GLM5以744B参数、MOE架构与深度国产芯片适配，实测编程与Agent能力达开源第一。它不再仅是代码助手，而是能规划系统、经营模拟的系统级AI，标志着国产大模型进入能力跃迁新阶段。
智能速览
参数规模翻倍至744B，预训练数据达28.5T tokens，激活参数提升至40B
采用256专家MOE架构，每次动态激活8个专家，部署成本降低30%以上
SWE Bench Verified得分77.8、Terminal Bench 2.0得分56.2，均为当前开源模型第一
在VendingBench2经营模拟中实现4432美元账户余额，展现强规划与决策能力
完成华为昇腾、摩尔线程等7家国产芯片深度适配，实现全栈自主可控
MIT协议开源，支持RTX 4090等消费级GPU部署，显著降低开发者参与门槛
精华内容
当一个模型能在自动售货机经营模拟中达成4432美元收益，在真实工程问题评测中超越所有开源对手，它的意义已远超技术参数本身。
参数跃升
GLM5参数量达744B，较前代GLM-4的355B实现翻倍增长。预训练数据扩容至28.5T tokens，相当于模型‘阅读’文本量增加近一倍。实测表明，在相同任务下，其上下文理解准确率提升19%，长文档摘要关键信息召回率达92.3%，较GLM-4提高11.7个百分点。这一规模跃升直接支撑了复杂推理与多步骤任务的稳定性。
MOE架构实效
GLM5首次在国产大模型中规模化应用256专家MOE架构，单次推理仅激活8个专家。对比同等参数量的稠密模型，其推理延迟降低37%，显存占用减少42%。在本地RTX 4090部署测试中，7B精调版本可稳定维持28 token/s输出速度，而同配置下运行稠密744B模型会触发显存溢出。该设计使高性能与低门槛首次实现兼容。
编程能力突破
在SWE Bench Verified评测中，GLM5得分77.8，大幅领先第二名Qwen2.5-72B（68.1分），成为首个在该权威工程评测中登顶的开源模型。其解决GitHub真实Issue的成功率达63.4%，其中涉及多文件协同修改、测试用例生成与CI流程修复的完整链路成功率超51%。终端操作类任务（Terminal Bench 2.0）得分56.2，接近Cloud Open 4.5的58.9分，证明其已具备生产环境级脚本编写与系统管理能力。
Agent能力进阶
GLM5在BriarsComp、MCP Atlas与TU SquareBench三项Agent专项评测中全部位列开源第一。VendingBench2经营模拟测试中，模型自主完成选品、定价、库存补货、故障响应全流程，最终账户余额达4432美元，超出基线模型均值2.3倍。这反映其任务分解准确率提升至89%，跨步骤状态一致性保持时间延长至平均17步，已初步具备长周期目标导向行为能力。
国产化落地
GLM5完成与华为昇腾910B、摩尔线程MTT S4000、寒武纪MLU370等7款国产AI芯片的全栈适配，推理吞吐量达同类国际模型在对应芯片上的94%-102%。在昇腾910B单卡环境下，744B模型INT4量化后推理速度达15.8 token/s，较未适配版本提升2.1倍。这意味着核心算法与底层硬件首次实现性能对齐，摆脱对英伟达A100/H100的依赖。
GLM5的价值不仅在于刷新开源榜单，更在于它验证了一条可行路径：通过架构创新平衡性能与成本，借力国产硬件实现技术自主，以真实场景评测定义能力边界。当模型开始经营售货机、搭建高并发电商系统，AI正从工具层迈向系统层。下一个问题或许是：谁将率先把这种系统级智能，转化为普通人可感知的产品体验？
