智谱最新发布的GLM-5模型在参数量翻倍的同时，通过架构创新实现了推理成本的精细控制。其核心升级在于注意力机制和MoE层的扩容，这让模型在多项基准测试中表现突出，甚至在部分领域超越了GPT-4.5和Claude等国际顶尖模型，展现了国产大模型的新突破。
智能速览
GLM-5采用MLA+DSA注意力机制，显著提升推理效率。
参数量增至744B，但通过MoE架构，单次推理激活仅40B。
综合知识能力评测中，GLM-5成绩领先所有对比模型。
智能体能力成为新战场，GLM-5在网页浏览任务中表现最佳。
MLA与MoE结合正成为行业主流技术路线。
精华内容
智谱GLM-5的进步并非简单的参数堆砌，其背后是精巧的架构设计与对训练和推理成本的深刻理解。让我们深入其技术细节，探究它性能提升的真正原因。
架构三大升级
从GLM-4.7到GLM-5，架构并非简单放大，而是有三项关键调整。首先，注意力机制从主流的GQA升级为MLA（多头潜在注意力）与DSA（深度顺序稀疏注意力）结合，此举能大幅压缩KV Cache，在长上下文推理时更省、更快。
其次，MoE层显著扩容，专家数量从160个增至256个，输入维度也从5120提升至6144，知识容量大幅增加，但因每次仍只激活8个专家，推理开销增长有限。
最后，整体结构更“矮胖”，层数从92层减至78层，但每层更宽，Embedding维度增至6144，这有助于提升训练速度和并行效率。
核心能力跑分
架构升级最终体现在性能上。在代码能力（SWE-bench Verified）方面，GLM-5相较4.7有明显提升，但暂时略逊于Claude和GPT-4.5。
然而，在代表智能体能力的网页浏览任务（BrowseBench）中，GLM-5以75.9分超越所有对手，包括Claude的65.8分。在模拟商业场景收益的VendingBending Bench测试中，GLM-5相比前代增长显著，但Gemini Pro仍保持领先。
最亮眼的是在人类最后考试（Human’s Latest Exam）这类综合性知识评测中，GLM-5取得了遥遥领先的分数。
竞争格局洞察
GLM-5的出现标志着国产大模型与国际顶尖选手的差距已微乎其微，部分领域甚至实现反超。这背后反映出一个技术趋势：以DeepSeek和智谱为代表，MLA与MoE结合的技术路线正在成为行业共识，旨在以大参数、低激活的方式平衡效果与成本。
同时，一个明确的信号是，Agent能力，包括代码修复、网页浏览、工具调用等，正成为模型竞争的新焦点。谁能在应用层率先突破，谁就可能在下一轮竞争中占据优势。
智谱GLM-5的发布不仅是参数量的竞赛，更是架构优化的胜利。它证明了国产大模型有能力在核心技术上与国际巨头一较高下，并指明了效率与智能体能力是未来发展的关键。当技术壁垒逐渐模糊，下一个引爆点会是什么？
