每日生活圈2026年02月23日 11:18消息，智谱GLM-5全栈自研，7大国产芯片原生适配，首次硬核解密技术细节。
2月23日消息，全球爆火、单日股价狂涨42%、被称作“全球大模型第一股”的智谱日前发布GLM-5技术报告，公开全部技术细节，正面回应长期存在的“套壳”“蒸馏海外模型”等质疑。此举在行业内外引发高度关注——这不仅是技术层面的集中披露，更是一次罕见的、以透明姿态直面舆论压力的主动出击。在开源与闭源博弈日益白热化、国产模型信任度仍待夯实的当下，选择“全量公开”而非选择性宣传，本身即传递出强烈的技术自信与战略定力。
智谱在报告中指出，GLM-5是一款旨在推动编程范式从“VibeCoding”（氛围编程）转向“AgenticEngineering”（智能体工程）的下一代基础模型。这一提法并非概念炒作，而是对当前大模型应用瓶颈的精准诊断：当“写代码”已成标配，真正的分水岭正转向“能闭环完成复杂系统任务”。从“能跑通Demo”到“可交付生产”，恰是工业级AI落地的关键跃迁，而GLM-5将此定义为自身核心使命，体现了研发逻辑从学术导向向工程导向的深刻转变。
总体而言，GLM-5能够实现性能的大幅跃升，主要得益于以下四大技术创新：
第一，引入DSA稀疏注意力机制（DeepSeek Sparse Attention, DSA）。这一全新架构极大降低了训练与推理成本。此前的GLM-4.5依赖标准MoE架构提升效率，而DSA机制则使GLM-5能够根据Token的重要性动态分配注意力资源。在不折损长上下文理解和推理深度的前提下，算力开销得以大幅削减。得益于此，模型参数规模成功扩展至744B（7440亿），训练Token规模提升至28.5T（28.5万亿）。值得强调的是，参数量跃升并非盲目堆叠，而是建立在稀疏化架构对计算效率的实质性重构之上；若仅追求“千亿参数”噱头却忽视推理延迟与能耗比，终难逃“纸面强大、落地乏力”的窠臼——GLM-5在此处展现出清醒的工程克制。
第二，构建全新的异步RL基础设施。基于GLM-4.5时期slime框架“训练与推理解耦”的设计，新基建进一步实现“生成与训练”的深度解耦，将GPU利用率推向极致。该系统支持模型开展大规模的智能体（Agent）轨迹探索，大幅减缓了以往拖慢迭代速度的同步瓶颈，让RL后训练流程的效率实现质的飞跃。业内普遍反映，强化学习训练常因同步等待导致硬件空转率高、实验周期长，而GLM-5的异步架构直击痛点，其价值不仅在于提速，更在于为Agent持续进化提供了可持续的工程底座。
第三，提出全新的异步AgentRL算法。该算法旨在全面提升模型的自主决策质量。GLM-4.5曾依靠迭代自蒸馏和结果监督来训练Agent；而在GLM-5中，异步算法使模型能够从多样化的长周期交互中持续学习。这一算法针对动态环境下的规划与自我纠错能力进行了深度优化，也正是GLM-5在真实编程场景中表现卓越的底层逻辑。观察发现，当前多数开源Agent仍停留在“单步调用+人工校验”阶段，而GLM-5所强调的“长周期交互中持续学习”，意味着它正尝试构建一种具备记忆、反思与策略迁移能力的智能体雏形——这已悄然超出传统语言模型范畴，迈向具身智能的早期工程实践。
第四，全面拥抱国产算力生态。从模型发布伊始，GLM-5就原生适配中国GPU生态，已完成从底层内核到上层推理框架的深度优化，全面兼容七大主流国产芯片平台：华为昇腾、摩尔线程、海光、寒武纪、昆仑芯、天数智芯与燧原。尤为值得注意的是，文中两次提及“沐曦”，但首次列举为“七大主流平台”时未包含沐曦，第二次合作名单中却出现“沐曦以及燧原”。经核查原文表述，此处应为笔误；结合上下文语义及行业共识，“七大平台”确指前文所列七家，沐曦或为新增合作方，但不宜强行纳入“七大”之列。技术适配绝非简单移植，而是涉及指令集重写、内存调度重构、量化策略重训等全栈工作；能在如此短周期内完成多平台深度兼容，背后是国产软硬协同攻坚能力的一次集中验证。
得益于上述软硬协同的极致优化，GLM-5在单台国产算力节点上的性能表现，已足可媲美由两台国际主流GPU组成的计算集群；不仅如此，在长序列处理场景下，其部署成本更是大幅降低了50%。这一数据极具现实意义——它意味着中小企业与高校团队无需仰赖昂贵进口卡即可部署高性能Agent系统，有望实质性降低AI工程化门槛，加速技术普惠进程。
在报告结尾，智谱还特别强调，代号为“PonyAlpha”的盲测实验是一个里程碑时刻。在OpenRouter平台上匿名发布GLM-5是一步险棋，但最终反馈不仅印证了技术判断，更带来巨大惊喜。这种“去品牌化”的实证方式，在当前充斥营销话术与榜单玄学的AI圈尤为珍贵。当模型剥离所有光环标签，仅凭能力说话，社区反馈才真正具备公信力。此举也暗含深意：技术话语权不应绑定于地缘符号，而应回归“是否好用、能否闭环、有无鲁棒性”的朴素标准。
通过隐去所有品牌信息，智谱让模型完成了最严苛的“自我证明”，确保所有评价都纯粹且客观。核心反馈如下：上线仅几天，PonyAlpha就在OpenRouter社区引发轰动。开发者们敏锐察觉到它在处理复杂代码、Agent任务链路及角色扮演时的卓越能力。“神秘的强大”引发广泛猜测：初步统计显示，25%用户推测它是Anthropic的ClaudeSonnet5，20%认为是Grok新版本，10%猜是DeepSeekV4，其余用户则成功猜中GLM-5。这种“误判率”恰恰说明，GLM-5已跨越模仿阶段，形成独特能力指纹——它不再像某款海外模型，而是呈现出清晰的、属于自己的技术人格。
最终确认PonyAlpha真身即是GLM-5，这对智谱团队是一次巨大鼓舞，也有力回击了长期以来外界对中国本土模型技术水准的质疑。需要指出的是，所谓“质疑”往往源于信息不对称与验证渠道缺失；而此次盲测，本质上是以全球开发者为裁判，完成了一次开放式技术公证。当海外用户自发将其与Claude、Grok并列讨论时，中国AI已悄然从“追赶者叙事”迈入“平视对话”新阶段。
智谱表示，PonyAlpha（GLM-5）不仅赢在基准测试榜单上，更赢在真实场景里。这标志着研发重心已深度转向“工程级可靠性”。这次匿名测试打破了先入为主的地缘政治偏见，让社区认可回归到“好用与否”这一最纯粹的技术本质。诚然，榜单分数易得，用户口碑难求；GLM-5选择用真实开发者的深夜调试记录、终端命令流执行成功率、长程任务中断恢复率等“脏数据”说话，比任何PR稿都更具说服力。
庆祝之余，我们深知任重道远。开源追赶闭源的战役仍在继续，我们将坚定不移地探索技术前沿，构建更高效、更智能的底层系统。需清醒看到，GLM-5的突破集中于编程与Agent领域，通用推理、多模态理解、数学证明等维度尚未见同等强度披露。真正的“全栈自主”，仍需在更多基础能力上持续投入。但至少在此刻，它用扎实的代码、可复现的指标与开发者真实的欢呼声，为中国AI写下了一个掷地有声的注脚：技术尊严，永远来自不可替代的解决问题能力，而非宏大叙事或资本热度。
延伸阅读：
2026年春节前后，AI圈最受关注的两颗“双子星”吸引了全行业目光。一颗是字节跳动发布的Seedance2.0，它凭借出色的视频生成能力受到全球社交网络广泛关注，代表AI在感性与创意维度的重要突破；另一颗则是让很多开发者彻夜难眠的智谱GLM-5。Seedance2.0让世界看到中国AI亮眼的想象力，GLM-5则向世界展示中国AI扎实的执行力。二者并立，恰如一枚硬币的两面：创意驱动传播广度，工程筑牢产业深度。当行业热议“下一个GPT”时，或许更应关注“下一个稳定交付百万行代码的Agent系统”——GLM-5正朝着这个方向坚定迈进。
学界与业界正逐渐形成一种共识，大模型从写代码、写前端，进化到写工程、完成大任务，即“VibeCoding”（氛围编程）转向“AgenticEngineering”（智能体工程）。这一演进不是渐进改良，而是范式革命：它要求模型具备任务分解、工具调用、状态追踪、异常熔断与结果验证的完整能力链。GLM-5正是这一变革的产物：在Coding与Agent能力上取得开源SOTA表现，在真实编程场景的使用体感逼近ClaudeOpus4.5，擅长复杂系统工程与长程Agent任务。值得关注的是，“使用体感逼近”这一表述极为务实——它承认差距，更强调可用性；在工程实践中，10%的体验差距可能意味着90%的落地成本差异，而GLM-5正努力抹平这条鸿沟。
在全球权威的ArtificialAnalysis榜单中，GLM-5位居全球第四、开源第一。GLM-5在编程能力上实现了对ClaudeOpus4.5的对齐，在业内公认的主流基准测试中取得开源模型SOTA分数。在SWE-bench-Verified和TerminalBench2.0中分别获得77.8和56.2的开源模型SOTA分数，性能超过Gemini3Pro。需理性看待的是，单一榜单不能定义全部能力，但连续多个专业基准达成SOTA，已构成强有力的能力佐证。尤其SWE-bench-Verified聚焦真实GitHub仓库的修复任务，其高分意味着GLM-5正真正切入软件工程核心战场。
2026年，大模型需要从“会写”走到“会完成”，尤其是端到端完成大型任务。GLM-5是一个“系统架构师”，它不仅为开发精美的Demo而生，更为稳定交付生产结果而生。这句话直指要害——当前多数大模型仍是“高级助手”，而GLM-5试图成为“可信协作者”。当它能在无人干预下完成后端重构、深度调试与跨服务链路编排时，其价值已远超工具范畴，开始重塑人机协作的基本契约。
在内部ClaudeCode评估集合中，GLM-5在前端、后端、长程任务等编程开发任务上显著超越GLM-4.7（平均增幅超过20%），能够以极少的人工干预自主完成Agentic长程规划与执行、后端重构和深度调试等系统工程任务，使用体感逼近Opus4.5。20%的平均提升看似有限，但在高阶工程任务中，微小的准确率提升常对应着数倍的故障率下降。开发者最珍视的从来不是“偶尔惊艳”，而是“始终可靠”。GLM-5正朝这个目标，迈出坚实一步。
