celu w pełni autonomicznego treningu i samoewolucji. Nagłówek nie dotyczy nowej liczby parametrów; to stwierdzenie, że model przejmie części własnego treningu.

Mówił wprost o trudnej części. Największym wyzwaniem, jak powiedział, nie jest skalowanie modelu; chodzi o to, czy model może osiągnąć samoocenę — samodzielne decydowanie, kiedy zakończyć trening, i korygowanie własnych błędów. Nazwał to główną trudnością tej drogi i kluczowym kierunkiem przyszłych badań. Dodał też, że przyszłe prace nad modelami uwzględnią etykę i zarządzanie społeczne jako wymiary projektu, a nie coś, co dodaje się później.

Ta sama rozmowa zawierała szersze ramy Z.ai. Tang Jie przedstawił formułę — wartość biznesowa AGI równa się pułap inteligencji × skala konsumpcji tokenów — i argumentował, że Z.ai powinno „sprzedawać zadania, nie modele". Jeśli chodzi o dane, zauważył, że krajowe zbiory treningowe dla dużych modeli kształtują się zazwyczaj w przedziale 30–50 bilionów tokenów, a zyski z samego zwiększania liczby parametrów maleją. Ten argument o ścianie danych jest ekonomiczną motywacją do samouczenia: jeśli teksty jakości ludzkiej przestają skalować, model musi sam generować i oceniać swój sygnał treningowy.

Co tak naprawdę oznacza „Pełne samotrenowanie" (RSI)

RSI — rekurencyjne samodoskonalenie — to rodzina idei, w ramach których model ulepsza procesy czyniące go mądrzejszym, zamykając pętlę między trenowaniem a wytrenowanym. W swojej najmocniejszej formie model pisze lub dostraja części własnego potoku treningowego, przez co możliwości kumulują się bez ludzkiego inżyniera w każdej pętli. Czołowe laboratoria pisały o tym eseje; prawie żadne nie powiązało tego publicznie z działającym flagowcem. Pozycjonowanie Z.ai podczas rozmowy o wynikach robi dokładnie to — i dlatego to sformułowanie ma znaczenie, zanim jeszcze powstanie jakikolwiek kod GLM-6.0.

To pozycjonowanie nie wzięło się znikąd. Zostało zapowiedziane w wewnętrznym liście, który Tang Jie wysłał pracownikom 11 lipca 2026 roku — 《巨浪已来》 („Nadeszła wielka fala") — ogłaszającym plan „Touch High" (摸高): dwa lata strategicznych inwestycji, rezygnację z krótkoterminowej monetyzacji, aby sięgnąć po kolejną wyżynę w obszarze AGI. List wymieniał cztery kluczowe silniki; jeden z nich opierał się w pełni na samouczeniu. Relacje na temat listu opisywały ten silnik w konkretny sposób: zbudować fabrykę wysokiej jakości danych syntetycznych, wykorzystać rozgrywki AI przeciwko AI do generowania wiedzy w obszarach, gdzie kończą się dane ludzkie, oraz — w piaskownicy bezpieczeństwa — dać systemowi możliwość przepisywania własnego kodu, tak aby tempo ewolucji nie było już ograniczane przez ludzkich inżynierów.

To mocne stwierdzenie, które należy czytać z odpowiednią ostrożnością: wszystko to jest opisem aspiracji firmy. Żadne laboratorium nie wykazało pełnego samouczenia w skali granicznej, a list jest dokumentem strategicznym, a nie benchmarkiem.

Wyzwanie, które Tang Jie wymienił, jest uczciwą częścią.

Najcenniejsze w tej rozmowie — dla czytelnika próbującego przewidzieć, czy GLM-6.0 będzie miało znaczenie — jest to, co Tang Jie uznał za trudne. Samoocena — wiedza, kiedy przerwać trenowanie, i autonomiczne korygowanie błędów — jest fundamentalnym założeniem całego zakładu. Jeśli model nie potrafi wiarygodnie oceniać własnych wyników, to syntetyczne dane i gra przeciwko samej sobie jedynie wzmacniają szum, a „samouczenie” sprowadza się do bardzo kosztownego potoku danych z człowiekiem jako zabezpieczeniem.

Sposób ujęcia jest spójny w obu stwierdzeniach: silnik listu traktuje moc obliczeniową jako paliwo ewolucji; wyzwanie wezwania dotyczy osądu, który sprawia, że to paliwo jest użyteczne. Podkreślił również zasadę doboru wielkości — unikanie modelu zbyt dużego, aby był użyteczny — co ma znaczenie, ponieważ zakład na samouczenie nie jest czystym zakładem na skalowanie. To istotny sygnał dotyczący tego, czym GLM-6.0 nie jest: nie tylko „największym jak dotąd modelem z rodziny GLM”.

Gdzie plasuje się GLM-6.0 w tej linii?

Z.ai poinformowało, że rodzina GLM przeszła przez sześć generacji w ciągu jedenastu miesięcy, a własna miara inteligencji firmy wzrosła z 32 do 60. Obecnym flagowcem jest GLM-5.3, ogłoszony w połowie sierpnia, z API udostępnionym 19 sierpnia i potwierdzonymi otwartymi wagami 28 sierpnia. Jest to model MoE tekst-na-tekst z 40 miliardami aktywnych parametrów, kontekstem 1 miliona tokenów i wskaźnikiem inteligencji Artificial Analysis na poziomie 60 — obecnym rekordem wśród modeli o otwartych wagach — wycenionym na 1,40 dolara za milion tokenów wejściowych i 4,40 dolara za milion tokenów wyjściowych. Mniejszy model GLM-5.3-Flash został wydany na licencji MIT, a Z.ai podaje, że w ciągu pierwszych sześciu dni przyciągnął 62 biliony tokenów (to dane producenta, nie niezależny pomiar).

Interesujące pytanie brzmi: co stało się z GLM-5.5. Przez większą część sierpnia raporty analityków cytowane przez Reuters i CGTN zapowiadały flagowy model GLM-5.5 „w sierpniu” – a on się nie pojawił. Podczas rozmowy o wynikach finansowych nazwano kolejną generację GLM-6.0, całkowicie pomijając wersję 5.5. To, czy 5.5 została przemianowana, wchłonięta przez 6.0, czy też nigdy nie istniała jako oficjalny produkt, pozostaje niepotwierdzone. To, co rozmowa o wynikach ustala jednoznacznie, to oficjalne stanowisko: następną generacją modelu bazowego jest GLM-6.0.

Niepotwierdzone są również: liczba parametrów, architektura, cena lub dostępność {{1}}GLM-6.0{{/1}}. Zadeklarowana zasada Z.ai — „{{2}}nie za duży, by był użyteczny{{/2}}" — w połączeniu z ujęciem samouczenia sugeruje, że interesującą zmianą może być raczej paradygmat trenowania niż skala — ale to tylko przypuszczenie, nie informacja.

Co jest potwierdzone, a co nie

• Potwierdzono, zgodnie z raportem Guandian z konferencji wynikowej z 31 sierpnia: Tang Jie wskazał GLM-6.0 jako model bazowy nowej generacji; określił go jako Full Self-Training; opisał samooczyszczanie w całym potoku treningowym oraz samoocenę jako kluczowe wyzwanie; a Z.ai podało przychody za H1 2026 w wysokości 954 mln CNY, wzrost o 399,7% rok do roku, przy biznesie API/MaaS stanowiącym 86,5% przychodów i stracie netto w wysokości 2,07 mld CNY, która zmniejszyła się o 12,1%.

• Potwierdzone niezależnie od przecieku: status GLM-5.3 — AA Intelligence Index 60, 1,40 USD/4,40 USD, kontekst 1M, tylko tekst, otwarte wagi — zmierzone przez Artificial Analysis, a nie przez Z.ai.

• Nie potwierdzono: że GLM-6.0 istnieje jako produkt w sprzedaży; jakiejkolwiek daty premiery; parametrów, architektury ani cen; czy GLM-5.5 jest pominięty lub przemianowany; jakiegokolwiek benchmarku; jakiejkolwiek dostępności u jakiegokolwiek dostawcy.

• Zastrzeżenie dotyczące pojedynczego źródła: cytaty o GLM-6.0 opierają się na relacji z rozmowy pochodzącej od jednego outletu. Na dzień pisania tego tekstu Z.ai nie wydało żadnego własnego ogłoszenia o GLM-6.0.

Co teraz powinien zrobić programista

Nic w tym sygnale nie powinno dziś przesunąć decyzji produkcyjnej, ponieważ nie ma żadnego GLM-6.0, na który można by się powołać. Właściwą reakcją na potwierdzenie roadmapy jest pozostawienie otwartej opcji, a nie zmiana platformy.

Warto zwrócić uwagę na to, co zmieniłby flagowy model samouczący, gdyby trafił na rynek. Ceny w rodzinie GLM utrzymują stabilny poziom 1,40/4,40 dolara za milion tokenów w ostatnich generacjach flagowych modeli, przebijając cenowo zamknięte laboratoria z czołówki, jednocześnie ustępując im w niezależnych wskaźnikach. GLM-6.0, który naprawdę uczy się samodzielnie, przetestowałby sufit otwartych wag w sposób, w jaki nie zrobił tego żaden dotychczasowy model — a pierwszym miejscem, w którym ta kwestia znajdzie odpowiedź, jest to, czy pojawi się w katalogu dostawcy w rozsądnej cenie i z realnym przełączaniem awaryjnym wokół niego.

Gdy i jeśli GLM-6.0 pojawi się w katalogu, zasada cenowa na OrcaRouter jest prosta: cena katalogowa dostawcy przekazywana dalej z zerową marżą, aktywna tego samego dnia — bez renegocjacji i bez drugiej umowy. To ta sama zasada, na jakiej GLM-5.3 już działa na platformie, gdzie obecny flagowiec jest serwowany po 1,26 USD / 3,96 USD za milion tokenów (10% rabatu startowego od ceny katalogowej 1,40 USD / 4,40 USD), wszystko przez jedno API dla ponad 200 modeli. A nieprzetestowany model z mapą drogową tak odważną jak RSI jest właśnie przypadkiem na routing oparty na wynikach, a nie nazwach: skieruj część ruchu na nowy model z automatycznym przełączaniem awaryjnym na sprawdzony — GLM-5.3, DeepSeek V4 Pro lub GPT-5.6 Sol — tak aby model, który okaże się przereklamowany, degradował do rozwiązania zapasowego zamiast dostarczać wadliwe odpowiedzi. Kiedy nie ma jeszcze GLM-6.0, do którego można by kierować ruch, równoważnym przygotowaniem jest posiadanie reguły routingu napisanej zanim model powstanie.

Co obejrzeć dalej

• Data wydania. Tempo wydawania flagowych modeli Z.ai wynosiło mniej więcej dwa miesiące między generacjami; rozmowa nie podaje daty, a model „w pełni samouczący się" może w ogóle nie trzymać się normalnego tempa.

• Pierwszy konkretny obiekt: karta modelu, publikacja wag lub identyfikator API. W momencie, gdy GLM-6.0 otrzyma identyfikator API, plotka stanie się możliwa do przetestowania.

• Los GLM-5.5. Jeśli GLM-5.5 pojawi się pierwszy, interpretacja mapy drogowej się zmienia; jeśli pozostanie milczący, bardziej prawdopodobna jest wersja, że „6.0 pominęło numer”.

• Czy inne laboratoria odpowiedzą. RSI jest zwykle omawiane w esejach, a nie na konferencjach wynikowych; jeśli duże laboratorium publicznie powiąże samotrenowanie z flagowym modelem, to ujęcie przestaje być dziwactwem Z.ai, a staje się trendem.

• Pierwszy niezależny wynik. Aktualny rekord wśród modeli o otwartych wagach w indeksie Artificial Analysis Intelligence wynosi 60 (GLM-5.3, ex aequo z Kimi K3). Liczy się dopiero GLM-6.0, który przekroczy ten wynik na niezależnej tablicy — wszystko wcześniej to tylko mapa drogowa.

To nie jest żadna premiera. GLM-6.0 to nazwa i kierunek, potwierdzone oficjalnie podczas konferencji wynikowej, a na razie nie istnieje nic bardziej konkretnego. Ale to właśnie kierunek jest tutaj sednem sprawy: duże laboratorium publikujące otwarte wagi publicznie postawiło swoją następną flagową wersję na model, który uczy się sam trenować, i z góry wskazało trudną część — osąd, a nie skalę. To sygnał, który warto zapisać, zanim pojawi się data premiery, ponieważ w chwili, gdy GLM-6.0 otrzyma kartę modelu, pytanie przestaje brzmieć, czy Z.ai mówi poważnie, a zaczyna brzmieć, czy to zadziała.