GLM-5：开源AI的长任务时代

GLM-5是如何炼成的？

现在，其背后的论文终于完全公开了。

论文的名字也很直接：告别Vibe Coding，迈入智能体工程（Agentic Engineering）。

正如我们之前实测的那样，GLM-5能够自己连续跑代码超过24小时，进行700次工具调用和800次上下文切换，从零开始创建Game Boy Advance（GBA）模拟器。

简而言之，GLM-5将开源AI带入了长任务时代。

外国网友称其为“最好的开源模型”：

并且认为“极大拉小了和Claude Opus 4.6之间的距离”

此外，资本市场的表现也侧面印证了大模型公司的实力。

春节期间，智谱股价飙升，这毋庸置疑。

现如今，这份长达40页的论文，彻底揭开了它背后的一切技术秘密。亮点如下：

架构方面：在上一代经过验证的ARC（智能体、推理与编程）能力和MoE之上，引入DeepSeek同款稀疏注意力（DSA）；成本大幅缩减的同时，长上下文能力依然保持。

后训练方面：全新构建的异步强化学习基础设施，将生成和训练解耦，加上独创的异步智能体RL算法，显著提升效率。

芯片适配方面：GLM-5完成了与华为昇腾、摩尔线程、海光、寒武纪、昆仑芯、沐曦以及燧原等国产芯片的全栈适配。

接下来，就让我们一起深入解析这篇让外国网友羡慕的技术论文。

GLM-5的三大关键技术

在深入技术之前，我们需要先理解GLM-5在技术发展当下所面临的难题，即大模型需要真正开始干复杂的任务了。

因为在GLM-4.5时代，智谱已经证明了将ARC能力融合进单一MoE架构是完全可行的。

但当模型真正投入到复杂的软件工程、长周期多轮对话的真实业务中时，算力成本和真实环境适应性成为了老大难的问题。

△GLM-5的整体训练流程

GLM-5要解决的就是这些瓶颈。因此，它在核心技术方面祭出了三把板斧。

第三板斧：投喂真实世界数据

大模型的测试也更难了

One More Thing