TECH
GLM-5 发布解读：从 Vibe Coding 到 Agentic Engineering（转载）
基于 Z.ai 官方文章的中文转载摘要，聚焦 GLM-5 的规模升级、Agent 能力、基准表现与接入方式。
修订记录
| 版本 | 时间 | 说明 |
|---|---|---|
| v1 | 2026-02-12 | 初稿：转载摘要（中文） |
原文信息
- 原文标题：GLM-5: From Vibe Coding to Agentic Engineering
- 发布时间：2026-02-12
- 原文链接：https://z.ai/blog/glm-5
- 文档入口：https://docs.z.ai/guides/llm/glm-5
转载摘要（中文）
GLM-5 的定位是复杂系统工程与长时程 Agent 任务。相较 GLM-4.5，模型规模从 355B 参数（32B 激活）扩展到 744B 参数（40B 激活），预训练数据从 23T 提升到 28.5T token。官方还提到，GLM-5 集成了 DSA（DeepSeek Sparse Attention），目标是在保持长上下文能力的同时降低部署成本。
训练方法上，文章强调了其异步强化学习基础设施 slime（THUDM 开源），用于提升大模型 RL 训练吞吐与迭代效率。官方结论是：GLM-5 在推理、编码和 Agent 三类任务上较 GLM-4.7 有显著提升，并在多项开源模型对比中处于前列。
能力形态上，GLM-5 不仅面向聊天，还强调“从 Chat 到 Work”。文中示例展示了模型可直接产出 .docx、.pdf、.xlsx 等结构化交付物，并在 Z.ai 的 Agent 模式中支持多轮协作。官方同时提供了云端 API、聊天入口与本地部署路径，主张覆盖“研发到交付”的完整链路。
关键数据速览（摘录）
- 模型与训练规模：
355B -> 744B（总参数），23T -> 28.5T（预训练 token）。 - 典型基准分数（文中表格）：
HLE 30.5、SWE-bench Verified 77.8、SWE-bench Multilingual 73.3、BrowseComp 62、BrowseComp(含上下文管理) 75.9。 - 长时程任务：
Vending Bench 2最终资金$4,432.12，文中称该项开源模型第一。 - 工程生态：支持 Claude Code、OpenClaw、Z.ai（Chat/Agent）；本地部署支持 vLLM 与 SGLang。
- 开源与许可：模型权重发布在 Hugging Face / ModelScope，文中标注 MIT License。
快速结论
- 这次发布的重点，不只是“模型更大”，而是把编码与 Agent 任务放在统一目标下优化。
- 官方叙事从“对话能力”转向“可交付能力”，尤其强调文档/表格类生产任务。
- 对开发者而言，最有价值的是同一模型可覆盖 API、Coding Agent、聊天产品和本地推理四种入口。
参考链接
- 官方博客：https://z.ai/blog/glm-5
- 官方文档：https://docs.z.ai/guides/llm/glm-5
- GitHub：https://github.com/zai-org/GLM-5
- Hugging Face：https://huggingface.co/zai-org/GLM-5
- ModelScope：https://modelscope.cn/models/ZhipuAI/GLM-5
转载说明
本文为原文要点整理与中文摘要，非全文翻译。原文版权归 Z.ai 与原作者所有，请以原文为准。
评论