Z.ai、コーディング性能を大幅に向上させるGLM-5.3を発表、新たなセキュリティリスクも

Z.aiはGLM-5.2のベースモデルを維持したままGLM-5.3をリリースした。この方針転換は現在、AI開発を扱うgoogle newsの報道にも広がっている。同社によれば、ポストトレーニングだけで社内コーディングベンチマークの性能を50％改善したという。また、長期にわたるエージェントタスクとサイバーセキュリティ評価でも大幅な向上を報告している。

このリリースは、最先端モデルに関する一般的な前提に疑問を投げかける。ラボは意味のある能力向上を実現するために、必ずしも新たな高コストの事前学習を実行する必要はない。既存モデルの推論、ツール利用、エラーからの回復、長時間タスクの完遂方法を洗練させるという選択肢もある。

この効率性が、中心的な対立を生む。リポジトリ規模のコーディングを改善する同じポストトレーニング手法が、脆弱性の発見やエクスプロイト開発も強化し得るからだ。Z.aiはGLM-5.3の重みを公開する予定だが、追加のセキュリティ評価を実施するため、その段階を2週間延期した。

したがって、これは単なるモデル更新ではない。GLM-5.3は、ポストトレーニングがモデルの実用寿命を延ばせるか、そして責任を持って配布することがより難しい能力を生み出すかを試すものだ。

Google Newsは、新たなベースモデルなしにZ.aiが何を変えたかに注目

GLM-5.3が重要なのは、Z.aiがモデル開発で最も高コストな段階を繰り返すことなく、大幅な能力向上を報告しているためだ。

Z.aiは2026年8月14日にGLM-5.3を発表した。同社のGLM-5.3リリースによると、このモデルはGLM-5.2と同じベースモデルを使用している。報告された改善は、別の事前学習サイクルではなく、ポストトレーニングによるものだ。

事前学習とは、大規模データセットから幅広い統計的パターンをモデルに学習させる初期プロセスである。ポストトレーニングは、そのベースモデルを推論、指示追従、ツール利用、望ましい振る舞いに適応させる。

この違いは、財務面でも技術面でも重要だ。最先端モデルの事前学習には、大規模な計算能力、データ準備、長い実験サイクルが必要となる。ポストトレーニングでは既存の基盤を再利用しつつ、選定した能力にリソースを集中できる。

Z.aiによれば、GLM-5.3は複雑なコーディングと長期タスクでより優れた性能を示す。これは、多数のステップにわたる継続的な計画を必要とする作業を指す。こうした作業には、リポジトリの探索、依存関係にあるファイルの編集、テストの実行、失敗の解釈、実装の修正などが含まれる。

同社は、社内のZ.ai Code BenchでGLM-5.2に比べて50％改善したと報告している。この数値は、Z.ai自身が評価を設計・実施しているため、慎重に扱うべきだ。独立したテスターは、幅広い本番ワークロードにおいてこの改善をまだ再現していない。

Z.aiはさらに、GLM-5.3がTerminal Bench 3.0とAgents’ Last Examで、オープンウェイトモデルとして最も強い結果を達成したとしている。ターミナル形式のベンチマークは、多くの場合コマンドラインツールと反復的なフィードバックを用い、モデルがコンピューター環境内のタスクを遂行できるかを評価する。

報告された変化は、単にコード補完が向上したという話ではない。コード補完はカーソル付近に続く可能性の高いテキストを予測する。エージェント型コーディングでは、モデルが目標を管理し、環境を調べ、ツールを選び、初期計画が失敗した際に対応する必要がある。

これは、この話題が専門的なモデルコミュニティを超えて注目を集めた理由の一端を説明する。Google newsの検索結果は、コーディング性能の向上と、ポストトレーニング中に現れた予想外のサイバーセキュリティ能力の両方を強調している。

Z.aiはすでに、ホスト型製品と一部のパートナーチャネルを通じてモデルを提供している。ただし、すべてのインターフェースや地域で一様に利用できるわけではない。初期ユーザーからは、Z Code、API、サードパーティーのコーディングクライアント間で利用可能性が異なるとの報告があった。

この不均一な展開は、発表の妥当性を損なうものではない。しかし、モデルの利用可能性には正確な定義が必要であることを示している。ホスト型アクセス、パートナー経由のアクセス、ダウンロード可能な重み、無制限のローカル展開は、4つの異なるリリース段階だ。

GLM-5.3は現在、異例の位置にある。開発者はホスト型バージョンにアクセスできる一方、ダウンロード可能な重みは一時的に公開が見送られている。この隔たりが、リリースをめぐるより大きな議論を生んでいる。

ポストトレーニングは、より優れたエージェント型コーディングへの主要ルートとなった

Z.aiは、コーディングエージェントが性能の限界に達するたびにモデルを作り直すよりも、より良い学習フィードバックの方が重要だと賭けている。

ポストトレーニングでは、難しいタスクにモデルを取り組ませ、その試行解を収集し、成功した行動に報酬を与えることでモデルを改善できる。モデルは、どの推論経路やツール操作がより良い結果につながるかを徐々に学習する。

コーディングエージェントにとって、有用な学習例は正しい最終回答だけにとどまらない。リポジトリの探索、中間的なコマンド、失敗したテスト、コードレビューのフィードバック、不適切な編集後の適切な回復も含み得る。

長期タスクは、単一のプロンプトより多くの学習シグナルも生む。システムは、モデルが元の目標を維持したか、適切なファイルを選択したか、リグレッションを避けたか、検証を完了したかを評価できる。

Z.aiは、GLM-5.3に使用したすべてのデータセット、報酬モデル、フィルタリング判断を公開していない。したがって同社の発表内容は、他のラボが直ちに再現できる完全なレシピではなく、一つの方向性を示す証拠として読むべきだ。

それでも、基本的な仕組みには信頼性がある。幅広い能力を持つベースモデルには、以前のポストトレーニング版が一貫して活用できていない知識が含まれている可能性がある。より良いフィードバックは、ツール利用時にその潜在能力をより信頼できるものにできる。

この可能性は、モデル競争の経済性を変える。開発者は通常、パラメータ数、学習データ、計算予算でリリースを比較する。GLM-5.3は、大きなベースモデル世代の間では、軌跡と報酬の質も同じくらい重要になる可能性を示している。

軌跡とは、タスク中に生成される観測、意思決定、ツール呼び出し、結果の記録された連続である。高品質な軌跡は、いつ調査し、いつ行動し、いつアプローチを見直すべきかをモデルに教えられる。

難しいのは、どの行動を強化する価値があるかを特定することだ。コーディングエージェントは、狭いテストには合格しても、別の場所にセキュリティ問題を持ち込む可能性がある。また、リポジトリのより深い制約を理解しないまま、もっともらしいパッチを作成することもある。

長期タスクは、報酬設計をさらに難しくする。数百の行動の末に成功しても、どの中間的な選択が不可欠だったかは明らかにならない。設計の悪い報酬は、ベンチマーク内では効果的に見える近道を促す可能性がある。

Z.aiが報告した向上は、そのポストトレーニングプロセスが有用なシグナルを見つけたことを示している。ただし、未知のリポジトリ、非公開の開発環境、特殊なエンジニアリングシステムにわたって、モデルが信頼性を保つことを証明するものではない。

独立評価では、最終成功率だけでなく、不要なファイル変更、テスト品質、セキュリティ上のリグレッション、ツール呼び出しの効率、誤解を招くフィードバックからの回復も測定する必要がある。

開発者はまた、大きなコンテキストウィンドウと長期的な信頼性を区別すべきだ。コンテキスト容量はモデルが受け取れる情報量を表す。信頼性は、モデルがその情報を長い一連の過程で首尾一貫して利用できるかを表す。

GLM-5.2はすでに、大規模コードベースと長時間タスクを対象としていた。GLM-5.3の主張される優位性は、単により多くのテキストを受け取れることではなく、その基盤の中でより効果的に行動できる点にある。

この変化は、コーディングモデルを構築するすべてのラボに圧力をかける。ポストトレーニングが短期間で大きな向上をもたらせるなら、競合他社はより大きなベースモデルや長いコンテキストウィンドウだけには頼れない。より優れたタスク環境とフィードバックシステムが必要になる。

コーディング競争の中心は、オートコンプリートではなく持久力へ

GLM-5.3は、個別のコーディング回答ではなく、継続的な実行力で競争することで、プロプライエタリおよびオープンウェイトの競合に圧力をかけている。

コーディングモデルはかつて、主に短いプログラミング問題で競っていた。こうした評価では、アルゴリズム、構文の正確さ、簡潔な解法が重視された。モデルがソフトウェアプロジェクトを維持できるかについては、限定的な証拠しか得られなかった。

現代のエージェントベンチマークは、実際またはシミュレートされた環境内でモデルに作業をさせる。モデルはファイルを調べ、コマンドを実行し、失敗を理解し、いつタスクが完了したかを判断しなければならない。

この形式は、開発者がコーディングエージェントのようなツールを使う方法をよりよく反映している。有用なシステムは、曖昧な要件、既存のアーキテクチャ、依存関係の競合、予期せぬ挙動を明らかにするテストを扱える必要がある。

Z.aiは、GLM-5.3が複雑で長時間に及ぶ作業で最も改善したとしている。独立テストがこの主張を支持すれば、このモデルの主要な競合は従来型のチャットボットではない。自律的なソフトウェアエンジニアリング向けに構築されたシステムだ。

Anthropic、OpenAI、Googleのプロプライエタリモデルは、依然として重要な比較対象である。これらは統合されたツール、成熟したインフラ、管理されたデプロイ環境の恩恵を受ける。オープンウェイトモデルは、組織が検査、変更、ホスティングできるため、異なる利点を提供する。

Googleはすでに、Model Gardenを通じて以前のGLMモデルを配布しており、オープンモデルの競争がローカル実験にとどまらず、エンタープライズプラットフォームにまで及び得ることを示している。

GLM-5.3の立場は、発表時点で重みが公開されていなかったため、依然として複雑だ。Z.aiはこのモデルをオープンウェイトと呼ぶが、その約束のうち最も重要な部分は、発表されたセキュリティ上の延期後に初めて実現する。

この違いは、モデルを比較する開発者にとって重要である。APIは、運営者のポリシーの下でアクセスを提供する。ダウンロード可能な重みは、デプロイ、カスタマイズ、監視、安全制限に関して、ユーザーにはるかに大きな制御権を与える。

ローカル展開は、厳格なプライバシー要件を持つ企業に利益をもたらす可能性がある。また、認証情報、マルウェアサンプル、または専有情報を外部サービスへ送ることなく、インシデント対応チームが機密コードを分析する助けにもなる。

Hugging Faceは、自律型エージェントが環境の一部を侵害した後、この必要性を説明した。同社は、他の最先端システムが調査の一部をブロックしたため、GLM-5.2をローカルで使用したと報じられている。

インシデント分析は、制御可能なモデルの実用的な魅力を示している。防御側は、タスクが攻撃的なセキュリティ作業に似ているという理由で拒否されることなく、悪意あるコードを調査できるシステムを必要とする場合がある。

同じ柔軟性は明白なリスクも生む。正当な調査員に協力するモデルは、攻撃者にも協力し得る。重みが公開されると、元の開発者は普遍的なアクセス方針を強制できない。

これがGLM-5.3をめぐる主要な競争である。適応可能なオープンウェイト能力と、管理されたプロプライエタリなデプロイの対立だ。企業同士の比較も重要だが、リリースがもたらす中心的な圧力を捉えきれてはいない。

クローズドな提供者は、ホスト型の制御が悪用を減らすと主張できる。オープンウェイトの支持者は、非公開のデプロイが、防御側による機密証拠や重要システムの制御維持に役立つと反論できる。

どちらの立場も問題を解決しない。ホスト型モデルは攻撃、回避、あるいは緊急時の利用不能に見舞われる可能性がある。オープンな重みは、作成者が追加した安全策を取り除く目的で特別に改変され得る。

エンジニアリングチームにとって、モデル選定は今後ますます運用条件に左右されるようになる。ベンチマークで高得点を出すシステムでも、プライベートリポジトリにアクセスできない、あるいは必要なセキュリティワークフローに対応できないなら、適さない可能性がある。

GLM-5.3を評価するチームは、自らの業務に基づく代表的な試験を組み立てるべきだ。その試験には、不完全な仕様、壊れたテスト、大規模な依存関係グラフ、そしてモデルにタスク再開を強いる中断を含める必要がある。

また、試験中に生まれたエビデンスも保存すべきだ。検索可能なエンジニアリング・ナレッジベースは、エージェントの判断を仕様、テスト結果、レビュー所見と結び付けられる。

モデルがより多くの作業を自律的に完了するようになると、この記録は重要になる。開発者は何が変わったかだけでなく、なぜエージェントがその変更を行ったのか、どのエビデンスが判断を裏付けたのかも知る必要がある。

コーディングの改善が、Z.aiも予想しなかったサイバーセキュリティ能力を生んだ

中心的な逆転は、信頼性の高いソフトウェア作業を目指した訓練が、はるかに強力な攻撃的セキュリティ能力を持つモデルを生んだと報じられている点にある。

Z.aiによると、ポストトレーニングを拡大するなかで、サイバーセキュリティ能力は予想以上の速さで伸びたという。同社は、GLM-5.3が脆弱性発見に関するCyberGymで最先端の性能に達したと報告している。

CyberGymは、モデルがソフトウェア環境にある既知の脆弱性を特定できるかをテストする。 独立系メディアの報道によると、GLM-5.3はこのベンチマークで84.5％を記録した。

Z.aiはさらに、エクスプロイトの連鎖においてより後段に位置するタスクで、大きな改善があったと報告した。これらのタスクには、疑わしいコードを見つける以上の能力が求められる。モデルは、弱点がどのようにトリガーされ、機能するエクスプロイトへ転換できるかを推論しなければならない。

同社によれば、GLM-5.3はエクスプロイト関連ベンチマークでGLM-5.2の性能を2倍以上にしたという。この主張はZ.aiが公表したテストに基づくものであり、独立した再現検証が必要だ。

それでも、コーディング作業の持続力とサイバー能力の関係には技術的な妥当性がある。脆弱性研究には、リポジトリの探索、データフロー分析、実験、デバッグ、そして多くの連携した工程が必要となる。

ソフトウェア作業を継続する能力が高まったエージェントは、同じ能力をセキュリティ分析にも応用できる。脆弱性を修正することと悪用することの境界は、多くの場合、意図、アクセス権、そして出力の使われ方に依存する。

このデュアルユース性が、Z.aiがモデル重みの公開を2週間遅らせた理由を説明する。同社は、無制限のダウンロードを許可する前に、追加の評価とハードニングを実施しているとしている。

その期間中、Z.aiは一部のセキュリティパートナーに対して段階的なアクセスを提供している。管理されたアクセスにより、同社は防御側からエビデンスを集めつつ、最も適応性の高いモデル成果物が直ちに配布されることを抑えられる。

この遅延は、通常のオープンウェイト公開の流れを中断するため注目される。開発者はしばしば、重み、推論コード、技術文書が同時に提供されることを期待する。GLM-5.3では、ホスト型での提供と完全公開が分けられた。

この選択は慎重に見えるが、得られる制御は一時的にすぎない。重みがダウンロード可能になれば、ユーザーはモデルをファインチューニングし、システムプロンプトを変更し、アプリケーション層の制限を取り除ける。

Z.aiは、すべての下流での改変を制御できないと認めている。これはgoogle newsの見出しの背後にある不都合な現実だ。安全性を理由にした遅延は当面のリスクを下げられても、長期的なガバナンスを解決するものではない。

同社はGLM-5.3を防御的なツールとして位置付けている。セキュリティプログラムでは、GLMシステムが269件のオープンソースプロジェクトで2,436件の脆弱性を特定したとしている。

Z.aiの公開開示台帳には、重大度がcriticalまたはhighに分類された1,097件の発見が記載されている。また、53件はすでに公表されており、大半のエントリーは外部から検証できない状態だという。

この台帳は同社の主張に具体性を与えるが、すべての発見を独立に検証するものではない。研究者は依然として、重複、重大度の割り当て、再現可能性、開示結果を検討する必要がある。

Z.aiはまた、オープンソースのメンテナーがリポジトリ内のセキュリティ問題をスキャンできるよう支援することを目的としたサービス、OpenVulnを開始した。公開されているOpenVulnワークスペースは、その防御的な位置付けを初期段階で示している。

最も有用なエビデンスは、メンテナーから得られるだろう。彼らは、報告された脆弱性が本物で、既知ではなく、対処可能であり、責任ある経路を通じて開示されたものかを確かめられる。

誤検知は依然として重大なリスクだ。エージェントは、もっともらしいが無効なセキュリティ報告を作成することで、メンテナーの時間を消費させる可能性がある。提出数が多いことが、より良いセキュリティに自動的につながるわけではない。

より強力なモデルは、誤った発見についても、より明瞭な説明を生成できる。そのため、人間による検証は不要になるどころか、より重要になる。洗練された出力は、弱い技術的エビデンスを覆い隠しかねないからだ。

したがって、セキュリティチームは再現可能なテストケースを求めるべきだ。各発見では、影響を受けるバージョン、必要条件、実行パス、想定される影響、そして問題を確認するための管理された手法を示す必要がある。

GLM-5.3は、このプロセスの一部を自動化する助けになる可能性がある。ただし、脆弱性の有無や重大度を判断する唯一の権威となるべきではない。

ベンチマークの向上は、まだ本番環境での信頼性を証明していない

最も強力な懐疑的見方は、GLM-5.3の飛躍として報告された成果を支えるエビデンスの多くをZ.ai自身が管理している、というものだ。

50％のコーディング改善は、社内ベンチマークに基づく。社内評価は企業固有の目標に対応できるが、タスク定義、採点ルール、モデル構成がなければ、外部者は十分に評価できない。

公開ベンチマークは可視性に優れるが、限界もある。開発者は既知のテスト形式に合わせてシステムを調整する場合があり、ベンチマークのタスクは本番リポジトリ内での保守作業を代表していない可能性がある。

エージェントの結果は、周囲のハーネスに特に敏感だ。ツール権限、時間制限、再試行ポリシー、コンテキスト管理、コマンド実行は、モデルのスコアを大きく変え得る。

したがって、公平なGLM-5.3比較では、モデル名以上の情報を記録しなければならない。評価者は、完全なエージェント構成、推論設定、許可されたツール、試行回数、総計算予算を報告すべきだ。

長期的な評価には別の課題もある。モデルは、はるかに多くのアクションを取ることで、より高い完了率を達成するかもしれない。この挙動は、レイテンシー、インフラ利用量、意図しない変更の確率を高める可能性がある。

開発者には、成功率と並んで効率指標が必要だ。有用な指標には、完了タスクあたりのツール呼び出し数、失敗した編集、テストの再実行回数、消費トークン、人間によるデプロイ前の修正が含まれる。

サイバーセキュリティの結果にも同様の精査が必要だ。既知の脆弱性におけるベンチマーク性能は、真に未知の欠陥を発見する能力を直接測るものではない。また、生成されたエクスプロイトが管理された環境の外でも確実に機能することを証明するものでもない。

Z.aiの開示台帳は、実世界のエビデンスを得る潜在的な情報源となる。しかし、掲載された発見の大半は非開示のままであり、公の技術レビューを妨げている。

この隔たりは、責任ある開示の要件を反映している可能性がある。ベンダーは、詳細が公表される前に脆弱性を調査し、修正する時間を必要とする。それでも、利用できないエビデンスは、読者が現時点で導ける結論を限定する。

もう一つの不確実性はモデルの同一性に関するものだ。Z.aiは、GLM-5.3がGLM-5.2とベースを共有するとしているが、ユーザーは約束された重みをまだ確認できない。独立研究者は、アーキテクチャ、デプロイ要件、再現可能性を確認するまで待たなければならない。

最終的なモデルカードには、ベースモデル、ポストトレーニングの手法、コンテキスト上限、評価設定、既知のリスクを記載すべきだ。また、どのベンチマーク結果で社内ツールや特殊なプロンプトを使用したかも明確にすべきである。

オープンウェイトはより幅広いテストを可能にするが、アクセスだけで再現が容易になるわけではない。大規模モデルには、相当なハードウェア、最適化された推論ソフトウェア、慎重な設定が必要になる場合がある。

ホスト型のバージョンは、ダウンロード可能なリリースと異なる可能性もある。プロバイダーは、観測される挙動に影響する別個の推論設定、ルーティングシステム、安全レイヤー、ツール統合を適用することがある。

可能であれば、レビュー担当者は両方の形態をテストすべきだ。ホスト型モデルは製品としての品質を示せる一方、重みは独立した運用者が実際にデプロイできるものを明らかにする。

初期ユーザーの報告は有用な手がかりを与えるが、管理された評価の代わりにはならない。成功したワンショットの実演は、タスク選定、隠れた再試行、手動介入に依存している可能性がある。

同じ注意は劇的な失敗にも当てはまる。一度プロンプトが失敗しただけでは、モデルに能力がないとは立証できない。エージェントの性能は、環境設計とシステムに与えられる情報によって変動する。

現時点では、GLM-5.3の報告された結果は注目に値するが、最終的な結論を正当化するものではない。同社は信頼できるメカニズムと具体的な主張を提示した。これらの主張がZ.aiの評価スタックの外でどこまで通用するかは、独立したエビデンスによって判断されなければならない。

GLM-5.3がモデル競争を変えるかを示す三つのシグナル

次の試金石は、Z.aiが注目を集めた発表を、再現可能な能力、責任ある配布、そして継続的な開発者採用へと転換できるかどうかだ。

第一のシグナルは、約束された重みの公開だ。Z.aiは、安全性評価とハードニングの後、ローンチから2週間後に重みを公開すると述べた。

詳細なモデルカードを伴う予定通りの公開は、同社のオープンウェイトへのコミットメントを強めるだろう。さらなる遅延は、同社のサイバーセキュリティ上の懸念が、ローンチ発表が示唆した以上に管理困難であることを示す可能性がある。

研究者は、公開前のハードニングで何が変わるかを調べるべきだ。重要な問いは、Z.aiがモデル自体を変更するのか、利用ガイダンスを追加するのか、配布を制限するのか、あるいは主に自主的な安全策に依存するのかである。

第二のシグナルは、独立したベンチマーク再現検証だ。外部評価者は、Terminal Bench 3.0、Agents’ Last Exam、リポジトリ保守、脆弱性分析でGLM-5.3をテストする必要がある。

異なるエージェントハーネスで一貫した結果が出れば、ポストトレーニングに関するZ.aiの中心的な主張を支えることになる。大きな性能変動が見られれば、その改善が社内インフラや評価上の選択に強く依存していることを示すだろう。

サイバーセキュリティのテストには特別な配慮が必要だ。責任ある研究者は、開示を調整し、潜在的に有害な成果物を隔離し、脆弱性の発見とエクスプロイト自動化を区別すべきである。

第三のシグナルは、エンジニアリングチームとセキュリティチームによる実際の採用だ。APIトラフィックだけでは、ユーザーがGLM-5.3を重要な作業に信頼しているかは分からない。

より有益な兆候には、受け入れられたパッチ、検証済みの脆弱性報告、成功したローカルデプロイ、長期プロジェクトでの継続利用が含まれる。チームは、人間によるレビューの工数と失敗率も報告すべきだ。

これらの結果が重要なのは、このリリースのより深い主張が持続力に関わるためだ。短い実演で印象的に見えるモデルでも、数時間に及ぶタスクでは軌道を外す可能性がある。

中断、誤解を招くテスト出力、要件変更の後にGLM-5.3がどう振る舞うかを見守るべきだ。こうした局面は、モデルが単にアクションを生成し続けるだけでなく、意図を保てるかを明らかにする。

競合他社の反応は補助的な文脈を与える。他の研究所は、より安全なホスト型アクセスを強調したり、より強力なオープンウェイトのコーディングモデルを公開したり、ポストトレーニングの効率に関する新たなエビデンスを示したりする可能性がある。

主要な問いは変わらない。オープンウェイトモデルは、ベースを再構築せずにフロンティア水準のエージェント能力を獲得しつつ、その結果生じるサイバー能力を管理可能な状態に保てるのか。

GLM-5.3はGoogleニュース上でその問いを可視化したが、見出しだけでは答えは出ない。答えは、公開される重み、再現可能な評価、そして実際のリポジトリ内で検証された作業によって明らかになる。

開発者はモデルを選ぶ前に、代表的なタスクを少数まとめて文書化するべきだ。これらのタスクを一貫したツールで実行し、すべての軌跡を保存したうえで、成功した変更と失敗した変更の両方をレビューする。

セキュリティチームは、管理された脆弱性ケースと厳格な成果物管理を追加すべきだ。オープンソースのメンテナーは、自動化された報告に基づいて対応する前に、再現可能な証拠を求める必要がある。

今後2週間は、Z.aiのリリースに関する約束が試される。その後の数カ月は、さらに大きな点が問われる。すなわち、ポストトレーニングによって、オープンな配布を実質的に統治しにくくすることなく、信頼できるコーディングエージェントを実現できるかどうかだ。