الذكاء الاصطناعي

Z.ai تطلق نموذج GLM 5.3 على منصة Amazon Bedrock

يوفر النموذج الجديد قدرات متقدمة في الأمن السيبراني والبرمجة عبر واجهات برمجية متوافقة مع OpenAI، مع دعم التخزين المؤقت لتحسين الأداء.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 6 أكتوبر 2026 · آخر تحديث: 6 أكتوبر 2026 · 5 دقائق قراءة

Z.ai تطلق نموذج GLM 5.3 على منصة Amazon Bedrock — الصورة: AWS Machine Learning Blog

الخلاصة

نموذج GLM 5.3 هو نموذج خبير مختلط (MoE) بحجم 753 مليار معامل، متاح الآن للعملاء المؤهلين على Amazon Bedrock.
يدعم النموذج واجهات OpenAI المتوافقة وواجهات Amazon Bedrock الأصلية، مما يسهل تكامله مع التطبيقات الحالية.
تُظهر النتائج المعلنة تحسناً بنسبة 50% في المعايير الداخلية للبرمجة مقارنة بالإصدار السابق GLM 5.2.
يتضمن الإصدار ميزات جديدة مثل الاستدلال عبر المناطق (Cross-Region) والتحكم الصريح في التخزين المؤقت (Prompt Caching).
يمكن استخدام النموذج في سيناريوهات واقعية مثل الاختبار الأمني المسموح به عبر وكيل Strix مفتوح المصدر.

توفر نموذج GLM 5.3 على Amazon Bedrock

أعلنت شركة Z.ai رسمياً عن إتاحة نموذجها الجديد GLM 5.3 للعملاء المؤهلين عبر منصة Amazon Bedrock. يُعد هذا النموذج جزءاً من سلسلة GLM، وهو مبني على بنية خبير مختلط (Mixture-of-Experts) بحجم إجمالي يبلغ 753 مليار معامل. صُمم النموذج خصيصاً للتعامل مع المهام البرمجية المعقدة والمهام الوكيلة (Agentic) التي تتطلب سياقاً طويلاً واستمرارية في العمليات.

يأتي هذا الإطلاق استجابةً لمتطلبات أعباء العمل البرمجية والوكيلة التي تزداد تعقيداً، حيث تتطلب إعادة هيكلة مستودعات تضم مئات الملفات والحفاظ على السياق خلال سير عمل يستمر لساعات. بدلاً من الحاجة إلى إدارة بنية تحتية للاستدلال الخاصة، يتيح Amazon Bedrock الوصول إلى النموذج عبر واجهات برمجية مُدارة بالكامل، مما يقلل من العبء التشغيلي على المطورين.

تحسينات الأداء والقدرات البرمجية

تُشير البيانات التي أعلنتها Z.ai إلى أن GLM 5.3 يحقق أداءً تنافسياً في مجموعة من معايير البرمجة مثل DeepSWE وTerminal Bench 3.0 وFrontierSWE. كما أفادت الشركة بتحسين بنسبة 50% في معاييرها الداخلية للبرمجة مقارنة بالإصدار السابق GLM 5.2. تجدر الإشارة إلى أنه لم يتم إجراء مقارنة مباشرة مع الإصدار GLM 5 الأصلي بسبب حجم التحسينات الكبيرة التي أدت إلى تحديث اختبارات المعايير نفسها منذ إعلان GLM 5.1.

من أبرز الميزات الجديدة هي القدرات الناشئة في مجال الأمن السيبراني. ذكرت Z.ai أن النموذج حقق نتائج لافتة في مهام الأمن، حيث سجلت الشركة نتيجة رائدة بلغت 84.5 في معيار CyberGym عند الإطلاق. تجعل هذه القدرات النموذج مناسباً بشكل طبيعي لتدفقات العمل الأمنية الدفاعية، مما يفتح آفاقاً جديدة لاستخدامه في حماية الأنظمة.

تكامل مرن مع واجهات OpenAI وBedrock

يوفر Amazon Bedrock خيارات متعددة لاستدعاء النموذج، مما يمنح المطورين مرونة عالية. يمكن استخدام واجهات OpenAI المتوافقة (Responses وChat Completions) أو واجهات Amazon Bedrock الأصلية (Invoke وConverse). توصي المنصة باستخدام واجهات OpenAI المتوافقة للتطبيقات الجديدة نظراً لدعمها لمجموعة أكثر اكتمالاً من الميزات. كما يدعم Amazon Bedrock إنشاء مفاتيح API لهذه التكاملات، مع التأكيد على تفضيل الاعتمادات قصيرة العمر على المفاتيح طويلة الأمد لتعزيز الأمان.

يمكن للمطورين البدء في استخدام النموذج فوراً عبر وحدة تحكم AWS دون الحاجة إلى كتابة أكواد، من خلال ميزة Playground. أما للاستخدام البرمجي، فيمكن استدعاء النموذج عبر نقطة نهاية bedrock-runtime. توفر هذه المرونة سبيلاً سهلاً لدمج قدرات GLM 5.3 في التطبيقات الحالية أو بناء تطبيقات جديدة تعتمد على الذكاء الاصطناعي المتقدم.

تحسين التكلفة والسرعة عبر التخزين المؤقت

لتحسين كفاءة الاستدلال، يدعم GLM 5.3 ميزة التخزين المؤقت للبرومبت (Prompt Caching) بشكل ضمني (تلقائي) افتراضياً. تساعد هذه الميزة في تقليل زمن الاستجابة وتكاليف رموز الإدخال عند مشاركة نفس بادئة البرومبت في استدعاءات متكررة. بالإضافة إلى ذلك، يوفر النموذج خيار التخزين المؤقت الصريح (Explicit Caching)، الذي يُنصح به لتحسين معدل الإصابة بالتخزين المؤقت بشكل أكبر.

في وضع التخزين المؤقت الصريح، يمكن للمستخدمين تحديد بادئات البرومبت القابلة لإعادة الاستخدام بدقة باستخدام علامات prompt_cache_breakpoint. يجب أن تحتوي كل علامة على ما لا يقل عن 1,024 رمزاً لتكون مؤهلة للتخزين المؤقت. هذا الخيار مفيد بشكل خاص لأعباء العمل الوكيلة التي تعيد إرسال أوامر نظام كبيرة أو سياق المستودع في كل جولة محادثة، مما يؤدي إلى توفير ملموس في التكاليف والسرعة.

الاستدلال عبر المناطق ومراحل الخدمة

يتوفر GLM 5.3 عبر ملفات تعريف الاستدلال عبر المناطق (Cross-Region inference) في الولايات المتحدة والعالم. يسمح هذا الميزة بإرسال الطلبات إلى منطقة AWS المصدر المختارة، حيث يقوم Amazon Bedrock بتوجيه كل طلب بأمان للمعالجة. يوفر هذا المرونة في إدارة التكاليف والأداء عبر المناطق المختلفة، مع الحفاظ على أمان البيانات وسرعة الاستجابة.

كما يوفر Amazon Bedrock ثلاث مراحل خدمة (Service Tiers) لاختيار التوازن المناسب بين التكلفة والسرعة. تشمل هذه المراحل: Flex لتقليل التكلفة للأعباء غير الحرجة زمنياً، وPriority لأولوية الطلبات الحرجة زمنياً مقابل سعر أعلى، وStandard للتوازن الافتراضي بين السعر والسرعة. يتيح هذا النظام للمؤسسات تخصيص موارد الذكاء الاصطناعي حسب احتياجاتها التشغيلية المحددة.

تطبيق عملي: الاختبار الأمني مع Strix

لتوضيح قدرات النموذج في سيناريو واقعي، يقدم المقال مثالاً على استخدام GLM 5.3 في الاختبار الأمني المسموح به (Authorized Security Testing) لتطبيقات المستخدم. يعتمد هذا السيناريو على وكيل Strix، وهو وكيل اختراق اختراق مفتوح المصدر، لاستغلال نقاط القوة في النموذج في اكتشاف الثغرات الأمنية المحتملة.

يتطلب هذا التطبيق تثبيت Docker وStrix مع إضافة bedrock. يمثل هذا الاستخدام تطبيقاً مباشراً لقدرات النموذج في الأمن السيبراني والبرمجة، حيث يعمل الوكيل على تحليل الكود واكتشاف الضعف بشكل آلي. يوفر هذا النهج وسيلة عملية لتقييم أمان التطبيقات باستخدام تقنيات الذكاء الاصطناعي المتقدمة المتاحة الآن على Amazon Bedrock.