الخلاصة
GLM 5.4 هو اسم متداول مجتمعيًا لخليفة محتمل ضمن عائلة GLM من Z.ai. حتى 14 أكتوبر 2026، لا تُثبت وثائق النموذج الرسمية وسجلات الإصدارات التي تمت مراجعتها لهذا المقال إطلاق GLM-5.4 أو ورقة مواصفات أو معرّف API. Union Alpha مجرد خيط شائعة، بينما يظل إطلاق أكتوبر احتمالًا مبنيًا على الوتيرة. السؤال المفيد هو ما إذا كان إصدار مستقبلي سيُحسّن موثوقية البرمجة وتكلفة كل مهمة مكتملة؛ نماذج GLM الحالية توفر خط الأساس لذلك التقييم.
أهم النقاط
- حالة الإصدار: المصادر الرسمية التي تمت مراجعتها في 14 أكتوبر 2026 لا تؤكد GLM-5.4؛ لا يوجد تاريخ إطلاق محدد.
- أدلة الشائعات: ارتباط Union Alpha بـ GLM-5.4 غير مُتحقق، والتجميعة المشار إليها لا تحدد منشور نسب أصلي.
- خط الأداء المرجعي: نتائج GLM-5.3 الحالية مفيدة كمرجع، لكنها ليست قياسات لـ GLM-5.4.
- المعمارية: يُظهر GLM-5.3-Flash اتجاهًا مختلفًا في الكفاءة وتعدد الوسائط؛ وما إذا كان GLM-5.4 سيرث ذلك لا يزال سؤالًا مفتوحًا.
- إجراء المطور: قيّم النماذج المتاحة الآن وطالب بمعرّفات نماذج مُتحقَّقة والتوافق والقياسات على مستوى المهمة قبل الترقية.
هل تم إصدار GLM 5.4؟
GLM 5.4 اسم غير رسمي لخليفة محتمل لـ GLM. يشير كل من فهرس الوثائق الرسمية وسجلات الإصدارات التي تمت مراجعتها في 14 أكتوبر 2026 إلى نماذج GLM الحالية ولكن لا يثبتان إصدار منتج باسم GLM-5.4. هذا تحقق بتاريخ معيّن، وليس دليلًا على عدم وجود تطوير خاص.
يُفسّر مساران تطوير موثقَان سبب جذب خليفة محتمل للاهتمام.
تؤكد Z.ai أن GLM-5.3 يعيد استخدام نموذج الأساس GLM-5.2 ويحقق مكاسبه عبر ما بعد التدريب. أما GLM-5.3-Flash فيستخدم أساسًا متعدد الوسائط جديدًا ومعمارية انتباه هجينة sparse-linear. هذه حقائق تصف نماذج قائمة، وليست تصميمًا مُفصحًا عنه لـ GLM-5.4.
عمليًا، يُحسّن مسارٌ نموذجًا قائمًا عبر تدريب إضافي، بينما يُعيد المسار الآخر تصميم المعمارية لتقليل كلفة الحوسبة ودعم قدرات جديدة.
قد يبني GLM-5.4 المستقبلي على أي من الاتجاهين، لكن لا يوجد حتى الآن دليل كافٍ لتحديد النهج الذي ستختاره Z.ai.
ما مدى موثوقية شائعات وتسريبات GLM-5.4؟
معلومات مؤكدة
الأساس التقني المؤكد يأتي من GLM-5.3 وGLM-5.3-Flash، وليس من GLM-5.4. يظل اسم GLM-5.4 والمواصفات النهائية وتاريخ الإصدار ونتائج المقاييس غير مؤكدة في المصادر الرسمية التي تمت مراجعتها لهذا المقال.
تقارير المجتمع / التسريبات
منشور X بتاريخ 8 أكتوبر 2026 بواسطة @NFT_Chen يُسند اتجاهًا محتملًا لتطوير GLM-5.4/5.5 إلى تعليقات من Tang Jie. يصف المنشور ثلاثة أولويات للتوسيع: توسيع ما قبل التدريب، وتقوية ما بعد التدريب عبر SFT وRLHF وRLVR، وتوسيع الاستدلال وتنفيذ العوامل عبر مهام أصعب وأطول.
يُفسّر المؤلف الاتجاه التالي على أنه وكلاء مستقلون أطول وتحسين ذاتي تكراري (RSI). هذا حساب مجتمعي لمحاضرة، وليس إعلان إصدار من Z.ai. تبقى أسماء الإصدارات وادعاءات التطوير منسوبة إلى المنشور؛ ولا تُثبت تاريخ إطلاق أو معمارية نهائية أو عدد معلمات أو قدرة تحسين ذاتي مُثبتة لـ GLM-5.4.
صورة شريحة عرض مُلحقة بمنشور X الأصلي لـ @NFT_Chen، في 8 أكتوبر 2026. تناقش تقدم المقاييس وRSI كاتجاه مستقبلي؛ وليست تقرير مقاييس لـ GLM-5.4.
صورة من المحاضرة مُلحقة بمنشور X الأصلي لـ @NFT_Chen، في 8 أكتوبر 2026.
تحليل
تحليل الشائعة المفيد يسأل: أي ملاحظة ستغير الخلاصة؟ معرّف نموذج رسمي، أو إعلان إصدار، أو ربط مُفصَح من اسم مستعار مجهول سيُقوّي الحالة ماديًا. نمط تسمية مشابه أو فاصل إصدارات زمني بمفرده لا يكفي. تكهنات أقدم حول أرقام نسخ GLM مستقبلية أخرى لا تُثبت مواصفات لـ GLM-5.4.
متى يمكن إصدار GLM 5.4؟
يسجل خط زمني ملاحظات الإصدارات من Z.ai GLM-5 في 12 فبراير، وGLM-5.1 في 7 أبريل، وGLM-5.2 في 16 يونيو، وGLM-5.3 في 18 أغسطس، وGLM-5.3-Flash في 26 أغسطس 2026. هذه تواريخ مُسجلة في ملاحظات الإصدارات؛ ولا ينبغي خلطها مع كل إعلان بحثي أو تاريخ توفر لدى مزود.
يجعل التقدم التقريبي بنحو شهرين بين الإصدارات الرئيسية من أكتوبر نافذة تحليلية معقولة للمتابعة. لكنه لا يثبت إطلاقًا في أكتوبر أو يومًا محددًا أو حتى اسم النسخة التالية. من دون مصدر توقّع قابل للتتبع ومنهجيته، فإن توقع 20 أكتوبر أو 23 أكتوبر بدقة سيعني دقة أكبر مما تدعمه الأدلة.
إطلاق لاحق أو اسم مختلف أو متغير منتج منفصل يبقى ممكنًا. على المطورين التخطيط حول واجهات برمجة التطبيقات المتاحة حاليًا بدلًا من تقدير تقويمي.
ما هي المواصفات المتوقعة لـ GLM 5.4؟
لا توجد ورقة مواصفات موثوقة لـ GLM-5.4. بدلًا من إسناد عتاد ومعلمات نموذج مشاع إلى منتج غير مُعلن، من الأكثر إفادة مقارنة أحدث نماذج GLM الموثّقة وتحديد ما يزال غير معروف.
| المواصفة | GLM-5.3 | GLM-5.3-Flash | GLM-5.4 |
|---|---|---|---|
| الإصدار | 18 أغسطس 2026 | 26 أغسطس 2026 | غير مُعلن |
| أساس النموذج | أساس GLM-5.2؛ تدريب لاحق إضافي | أساس متعدد الوسائط جديد | غير معروف |
| المعمارية | أساس MoE | MoE؛ آلية انتباه هجينة sparse-linear | غير معروف |
| دعم السياق | سياق API موثق بحجم 1M | 1M | غير معروف |
| تعدد وسائط أصيل | إدخال نص فقط | نص وصورة وفيديو وملفات | غير معروف |
| التركيز الأساسي | البرمجة، الوكلاء، الأمن السيبراني | الكفاءة، البرمجة، تعدد الوسائط | غير معروف |
| المقاييس المنشورة | متاحة | متاحة | غير متاحة |
| أوزان النموذج | تم نشرها | تم نشرها | غير متاحة |
يعرض الجدول قدرات نماذج قائمة موثّقة. تظل خانات GLM-5.4 غير معروفة بدلًا من وراثة القيم من أي سلف. سياق تقييم النموذج، وسعة نافذة سياق API، والحد الأقصى لطول المخرجات حدود مميزة.
يُبلغ نظرة عامة على معمارية GLM-5.3-Flash عن 320B معلمة إجماليًا، و18B معلمة مُفعّلة، وآلية انتباه هجينة sparse-linear. هذه مواصفات Flash مُفصح عنها وينبغي عدم إسنادها إلى GLM-5.4.
البرمجة العاملية كاتجاه ترقية محتمل
تُعد البرمجة العاملية أحد أكثر المجالات مصداقية للمراقبة. أظهر GLM-5.3 بالفعل أن توسيع ما بعد التدريب يمكن أن يُحسّن الأداء على مهام هندسية متعددة الخطوات بشكل ملموس. وقد أكّد مطوّروه العمل على مستودعات معقدة وأفق تنفيذ أطول وتحسين حل المشكلات المعتمد على الأدوات.
قد يوسّع نموذج مستقبلي هذه القدرات عبر تفاعل أفضل مع البيئة وتخطيط أكثر موثوقية وعدد أقل من استدعاءات الأدوات الفاشلة.
لن يكون التقييم الأكثر فائدة مجرد قياس نسبة أسئلة البرمجة المُجابة بشكل صحيح. بل سيقيس ما إذا كان عاملٌ يمكنه إكمال مهام معقدة من البداية إلى النهاية، بما في ذلك التصحيح والاختبار والمراجعة والتعافي بعد الإخفاقات.
معمارية متعددة الوسائط فعّالة كاتجاه محتمل
يوفر GLM-5.3-Flash نقطة مرجعية معمارية للتطوير المستقبلي، مع عدم وجود مصدر رسمي مُراجع يثبت استخدامه في GLM-5.4.
تصف Z.ai مجموعة تدريب متعددة الوسائط بحجم 30T رمزًا كجزء من تصميم GLM-5.3-Flash الموجّه للكفاءة. هذا يصف حجم بيانات التدريب لنموذج قائم وليس التزام خريطة طريق لـ GLM-5.4.
تبلغ النظرة العامة الرسمية لـ Flash عن حساب انتباه أقل بمقدار 3.01× ومتطلبات KV-cache أقل بمقدار 4.44× مقارنة بـ GLM-5.3 تحت المقارنة المذكورة. هذه نتائج كفاءة على مستوى المكوّن، وليست سرعة تطبيق مضمونة أو خصمًا على واجهة برمجة التطبيقات.
هذه تحسينات هندسية ذات مغزى، لكن لا يوجد تأكيد على أن GLM-5.4 سيَرث المعمارية نفسها. قد يُعطي نموذج من الجيل التالي الأكبر أولوية لأقصى أداء في الاستدلال، بينما قد يواصل متغير Flash منفصل تحسين الكمون والكلفة.
GLM 5.4 مقابل GLM-5.3 مقابل GLM-5.3-Flash
خط أساس مقاييس GLM-5.3
تدعم بيانات المقاييس المتاحة تحليل مسار أداء GLM-5.3، لا قياسًا مباشرًا لـ GLM-5.4. القيم أدناه هي تقييمات مُبلّغ عنها من Z.ai لنماذج قائمة. لم تُستنسخ بشكل مستقل لهذا المقال ولا تقيس GLM-5.4. يستخدم كل مقياس مجموعة مهامه وطريقته في التسجيل؛ يجب عدم تفسير فروق الدرجات كزيادات مكافئة عبر المهام.
| المعيار والمنهجية | GLM-5.2 | GLM-5.3 | GLM-5.3-Flash | فرق GLM-5.3 مقابل GLM-5.2 |
|---|---|---|---|---|
| Terminal Bench 3.0 | 4.6 | 28.3 | غير مُبلّغ عنه في مقارنة Flash المشار إليها | +23.7 نقطة |
| DeepSWE v1.1 | 46.2 | 66.9 | 63.4 | +20.7 نقطة |
| AutomationBench v1.0.6 | 26.2 | 48.2 | 48.8 | +22.0 نقطة |
| CyberGym | 77.2 | 84.5 | غير مُبلّغ عنه في مقارنة Flash المشار إليها | +7.3 نقطة |
| ExploitBench | 24.4 | 54.4 | غير مُبلّغ عنه في مقارنة Flash المشار إليها | +30.0 نقطة |
| HLE with Tools | 54.7 | 62.5 | 55.3 | +7.8 نقطة |
| GDPval-AA v2 | 1508 | 1769 | غير مُبلّغ عنه في مقارنة Flash المشار إليها | +261 Elo |
| Toolathlon Verified | 59.9 | غير مُبلّغ عنه في مقارنة GLM-5.3 المشار إليها | 78.4 | غير متاح |
يضع الجدول الموحّد نتائج النماذج القائمة جنبًا إلى جنب؛ ولا يحتوي على قياسات GLM-5.4. القيمة غير المُبلّغ عنها ليست نتيجة صفرية. حافظ على شروط تقييم كل مقياس في الاعتبار، وتعامل مع فروق GDPval-AA على أنها Elo لا نقاطًا مئوية.
المنهجية: يستخدم DeepSWE v1.1 mini-swe-agent، بدرجة حرارة 0.95، وtop_p 1.0، ومهلة ست ساعات، وسياق 400K. يستخدم AutomationBench الإصدار v1.0.6. يستخدم HLE with Tools درجة حرارة 1.0، وtop_p 0.95، وحد توليد 163,840 رمزًا، وحد سياق 300K مع إدارة سياق. يستخدم GDPval-AA v2 مقياس Elo، لذا ففارقُه ليس زيادة نقاط مئوية.
بالنسبة إلى CyberGym وExploitBench، تُبلغ Z.ai عن Claude Code 2.1.207 بأقصى جهد استدلال، دون أدوات ويب، بدرجة حرارة 1.0، وtop_p 1.0، وحد مخرجات 128,000 رمز. يُبلغ CyberGym عن pass@1 لشغلة واحدة عبر 1,507 مهمة مع مهلة غير محدودة لكل مهمة. يستخدم ExploitBench ما يصل إلى 300 جولة تفاعل ويُعدّل متوسط التغطية على 41 مهمة عبر ثلاث مراجعات. توفر حواشي بطاقة النموذج تفاصيل بيئة كل مقياس.
منهجية Flash: يستخدم DeepSWE mini-swe-agent، سياق 400K، ومهلة ست ساعات؛ يستخدم AutomationBench الإصدار v1.0.6. يُبلغ Toolathlon Verified عن pass@1 مُتوسطًا عبر ثلاث شغلات مستقلة من خلال خدمة التقييم الرسمية. يستخدم HLE إعدادات أخذ العينات وإدارة السياق الموضحة أعلاه. راجع منهجية بطاقة نموذج Flash. لا تُثبت هذه النتائج مقاييس الكمون أو الكلفة في الإنتاج.
رسم أداء رسمي لـ GLM-5.3، مُعاد نشره من إعلان مقاييس Z.ai. تُظهر الصورة تقييمات نماذج سابقة؛ ولا تحتوي على نتائج GLM-5.4.
تظهر أعظم التحسينات في المهام التي تتطلب تفاعلًا مستمرًا مع بيئة. ارتفع Terminal Bench 3.0 من 4.6 إلى 28.3، بينما تحسّن ExploitBench من 24.4 إلى 54.4.
تشير هذه المكاسب إلى أن ما بعد التدريب وبيئات موجهة للعوامل يمكن أن تغير أداء النموذج بشكل جذري دون تغيير معمارية الأساس. ومع ذلك، لا ينبغي استقراء ذلك إلى تنبؤٍ رقمي لـ GLM-5.4.
القدرات والملاءمة للإنتاج
للإنتاج، يُعد GLM-5.3 المرجع الأقوى للبرمجة المعقدة والهندسة طويلة الأفق وتقييم الأمن السيبراني. يضيف GLM-5.3-Flash مدخلات بصرية أصلية ويؤكد على استخدام الأدوات بكفاءة. تقدم عروض GLM-5.2 وGLM-5.3 وFlash الحالية خط أساس؛ ولا يثبت أي مصدر مُراجع قدرة أو توفرًا مكافئًا لـ GLM-5.4.
تدعم النماذج الموثّقة حتى 1M سياق، لكن هذا الحد لا يضمن سياقًا قابلًا للاستخدام أو أداء مهام متطابقًا على كل نقطة نهاية. اختر بينها باستخدام أعباء عمل ممثلة وكلفة لكل مهمة ناجحة.
سيحتاج GLM-5.4 المستقبلي إلى تقديم تحسّن قابل للقياس لتبرير الهجرة. قد لا يكون تحسين دقة المقاييس مع مضاعفة كلفة إكمال المهام جذابًا لنشرات الإنتاج. بالمقابل، قد تكون زيادة متواضعة في الدقة مع عدد أقل بكثير من استدعاءات الأدوات ذات قيمة على نطاق واسع.
قارن نجاح المهمة والرموز الداخلة والخارجة والكمون واستدعاءات الأدوات الفاشلة والكلفة لكل مهمة ناجحة تحت نفس عتاد التقييم. الأوصاف النوعية للنموذج ليست اختبارًا مضبوطًا وجهاً لوجه.
ما هي حالة واجهة برمجة تطبيقات GLM-5.4 الحالية على CometAPI؟
أنشأت CometAPI صفحة نموذج مخصصة لـ GLM 5.4 مع إدخال مُعرّف نموذج مستقر. ومع ذلك، لا تزال الصفحة تصف النموذج بأنه "Coming soon" وتُصنفه كنموذج قبل الإطلاق. ينبغي على المطورين التحقق من معرّف النموذج الفعلي، ووصول الحساب، وتوافر نقطة النهاية، والمعاملات المدعومة، وحدود السياق، والتسعير قبل محاولة استخدامه في الإنتاج.
للتكامل الموثّق حاليًا، استخدم نموذج GLM متاحًا مثل GLM-5.2 أو GLM-5.3. ينبغي التعامل مع صفحة GLM-5.4 لدى CometAPI حاليًا كإدخال في الكتالوج قبل الإطلاق إلى أن يتم تأكيد أن معرّف النموذج ونقطة النهاية قابلان للاستدعاء.
التحضير لتكامل واجهة برمجة تطبيقات GLM 5.4
التحضير الأكثر عملية هو تجنب ربط منطق التطبيق بنسخة نموذج واحدة. يجعل معرّف نموذج قابل للتهيئة من الأسهل تقييم الترقيات من دون إعادة كتابة خط أنابيب الطلبات.
أبقِ معرّف النموذج قابلاً للتهيئة واستخدم نموذج GLM متاحًا لإرساء خط أساس عامل. قبل التحويل إلى GLM-5.4، أكد معرّف نموذج قابلًا للاستدعاء، ووصول الحساب، والمعاملات المدعومة في الطلب، وحدود السياق والمخرجات، وسلوك البث، وتوافق استدعاءات الأدوات. حافظ على خيار تراجع جاهز.
عندما يصبح GLM-5.4 متاحًا رسميًا، تحقق من معرّف النموذج والمعاملات المدعومة وحدود السياق وتوافق نقطة النهاية. شغّل النموذجين القديم والجديد على نفس مجموعة التقييم، مع تتبّع معدل النجاح، والكمون، ورموز الخرج، وإخفاقات استدعاءات الأدوات، والكلفة لكل تنفيذ ناجح.
كيف قد تبدو تسعيرة واجهة برمجة تطبيقات GLM 5.4؟
لم يتم الإعلان عن سعر رسمي لواجهة برمجة تطبيقات GLM-5.4. لذا سيكون مضللاً نشر تعرفة رموز إدخال أو إخراج محددة وكأنها تسريب حقيقي.
توضح عائلة GLM الحالية لماذا لا يكفي حجم النموذج وحده للتنبؤ بالتسعير. قدّم GLM-5.3-Flash تحسينات معمارية تهدف إلى تقديم ذكاء تنافسي بكلفة استدلال أقل بكثير.
يبلغ مؤشر Artificial Analysis Intelligence v4.1.1 لدى Z.ai عن درجة 57 بتكلفة تقديرية مخفضة قدرها $0.045 لكل مهمة لـ GLM-5.3-Flash. هذه كلفة تقييم وليست تعرفة رموز إدخال/إخراج ولا تتنبأ بتسعير GLM-5.4.
قد يعتمد تسعير GLM-5.4 المستقبلي على المعمارية، وجهد الاستدلال، وخصومات الرموز المُخزّنة، وبنية الاستضافة، والمتغيرات. للتخطيط الإنتاجي، غالبًا ما تكون الكلفة لكل مهمة ناجحة أكثر قيمة من أدنى تعرفة رموز إدخال مُعلنة.
هل ينبغي للمطورين انتظار GLM 5.4؟
بالنسبة لمعظم المطورين، لا ضرورة لانتظار نموذج غير مُعلن. توفر نماذج GLM الحالية قدرات برمجة وعوامل موثقة يمكن اختبارها في تطبيقات حقيقية.
يمكن للفرق التي تبني مساعدين للبرمجة أو عوامل هندسية متعددة الخطوات أن تؤسس خط أساس باستخدام GLM-5.3. يمكن للتطبيقات التي تُبرز الفهم البصري والسياق الطويل والاستدعاءات المتكررة بكفاءة تقييم GLM-5.3-Flash.
ابنِ عتاد تقييم الآن وخصص خانة مقارنة مستقبلية لـ GLM-5.4. عندما يتوفر، سيهم إصداره إذا حسّن النتائج التي تهم تطبيقًا معينًا.
ينبغي للباحثين ترقّب معمارية أساس جديدة، وتغييرات في مقاييس الأفق الطويل، والموثوقية من طرف إلى طرف. وعلى الشركات إعطاء الأولوية للتوافر والكلفة والكمون والتوافق والجودة على بيانات إنتاج ممثلة.
الخلاصة
GLM 5.4 خطوة محتملة في عائلة نماذج Z.ai سريعة التطور، لكن سرده الحالي لا يزال أكثر تكهنًا من كونه مؤكدًا.
Union Alpha قرينة هوية غير مُتحقّقة، ويُدعم إيقاع الإصدارات فرضية توقيت عامة فقط. لا يُثبت أي منهما تاريخ إطلاق. توفر المصادر الرسمية التي تمت مراجعتها في 14 أكتوبر 2026 خط أساس للنماذج القائمة بدلًا من إصدار GLM-5.4 مؤكد.
ما هو قابل للتحقق هو التقدم الذي حققه بالفعل كل من GLM-5.3 وGLM-5.3-Flash. مكاسب كبيرة في البرمجة العاملية وتقييم الأمن السيبراني وكفاءة الاستدلال تؤسس خط أساس مُتطلبًا لأي خليفة.
السؤال المفتاحي هو ما إذا كانت Z.ai قادرة على تقديم تنفيذ مستقل موثوق، واستدلال أقوى، وكلفة تنافسية لكل مهمة مكتملة. حتى تظهر المواصفات والمقاييس الرسمية، ينبغي التعامل مع GLM-5.4 كإصدار محتمل لا كمنتج متاح.
الأسئلة الشائعة
كيف يمكنني التحقق من إدراج واجهة برمجة تطبيقات GLM 5.4؟
تحقق من أن المزود يقدّم معرّف نموذج قابلًا للاستدعاء، ونقطة نهاية مدعومة، وشروط وصول، وتسعيرًا جاريًا. ثم قارن الهوية بإعلان أو وثائق رسمية من Z.ai. يمكن لإدراج مزود أن يثبت عرض هذا المزود، لكنه لا يُصادق بحد ذاته على مطوّر نموذج مجهول.
ما الفحوصات التوافقية التي تهم قبل الترحيل إلى GLM 5.4؟
تحقق من معاملات الطلب، وإعدادات الاستدلال، ومخطط استدعاءات الأدوات، والمخرجات المهيكلة، وسلوك البث، وحدود السياق، والحد الأقصى للمخرجات على نقطة النهاية الفعلية لديك. ضمّن اختبارات سلبية للمعاملات غير المدعومة واحتفظ بالنموذج القائم متاحًا للتراجع. توافق OpenAI يصف واجهة؛ ولا يضمن سلوك نموذج متطابق.
كيف ينبغي أن أقيم GLM 5.4 لوكلاء البرمجة؟
استخدم مجموعة ثابتة من مهام المستودعات الممثلة مع نفس الأدوات والأذونات والمهلة وعتاد التشغيل لكلا النموذجين. احسب التغييرات المختبرة الناجحة، والتعافي من إخفاقات الأدوات، واستخدام الرموز، والكمون، والكلفة الإجمالية. سجّل كل شغلة وكرّر المهام بما يكفي لإظهار التباين بدلًا من إبراز مثال واحد مُواتٍ.
ما الذي يبرر انتظار GLM 5.4؟
الانتظار معقول فقط عندما تعالج قدرة قادمة موثقة متطلبًا لا تستطيع النماذج المتاحة تلبيته، وكان التأخير مناسبًا لجدول تسليمك. مع وجود مجرد شائعة، ابنِ على نموذج متاح وأبقِ اختيار النموذج قابلاً للتهيئة. حدّد عتبات القدرة والكلفة التي يجب أن يحققها إصدار لاحق قبل أن يحل محل خطك الأساسي.