動察 Beatingのモニタリングによると、Google TPUソフトウェアエンジニアのPatrick Toulme氏は、GLM 5.2が蒸留によってOpusに追いついたという外部の見解には誤解があると指摘した。大規模モデルにおけるエージェントコードタスクの訓練の難しさは「ゼロ勾配のジレンマ」にある。つまり、モデルが初期段階で正しい実行経路を生成できない場合、強化学習はパラメータ更新を開始するための勾配信号を得られない。ClaudeやGPT-5.5を蒸留する役割は、単にコールドスタート段階でシード解答を提供し、ゼロ勾配のジレンマを回避することに過ぎない。
モデルがコールドスタートの閾値を超えれば、その後の性能向上は蒸留に依存せず、完全に強化学習の山登りアルゴリズムによる自己進化に頼る。Toulme氏は、GLM 5.2はすでに独立して成功経路を生成する能力を持ち、強化学習を通じて自律的に高次レベルへ反復でき、米国の大規模モデルへの依存から完全に脱却できると強調した。
Redisの創設者Salvatore Sanfilippo氏は、別の経路の可能性を補足した。高性能モデルによる推論モードの導入(蒸留)は、より良いRL信号を得るのに非常に有用だが、DeepSeek R0の実践は、蒸留によるシードが全くない純粋なコールドスタート状況でも、強化学習が自律的に動作し、ブレークスルーを達成できることを証明している。
同時に彼は、コールドスタートの閾値を超える必要がある場合、大規模モデルの研究開発は、米国のAPIに依存する必要はなく、DeepSeek-v3.2などの国内オープンソースモデルを微調整することで十分に実現可能だと述べている。