Theo Động Sát Beating giám sát, kỹ sư phần mềm TPU của Google, Patrick Toulme, chỉ ra rằng có sự hiểu lầm về việc GLM 5.2 dựa vào chưng cất để bắt kịp Opus. Khó khăn trong việc huấn luyện mô hình lớn trên các tác vụ mã hóa tác nhân thông minh nằm ở "tình trạng khó khăn gradient bằng không", tức là nếu mô hình không thể tạo ra đường dẫn thực thi chính xác trong giai đoạn đầu, học tăng cường sẽ không thể nhận được tín hiệu gradient để khởi động cập nhật tham số. Vai trò của việc chưng cất Claude hoặc GPT-5.5 chỉ là cung cấp các giải pháp hạt giống trong giai đoạn khởi động nguội để vượt qua tình trạng khó khăn gradient bằng không.
Một khi mô hình vượt qua ngưỡng khởi động nguội, hiệu suất tăng trưởng tiếp theo sẽ không còn phụ thuộc vào chưng cất, mà hoàn toàn dựa vào thuật toán leo núi của học tăng cường để tự tiến hóa. Toulme nhấn mạnh rằng GLM 5.2 đã có khả năng độc lập tạo ra các đường dẫn thành công, hoàn toàn có thể tự lặp lại lên cấp độ cao hơn thông qua học tăng cường, thoát khỏi sự phụ thuộc vào các mô hình lớn của Mỹ.
Người sáng lập Redis, Salvatore Sanfilippo, bổ sung khả năng của một con đường khác: Mặc dù việc giới thiệu chế độ suy luận thông qua các mô hình năng lực cao (chưng cất) rất hữu ích để có được tín hiệu RL tốt hơn, nhưng thực tiễn của DeepSeek R0 đã chứng minh rằng ngay cả trong trường hợp khởi động nguội hoàn toàn không có chưng cất gieo hạt, học tăng cường vẫn có thể tự vận hành và đạt được đột phá.
Đồng thời, ông cho rằng nếu vẫn cần vượt qua ngưỡng khởi động nguội, việc phát triển mô hình lớn hoàn toàn có thể sử dụng các mô hình mã nguồn mở nội địa như DeepSeek-v3.2 để tinh chỉnh ban đầu, thay vì phải phụ thuộc vào API của Mỹ.
