ตามการติดตามของ Beating วิศวกรซอฟต์แวร์ TPU ของ Google ชื่อ Patrick Toulme ชี้ให้เห็นว่ามีความเข้าใจผิดเกี่ยวกับข้อกล่าวที่ว่า GLM 5.2 ใช้การกลั่น (Distillation) เพื่อไล่ตาม Opus ทัน ความยากในการฝึกโมเดลขนาดใหญ่สำหรับงานเขียนโค้ดของเอเจนต์อัจฉริยะอยู่ที่ "ภาวะไร้การไล่ระดับเริ่มต้น" (Zero Gradient Dilemma) กล่าวคือ หากโมเดลในระยะแรกไม่สามารถสร้างเส้นทางการทำงานที่ถูกต้องได้ การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) ก็จะไม่ได้รับสัญญาณการไล่ระดับเพื่อเริ่มต้นการอัปเดตพารามิเตอร์ การกลั่นจาก Claude หรือ GPT-5.5 มีบทบาทเพียงแค่ให้คำตอบเริ่มต้นในระยะเริ่มต้น (Cold Start) เพื่อหลีกเลี่ยงภาวะไร้การไล่ระดับเริ่มต้นเท่านั้น
เมื่อโมเดลผ่านเกณฑ์การเริ่มต้นไปแล้ว การเพิ่มประสิทธิภาพในภายหลังจะไม่พึ่งพาการกลั่นอีกต่อไป แต่จะอาศัยอัลกอริทึมการปีนเขา (Hill Climbing) ของการเรียนรู้แบบเสริมกำลังเพื่อวิวัฒนาการด้วยตนเองทั้งหมด Toulme เน้นย้ำว่า GLM 5.2 มีความสามารถในการสร้างเส้นทางความสำเร็จได้ด้วยตัวเองแล้ว และสามารถทำซ้ำแบบอิสระผ่านการเรียนรู้แบบเสริมกำลังไปสู่ระดับที่สูงขึ้น โดยหลุดพ้นจากการพึ่งพาโมเดลขนาดใหญ่ของสหรัฐฯ อย่างสมบูรณ์
Salvatore Sanfilippo ผู้ก่อตั้ง Redis ได้เพิ่มความเป็นไปได้อีกเส้นทางหนึ่ง: แม้ว่าการนำโหมดการให้เหตุผล (การกลั่น) ผ่านโมเดลที่มีความสามารถสูงจะมีประโยชน์มากในการรับสัญญาณ RL ที่ดีขึ้น แต่การปฏิบัติของ DeepSeek R0 ได้พิสูจน์แล้วว่า แม้ในกรณีการเริ่มต้นแบบเย็น (Cold Start) ที่ไม่มีการเพาะเมล็ดด้วยการกลั่นเลย การเรียนรู้แบบเสริมกำลังก็ยังสามารถทำงานได้ด้วยตนเองและบรรลุความก้าวหน้า
ในขณะเดียวกัน เขาเชื่อว่าหากยังจำเป็นต้องข้ามเกณฑ์การเริ่มต้น การพัฒนาโมเดลขนาดใหญ่สามารถใช้โมเดลโอเพนซอร์สในประเทศ เช่น DeepSeek-v3.2 เพื่อปรับแต่งเบื้องต้นได้ โดยไม่จำเป็นต้องพึ่งพา API ของสหรัฐฯ
