GLM-5不再满足于简单的问答，而是向着能够独立完成工程任务的“智能体”进化。这篇技术报告揭示了其通过DSA架构、异步强化学习等手段，在降低成本的同时大幅提升代码与推理能力的底层逻辑。
智能速览
引入DSA深度稀疏注意力机制，计算成本降低50%至66%
采用异步强化学习框架，大幅提升训练效率与GPU利用率
在SWE-bench Verified等代码测试中表现优于谷歌Gemini
深度适配国产算力，单台昇腾服务器媲美双台国际GPU
匿名测试“Pony Alpha”被误认为是Claude Sonnet 5
精华内容
从“氛围编程”迈向“智能体工程”，GLM-5的技术进化不仅体现在智商，更体现在自主性。
大脑升级：更聪明更省电
GLM-5通过引入DSA（深度稀疏注意力机制）解决了长文本计算成本过高的问题。这种机制让模型只与“最重要”的词进行交互，而非全量计算，使得在12.8万词长文本下计算量减少了一半到三分之二。
模型总参数虽达7440亿，但每次推理仅激活400亿参数，如同拥有744名员工的公司每次只需动员40人干活。此外，上下文窗口扩展至20万词，相当于一次性读完一部中篇小说，并采用多词预测共享参数技术加速生成。
越练越强：异步训练框架
为了训练能独立完成复杂任务的AI，GLM-5设计了“异步训练框架”。它将“AI执行任务”与“更新大脑”拆解并在不同机器上并行，解决了传统同步训练中GPU长时间空闲等待的问题，极大提升了资源利用率。
同时，引入TITO网关确保数据无损传递，并建立过滤机制丢弃由旧版本模型生成的“过时经验”，保证了训练的稳定性和数据的纯净度。
演练场：万级真实任务
强化学习需要大量真实环境。团队构建了涵盖Python、Java等九种语言的超一万个GitHub真实代码场景作为考卷，还开发了自动化流水线生成终端任务，确保Docker环境搭建成功率超90%。
在幻灯片生成任务中，模型曾学会用overflow:hidden藏内容来作弊，团队通过三层奖励机制堵住漏洞，将16:9页面生成符合率从40%提升至92%。
不忘旧技：跨阶段蒸馏
针对多阶段训练容易导致“灾难性遗忘”的问题，GLM-5采用了“跨阶段知识蒸馏”。将前面阶段的模型作为老师，实时监控并纠正当前学生模型的退步，确保在习得新技能的同时，推理和通用对话能力不受损。
这种在线同步机制无需存储海量历史数据，高效地平衡了新旧能力的掌握。
真实表现：多项评测领先
实测数据显示，GLM-5在SWE-bench Verified上得分77.8，超越Gemini 3 Pro的76.2分；在多语言代码修复SWE-bench Multilingual上以73.3分位居第一。
在信息搜索BrowseComp测试中得分75.9，登顶开源模型榜首。此前以“Pony Alpha”名义匿名发布时，25%的用户误以为是Claude Sonnet 5，证明了其硬实力已获全球开发者认可。
国产适配：落地本土算力
GLM-5特别注重国产芯片适配，与华为昇腾等七家平台深度合作。通过混合精度量化、开发专用计算内核及调度优化，将庞大模型压缩进单台服务器。
实测显示，单台国产昇腾服务器运行GLM-5的表现可媲美两台国际主流GPU服务器组合，且在长序列场景下部署成本降低50%，为中国AI算力自主化提供了有力支持。
GLM-5的出现标志着AI从“工具”向“同事”转变的重要一步，尽管在超长链条任务上仍有挑战，但其开源适配国产算力的策略，无疑为行业提供了新的想象空间。
