GLM5作为新一代开源大模型，以全球最低幻觉率和强劲编程能力引发关注。通过引入DSA和SLAM框架，它在复杂任务处理上实现代际跨越，为企业AI转型提供了新的高性能选择。
智能速览
GLM5智能指数首破50分，综合能力超越多款主流开源模型。
采用DeepSeek同款DSA注意力机制，推理成本降低50%，支持20万上下文。
应用自研SLAM强化学习框架，在真实工程环境训练，大幅提升编程与Agent能力。
使用MIT开源许可证，允许商用与自由修改，总参数达7440亿。
精华内容
GLM5不仅刷新了开源模型的智能指数，更通过架构创新解决了AI应用中的核心痛点。
智能与幻觉率
GLM5在技术评估中智能指数得分达到50分，成为历史上首个突破该分数的开源模型。相较于前代GLM4.7，其分数提升了8分，超越了Kimi K2.5和MiniMax M2.1等竞品。模型最大的突破在于幻觉率的控制，其全球最低的幻觉率较前代降低了56%。模型采用了Abstaining策略和Thinking Model，面对不确定问题会诚实告知“不知道”，并通过思维链验证推理自洽性，有效杜绝了AI“一本正经胡说八道”的现象。
架构与性能
在架构层面，GLM5采用了MoE混合专家模型，总参数量高达7440亿，但每次推理仅激活44B参数，激活比例为5.6%，与DeepSeek V3.2持平。核心创新点在于引入了DeepSeek同款的DSA（DeepSeek Sparse Attention）稀疏注意力机制。该机制通过轻量化扫描筛选TOP-K关键token进行完整计算，将精度损失控制在3%以内，同时使推理实验成本降低50%以上。在20万token的上下文处理中，仍能保持60-80 token每秒的高速处理能力。
SLAM训练框架
GLM5的能力飞跃源于智谱AI自研的SLAM（Self-developed Asynchronous Reinforcement Learning）异步强化学习框架。传统训练如同“考试”，而SLAM训练更像是“实习”，模型在真实的工程环境（编程、终端、搜索）中通过交互反馈进行学习。这种“干中学”的模式实现了训练和推理的并行处理，一步调度机制显著提升了训练效率。这使得GLM5在SWE Bench和Terminal Bench等权威测试中表现出色，编程和Agent能力稳居第一梯队。
模型对比分析
与Qwen 3.5和MiniMax M2.5对比，GLM5在总参数量上以7440亿领先，其中Qwen 3.5为397B，MiniMax M2.5为230B。在专家数量上，GLM5设有256个专家，每次激活8个，架构上与DeepSeek V3类似。预训练数据量达到28.5T token，上下文长度支持200K。虽然GLM5的API价格相对较高，但其在搜索能力、多模态支持以及极低的内存占用方面展现出综合优势，是目前最适合构建Agent应用的模型之一。
GLM5凭借技术创新在开源领域树立了新标杆，其低幻觉率和强大的工具调用能力使其更适合构建复杂的Agent应用。随着开源生态的完善，这款模型将加速企业智能化进程。
