GLM-5是怎么煉成的？

現在，它背后的論文終于完全公開了。

論文的名字也很直接：告別Vibe Coding，邁入智能體工程（Agentic Engineering）。

也正如我們之前實測的那般，它可以自己連續跑代碼超過24小時、700次工具調用、800次上下文切換，從零直接手搓一個Game Boy Advance（GBA）模擬器。

一言蔽之，GLM-5把開源AI拽進了長任務時代。

外國網友直呼“GLM-5是最好的開源模型”：

并且還認為“極大拉小了和Claude Opus 4.6之間的距離”：

除此之外，資本市場的表現也是可以從側面印證一家大模型公司的實力。

畢竟春節期間，智譜股價飆升的程度，毋庸置疑，大家有目共睹。

現如今，這份長達40頁的論文，徹底揭開了它背后的一切技術秘密。亮點如下：

架構方面：

在上一代經過驗證的ARC（智能體、推理與編程）能力和MoE之上，引入DeepSeek同款稀疏注意力（DSA）；成本大幅打下來了的同時，長上下文能力卻一點沒丟。

后訓練方面：

全新構建的異步強化學習基礎設施，把生成和訓練解耦，加上獨創的異步智能體RL算法，讓效率大幅提升。

芯片適配方面：

GLM-5完成了與華為昇騰、摩爾線程、海光、寒武紀、昆侖芯、沐曦以及燧原等國產芯片的全棧適配。

這也讓不少網友在看完論文之后直呼：

在成本效率方面，美國的AI趕不上中國。

接下來，就讓我們一起深入扒一扒這篇讓外國網友羨慕的技術論文。

GLM-5的三大關鍵技術

在深入技術之前，我們需要先理解GLM-5在技術發展當下所面臨的難題，即大模型需要真正開始干復雜的難活兒了。

因為在GLM-4.5時代，智譜已經證明了將ARC能力融合進單一MoE架構是完全可行的。

但當模型真正投入到復雜的軟件工程、長周期多輪對話的真實業務中時，算力成本和真實環境適應性成為了老大難的問題。

△GLM-5 的整體訓練流程

GLM-5要解決的就是這些瓶頸。因此，它在核心技術方面祭出了三把板斧。

第一板斧：引入DeepSeek同款稀疏注意力機制

在Transformer架構中，傳統的密集注意力計算復雜度是隨著上下文長度呈平方級（O(N2)）增長的。

當上下文窗口擴展至200K甚至更長時，計算成本將變得極其昂貴，這成為限制智能體處理復雜任務的主要瓶頸。

GLM-5的解法是引入DSA這個動態稀疏注意力機制，它的核心理念是用動態的細粒度選擇機制替換傳統的密集注意力。與固定的滑動窗口模式不同，DSA 會“審視”內容，動態決定哪些Token是重要的。

然而，直接訓練一個基于DSA的超大模型無異于走鋼絲，很容易因為稀疏化帶來的信息丟失而導致梯度爆炸或模型崩塌。

因此，GLM-5團隊采取了一種極其巧妙的繼續預訓練策略，主要包含兩個步驟：

稠密預熱（Dense Warm-up）：模型并非一上來就搞稀疏。在預訓練的初始階段，模型依然使用相對稠密的注意力機制（類似于MLA的變體），讓模型先看全所有的信息，建立起全局的、穩固的語義表征能力。這就好比一個人在學習速讀之前，必須先扎扎實實地精讀。

平滑過渡與稀疏訓練（Sparse Training）：當模型具備了良好的基礎后，開始逐步提高稀疏度。DSA的核心邏輯是：在計算當前Token的注意力時，不再關注歷史上的所有Token，而是通過一個動態的路由機制（Routing Mechanism），只挑選出與之最相關的Top-K個Token進行計算。

△MLA與DSA訓練的SFT損失曲線對比

根據技術報告披露的數據，這一板斧砍下去，效果是立竿見影的：

KV Cache開銷驟降75%：這意味著同樣的顯卡，現在可以支撐4倍以上的并發請求，或者處理長達4倍的上下文。推理速度提升3倍：注意力計算的FLOPS被大幅削減，首字響應時間（TTFT）和每秒生成Token數（TPS）都達到了行業頂尖水平。長文本能力幾乎無損：這是最令人不可思議的一點。在著名的大海撈針以及諸如RULER等長文本復雜推理評測中，引入DSA的GLM-5與全稠密模型相比，性能下降微乎其微（小于0.5%）。第二板斧：異步多任務強化學習

如果說DSA解決的是推理成本問題，那么GLM-5的第二板斧，解決的就是訓練效率問題，尤其是決定模型最終智商的后訓練階段。

當前業界主流的強化學習對齊算法依然是PPO（近端策略優化）。

標準的PPO是一個高度同步的過程，涉及到四個模型，即Actor生成模型、Reference參考模型、Critic評論家模型、Reward獎勵模型在多臺GPU上的協同。

這種“走一步，停一下”的同步機制，導致整個集群的GPU利用率經常徘徊在20%-30%左右，大部分算力都浪費在等待網絡通信和進程同步上了。

為了打破這個瓶頸，智譜基于4.5時代的Slime框架，為GLM-5從底層重寫了一套異步強化學習基礎設施（Asynchronous RL Infrastructure）。

它的核心設計是將訓練引擎和推理引擎解耦到不同的GPU設備上。推理引擎持續生成軌跡，一旦生成數量達到預定閾值，這批數據就被發送到訓練引擎更新模型。為減少策略滯后并保持訓練的近似同策略性，推理引擎的模型權重會定期與訓練側同步。

這種完全異步的訓練范式，通過減少Agent rollout期間的“氣泡”時間，顯著提升了GPU利用率和訓練效率。

但要支撐這種異步架構，還有幾個關鍵技術難題需要解決：

第一，Token-in-Token-out（TITO）代替Text-in-Text-out。

在RL rollout設置中，TITO意味著訓練流程直接消費推理引擎生成的精確tokenization和解碼token流來構建學習軌跡。相比之下，Text-in-Text-out將rollout引擎視為返回最終文本的黑箱，訓練器需要重新tokenization重建軌跡。

這個看似微小的選擇實際上影響巨大：重新tokenization可能在token邊界、空白處理、截斷或特殊token放置上引入細微不匹配，從而影響對單個token采樣概率的估計。GLM-5實現了一個TITO網關，攔截rollout任務的所有生成請求并記錄每個軌跡的tokenID和元數據，將繁瑣的tokenID處理從下游Agent rollout邏輯中隔離出來。

第二，直接雙側重要性采樣解決離策略偏差。

在異步設置中，rollout引擎可能在單個軌跡生成過程中經歷多次更新，這使得追蹤歷史訓練側模型的精確行為概率在計算上不可行——維護多個歷史模型權重顯然不現實。

研究團隊采用簡化方案：將rollout期間生成的對數概率作為直接行為代理，通過計算重要性采樣比rt(θ) = πθ/πrollout，丟棄傳統的πθ_old，消除單獨舊策略推理的計算開銷。同時采用雙側校準token級掩碼策略，將信任域限制在[1-ε_l, 1+ε_h]，對落在此區間之外的token完全屏蔽梯度計算。

第三，DP感知路由加速長上下文推理。

在多輪Agent工作負載中，來自相同rollout的順序請求共享相同前綴。研究團隊提出通過一致性哈希將每個rollout ID映射到固定數據并行（DP）rank，并結合哈希空間上的輕量級動態負載重新平衡。這避免了冗余的預填充計算，無需跨DP rank的KV同步，隨著rollout長度增加，預填充成本仍與增量token成正比。

第三板斧：投喂真實世界數據

傳統SFT數據往往依賴標準答案，但真實世界是復雜多變的。

為了讓模型具備真正的工程能力，GLM-5的第三板斧，就是構建大量可驗證的真實世界環境數據。

整個SFT語料庫涵蓋三大類別：通用對話、推理、編程與Agent。

值得注意的是，GLM-5在SFT階段將最大上下文長度擴展至202752個token，并支持三種不同的思考特征：

交錯思考：模型在每次響應和工具調用前進行思考，提升指令遵循和生成質量；保留思考：在Coding Agent場景中，模型自動在多輪對話中保留所有思考塊，復用已有推理而非重新推導，減少信息丟失和不一致性；輪級思考：支持在會話中對每輪推理進行精細控制，輕量級請求可禁用思考降低延遲，復雜任務可啟用思考提升精度和穩定性。

為了支持Agent RL，研究團隊還構建了大規模的、可驗證的可執行環境：

軟件工程環境：基于真實世界的Issue-PR對，采用RepoLaunch框架自動分析倉庫安裝和依賴設置，構建可執行環境并生成測試命令。最終跨數千個倉庫、涵蓋9種編程語言（Python、Java、Go、C、C++、Javascript、Typescript、PHP、Ruby），構建了超過10000個可驗證環境。

終端環境：采用三階段Agent數據合成流程——任務草稿生成、具體任務實現、迭代任務優化。從種子任務出發，利用LLM生成可驗證的終端任務草稿，由構建Agent在Harbor格式中實例化為具體任務（結構化任務描述、Docker化執行環境、測試腳本），再由精煉Agent迭代優化。整體流程產出數千個多樣化終端環境，Docker構建精度超過90%。

搜索任務：構建Web知識圖譜，以低至中頻實體為種子節點擴展多跳鄰域，將每個子圖轉化為隱式編碼多實體關系鏈的問題。再經過三階段過濾（刪除無工具推理模型能答對的、過濾早期Agent能幾步解決的、雙向驗證拒絕非唯一答案或不一致證據的），最終獲得高質量、高難度的多跳問答對。

PPT生成：采用多層級獎勵機制——第1級關注靜態標記屬性（定位、間距、顏色、字體等），第2級評估運行時渲染屬性（元素寬高、邊界框等），第3級引入視覺感知特征（異常空白模式等）。最終生成的頁面中嚴格符合16:9寬高比的比例從40%提升至92%，頁面溢出顯著減少。

大模型的測試也更難了

技術的進步最終需要經受評測的檢驗。

GLM-5的論文不僅展示了其在傳統榜單上的成績，更揭示了一個趨勢：大模型的測試正在變得更難、更貼近真實。

在Humanity’s Last Exam（HLE）、SWE-bench Verified、BrowseComp等關鍵榜單上，數據顯示，GLM-5在SWE-bench Verified上得分77.8%，在開源模型中達到SOTA，優于Gemini 3 Pro，并與Claude Opus 4.5相當。

在HLE（含工具）測試中，GLM-5得分50.4，優于Claude Opus 4.5和Gemini 3 Pro。

在Artificial Analysis Intelligence Index v4.0中，GLM-5得到50分，成為新的開源SOTA模型，這是開放權重模型首次在該指數中達到50分。

然而，智譜團隊認為，傳統的SWE-bench已經不夠看了。

因為它是一個靜態、公開且發布超過2年的測試集，模型可能存在記憶效應。

為此，GLM-5團隊推出了CC-Bench-V2，一個完全自動化的、模擬真實軟件開發的評測集，涵蓋前端、后端和長程任務。

在前端評估中，團隊引入了Agent-as-a-Judge技術，通過GUI Agent模擬用戶交互，驗證生成項目的功能正確性。

結果顯示，GLM-5的構建成功率（BSR）達到98.0%，在檢查項成功率（CSR）上與Claude Opus 4.5具備競爭力。

在后端評估中，GLM-5在真實開源項目上的Pass@1達到25.8%，與Claude Opus 4.5相當，顯著領先于GLM-4.7。

更值得一提的是長程任務評估。CC-Bench-V2通過挖掘已合并的Pull Request構建多步鏈式任務，評估模型在增量開發中的上下文跟蹤與規劃能力。

雖然GLM-5在此項上較GLM-4.7有顯著提升，但與Claude Opus 4.5仍有差距。團隊坦言，這是因為鏈式任務中錯誤會累積放大，縮小這一差距需要在長上下文一致性和長程自糾錯方面繼續突破。

這一系列評測結果釋放了兩個明確信號：

第一，GLM-5 是開源界的第一個“全站工程師”，讓 AI 能自主執行超長、超復雜的任務；

第二，通過單體MoE架構統一Agent、推理與代碼能力的可行性得到了驗證，同時證明了RL在復雜代碼生成中的巨大潛力。這對閉源模型而言，無疑是一種巨大的沖擊。

One More Thing

在論文的最后，團隊透露了一個有趣的彩蛋——Pony Alpha實驗。

在論文公開前，GLM-5曾以Pony Alpha為代號，匿名發布在OpenRouter平臺上。隱去品牌信息后，模型憑借卓越的性能在社區引發轟動。

初步統計顯示，25%的用戶推測它是Claude Sonnet 5，20%認為是Grok的新版本，僅有部分用戶猜中了GLM-5。

這次匿名測試打破了先入為主的地緣偏見，讓社區的認可回歸到了“好用與否”這一最純粹的技術本質。

最終確認Pony Alpha真身即是GLM-5，這對團隊是一次巨大的鼓舞，也有力回擊了長期以來外界對中國本土模型技術水準的質疑。

不僅如此，這次GLM-5論文公布之后，在海外已經有不少人當教程來學習了。