今日AI观察 —— 后训练 Scaling 时代
导语2026 年 8 月中旬，三件同期事件把 LLM 进化重心从「谁的预训练规模更大」推向「谁的后训练方法更扎实 + 谁能把权重压得更小」：GLM-5.3（Z.ai，8/14）：与 GLM-5.2 同 743B 基座，仅靠后训练把 Terminal-Bench 3.0 从 4.
美团正式发布 LongCat-2.5：面向智能体任务的原生多模态模型
美团正式发布 LongCat-2.5，这是一个面向长程智能体任务的原生多模态模型。模型总参数量为 1.6 万亿，每个 token 激活约 480 亿参数，在 LongCat-2.0 的基础上进一步强化了原生视觉理解与智能体编程能力。
告别单卡竞争，摩尔线程让国产算力第一次跑通了训推用全闭环
展览总面积首次超过 10 万平方米，1100 余家企业携 3000 余项前沿展品亮相。以摩尔线程为代表的国产算力厂商，正凭借自主可控的全功能 GPU 架构、Day 0 适配的生态响应速度、以及极具竞争力的每 Token 落地成本，在几乎由单一国际厂商长期主导的 AI 算力产业格局中打开新的缺口。
智谱开源 slime：训练 GLM-5.2 只用了两天的 RL 框架
做 RL（强化学习）训练的人都知道一种痛——训练框架、推理服务、数据流水线、Agent 环境……每加一个需求，系统就多一层补丁。最后变成一坨谁也不敢动的意大利面。智谱的答案是：把训练内核做到最小，把变化全部赶进数据生成。
SlimeWeb爆火：Python+Rust混血框架，真能碾压Flask和FastAPI？
一、Python开发者的痛点，被一个“混血框架”破局了？做Python后端开发的，几乎都有过这样的无奈：想快速开发用Flask，性能不够用；想追求高性能用FastAPI，复杂度又上来了。
智谱GLM53同基座编程涨50%
当所有厂商都在卷"更大的模型"，智谱做了一件反常识的事——它把同一台发动机，转速压榨到了新高度。8 月中旬，智谱发布了 GLM-5.3。最反常识的一点：它的基座模型，和半年前的 GLM-5.2 完全一样。
底座一行没改，编程暴涨50%：拆GLM-5.3后训练三件套
导读：GLM-5.3 和 GLM-5.2 用的是同一个底座，一行预训练没改，编程能力却涨了最高6倍。这篇把智谱的后训练引擎——IndexShare、SAO、Slime 三件套逐一拆开，再看2436个漏洞和藏在DNS协议里40年的缺陷是怎么“练”出来的。
揭秘GLM-5技术底牌：「异步强化学习框架Slime」成终极杀招
在 Coding 与 Agent 任务上，GLM-5 在 SWE-bench、Terminal-Bench、BrowseComp、MCP-Atlas 等多个主流基准测试中取得开源 SOTA 级表现。