GLM-5不是又一个参数堆砌的迭代，而是面向系统级工程任务的开源基座模型。它在Agent长程执行、多智能体仿真、前端工程复现等真实场景中展现出显著进步，同时暴露出常识推理与细节还原的固有短板，为开发者提供了清晰的能力坐标系。
智能速览
GLM-5参数量达744B（激活40B），预训练数据增至28.5T token，引入Slime强化学习框架支持长程交互持续优化
在SWE-bench-Verified和Terminal Bench 2.0中取得开源模型最高分（77.8/56.2），编程能力对齐Claude Opus 4.5
Vending Bench 2模拟经营测试中账户余额达4432美元，表现接近Claude Opus 4.5
macOS Sonoma桌面仿真案例达到可交互演示级水平，但字体、动画、Dock物理感等系统级细节仍有差距
Pookie World多智能体世界实现非玩家依赖的社会涌现，具备稳定人格一致性与防崩坏机制
通过‘50米洗车’常识题测试，GLM-5较匿名版Pony Alpha完成关键修复，体现物理常识建模进步
精华内容
当模型不再只回答问题，而是持续规划、调度工具、维护状态并完成跨天周期的任务时，它的价值就从‘助手’转向‘协作者’。GLM-5的五个实测案例，正是这一转变的具象切片。
架构升级
GLM-5参数量从GLM-4.7的355B（激活32B）提升至744B（激活40B），预训练数据由23T token增至28.5T token。核心差异在于两方面：一是自研Slime强化学习框架，支持异步智能体训练，使模型可在数十步操作的长程工程任务中维持策略一致性；二是集成DeepSeek稀疏注意力机制，在保持128K上下文处理效果无损前提下，Token Efficiency提升约37%，部署成本显著降低。这使得处理百万行级代码仓库的Agent任务成为可能。
编程对标
在权威编程评测中，GLM-5在SWE-bench-Verified（验证版软件工程基准）得分77.8，Terminal Bench 2.0得分56.2，均为当前开源模型最高分，超越Gemini 3 Pro。在智谱内部Claude Code评估集上，GLM-5在前端开发、后端重构、深度调试三类长程任务中平均得分较GLM-4.7提升22.6%，能以人工干预率低于15%完成Agentic全流程执行。对比闭源模型，其体感接近Claude Opus 4.5，但在复杂工具链调用稳定性上仍略逊于Opus 4.6。
工程复现
在‘一键克隆Claude界面’任务中，GLM-5生成的HTML+Tailwind代码实现整体布局与组件结构可用，但字体气质、行高节奏、阴影层级等设计系统细节未完全对齐，综合完成度约80分，需人工微调方可交付。而在macOS Sonoma桌面仿真任务中，其生成的单HTML文件完整实现了Finder窗口管理、Dock毛玻璃动效、菜单栏交互及多应用状态同步，视觉还原度达90%，已属高质量演示级Demo；但动画弹性曲线、文件图标像素级精度、Finder功能完整性等系统级打磨仍未达原生OS水准。
智能体实践
基于GLM-5构建的Pookie World多智能体社会，采用生物—心理双层驱动框架，使Agent具备饥饿、社交需求等内在动机，能在无玩家干预下自发演化冲突与协作。实测显示，100个Agent连续运行72小时后，人设漂移率低于3.2%，叙事断裂事件为0次，长程记忆整合准确率达94.7%。另一案例中，GLM-5驱动的AI论文探索工具已提交App Store审核，支持Hugging Face每日TOP10论文自动抓取、竖屏无限滚动与动态卡片摘要，从Prompt输入到可上架产品耗时不足48小时。
常识短板
在‘步行50米去洗车’常识题中，GLM-5正式版答对，而早期匿名版Pony Alpha答错。测试表明，该题错误主因是模型过度依赖语料中高频共现模式（如‘50米→步行’），忽略‘洗车需用车’的物理约束。GPT-5.2、Gemini 3 Pro均答对，Claude Opus 4.5亦通过；GLM-5的修复说明其在常识消歧模块引入了显式物理规则校验机制。但同类题目扩展测试显示，其在涉及多步因果链（如‘停电→冰箱停转→食物变质’）的推理准确率仍为68.3%，低于Claude Opus 4.6的89.1%。
GLM-5标志着开源大模型正式切入系统工程深水区：它不追求单点爆发力，而强调长程稳定性、工具调度鲁棒性与多智能体协同可信度。对专业开发者而言，它是可嵌入工作流的生产力组件；对研究者而言，它是验证Agent架构的开放沙盒。当模型开始经营虚拟公司、维护数字城市、交付可上架应用，我们不得不重新定义‘可用’的尺度——它不再只是回答正确，而是持续做对。下一个问题或许是：谁来为这些长程协作者设定伦理锚点？
