GLM-5：从 Vibe Coding 到 Agentic Engineering

GLM-5 正式发布！这是一款专为复杂系统工程与长周期 AI 智能体任务而生的大模型。在通往「通用人工智能」（AGI）的道路上，Scaling Law（缩放定律）依然是提升智能效率最核心的驱动力。

• 相比前代 GLM-4.5，GLM-5 将参数规模从 355B（激活 32B）大幅提升到了 744B（激活 40B），预训练数据量也从 23T 激增到了 28.5T Tokens。
• 更重要的是，GLM-5 集成了 DeepSeek 稀疏注意力机制（DSA），在显著降低部署成本的同时，完整保留了处理长上下文的能力。

强化学习（RL）被业界普遍视为填补预训练模型从「合格」到「卓越」之间鸿沟的关键。然而，受限于训练效率，在大语言模型（LLM）上大规模应用 RL 始终是一大挑战。为此，智谱 AI 开发了 slime——一套全新的「异步 RL 基础设施」，大幅提升了训练吞吐量与效率，让更精细的后训练（Post-training）迭代成为可能。

得益于预训练与后训练的双重进化，GLM-5 在推理、编程以及 AI 智能体任务上的表现，不仅全面超越了 GLM-4.7，更在所有开源模型中独占鳌头，性能也已直逼最顶尖的闭源前沿模型。

GLM-5 的设计初衷，就是为了解决复杂系统工程与长程任务。在智谱 AI 内部的评测集 CC-Bench-V2 上，无论是前端开发、后端架构还是长周期任务，GLM-5 都大幅领先于 GLM-4.7，并正在快速缩小与 Claude Opus 4.5 之间的差距。

在衡量长期运营能力的 Vending Bench 2 基准测试中，GLM-5 拿下了「开源模型第一」的成绩。该测试要求模型在模拟环境中经营一家自动售货机公司，时间跨度长达一年。GLM-5 最终实现了 4432 美元的账户余额，不仅展示了强大的长期规划与资源管理能力，更已迫近 Claude Opus 4.5 的水平。

办公场景：从聊天进化为实干

基础大模型正在经历一场从 Chat（闲聊）到 Work（工作）的范式转移——就像 Office 之于知识工作者，IDE 之于工程师。

• 如果说 GLM-4.5 是迈向推理、编程和 AI 智能体的第一步，那么 GLM-5 就是在复杂系统与长程任务上的集大成者。
• 它不再止步于文本生成，而是能直接将素材转化为.docx、.pdf和.xlsx文件——无论是产品需求文档（PRD）、教案、试卷，还是财务报表、流程单、菜单，GLM-5 都能端到端交付「即刻可用」的文档。

上手指南：如何使用 GLM-5

在编程环境中使用 GLM-5

你不仅可以在 Claude Code、OpenCode、Kilo Code、Roo Code、Cline 和 Droid 等主流 Coding Agents 中调用 GLM-5，还能借助其强大的工具集成能力完成复杂工程任务。

针对 GLM Coding Plan 订阅用户：

受限于算力资源，智谱 AI 将分批次向 Coding Plan 用户开放 GLM-5：

• Max 计划用户：现在即可启用。只需在配置文件（如 Claude Code 的~/.claude/settings.json）中将模型名称修改为"GLM-5"。
• 其他计划用户：支持将随推广逐步开放。
• 配额提示：请注意，调用 GLM-5 消耗的配额要高于 GLM-4.7。

配合 OpenClaw 使用

除了编程，GLM-5 还全面支持 OpenClaw 框架。它能变身成你的个人数字助理，跨越 App 与设备边界执行操作，而不仅限于对话框内的问答。

在 Z.ai 上直接对话

通过 Z.ai 可以直接访问 GLM-5，并提供了 2 种交互模式：

• Chat 模式：即时响应，交互流畅，适合轻量级任务。
• Agent 模式：调用多种工具与技能，直接交付复杂结果。

本地私有化部署

GLM-5 的模型权重已经在 HuggingFace 和 ModelScope 上公开。本地部署支持 vLLM 和 SGLang 等主流推理框架。

另外，GLM-5 现已适配华为昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原、海光等多款非 NVIDIA 芯片。通过底层 Kernel 优化与模型量化技术，GLM-5 在这些国产硬件上均能实现相当可观的推理吞吐量。