GLM-5

GLM-5.2 & GLM-5.1 & GLM-5

👋 加入我们的 微信 或 Discord 社区。
📖 查看 GLM-5.2 博客 和 GLM-5 技术报告。
📍 在 Z.ai API 平台 上使用 GLM-5.2 API 服务。
🔜 在 z.ai 上体验 GLM-5.2。

简介

GLM-5.2

GLM-5.2 是我们最新的旗舰模型，专为长周期任务（long-horizon tasks）设计。相较于前代模型 GLM-5.1，它在长周期任务能力上实现了大幅跃升，并且首次将这种能力交付于坚实的 100 万 token 上下文之上。

GLM-5.2 的新能力包括：

• 坚实的 100 万上下文： 稳定的 100 万 token 上下文，可持久支撑长周期工作
• 灵活努力程度的高级编码： 更强的编码能力，支持多种思考努力程度（thinking effort levels），以平衡性能和延迟
• 改进的架构： 我们提出了 IndexShare，它在每四个稀疏注意力层（sparse attention layers）之间复用同一个索引器，在 100 万上下文长度下将每个 token 的 FLOPs 减少了 2.9 倍。我们还改进了 GLM-5.2 的 MTP 层用于推测解码（speculative decoding），使接受长度（acceptance length）提升高达 20%

在标准编码基准测试中，GLM-5.2 是最强的开源模型，相较于 GLM-5.1 提升显著：Terminal-Bench 2.1 上 81.0 vs. 62.0，SWE-bench Pro 上 62.1 vs. 58.4。同时它大幅缩小了与闭源前沿模型之间的差距——在 Terminal-Bench 2.1 (81.0) 上，仅落后 Claude Opus 4.8 (85.0) 几分，同时领先 Gemini 3.1 Pro。

更多详情请查看我们的博客。

GLM-5.1

GLM-5.1 是我们面向智能体工程（agentic engineering）的下一代旗舰模型，其编码能力相较前代显著增强。它在 SWE-Bench Pro 上取得了最先进的性能，并且在 NL2Repo（仓库生成）和 Terminal-Bench 2.0（真实终端任务）上大幅领先 GLM-5。

但最有意义的飞跃不止于初次通过的性能。以往的模型——包括 GLM-5——往往过早耗尽策略：它们会应用熟悉的技术快速获得初期收益，然后陷入停滞。给它们更多时间也无济于事。

相反，GLM-5.1 的设计初衷是在更长的时间跨度内对智能体任务保持高效。我们发现，该模型能以更好的判断力处理模糊问题，并在更长的会话中保持高效产出。它能分解复杂问题、进行实验、读取结果，并以极高的精准度识别阻塞点。通过反复推敲推理过程并迭代修正策略，GLM-5.1 能在数百轮交互和数千次工具调用中持续优化。运行时间越长，结果越好。

GLM-5

我们推出 GLM-5，目标定位于复杂系统工程和长周期智能体任务。扩展规模（scaling）仍然是提升人工通用智能效率的最重要途径之一。相较于 GLM-4.5，GLM-5 从 355B 参数（32B 活跃）扩展至 744B 参数（40B 活跃），并将预训练数据从 23T token 增加到 28.5T token。GLM-5 还集成了 DeepSeek 稀疏注意力（DSA），在保持长上下文能力的同时大幅降低了部署成本。

强化学习旨在弥合预训练模型从胜任到卓越之间的差距。然而，在大语言模型中大规模部署强化学习是一个挑战，因为 RL 训练效率较低。为此，我们开发了 slime，一种新颖的异步 RL 基础设施，可大幅提升训练吞吐量和效率，支持更细粒度的后训练迭代。凭借预训练和后训练两方面的进步，GLM-5 在广泛的学术基准测试中相较于 GLM-4.7 取得了显著提升，并在推理、编码和智能体任务上达到全球所有开源模型中的最佳水平，缩小了与前沿模型的差距。

GLM-5 专为复杂系统工程和长周期智能体任务而设计。在我们的内部评测套件 CC-Bench-V2 上，GLM-5 在前端、后端和长周期任务上均显著优于 GLM-4.7，缩小了与 Claude Opus 4.5 的差距。

在衡量长期运营能力的基准测试 Vending Bench 2 上，GLM-5 在开源模型中排名第一。Vending Bench 2 要求模型在一年时间周期内运营一个模拟自动售货机业务；GLM-5 以 4,432 美元的最终账户余额完成测试，接近 Claude Opus 4.5，展示了强大的长期规划和资源管理能力。

模型下载

模型	下载链接	模型大小	精度
GLM-5.2	🤗 Hugging Face 🤖 ModelScope	744B-A40B	BF16
GLM-5.2-FP8	🤗 Hugging Face 🤖 ModelScope	744B-A40B	FP8
GLM-5.1	🤗 Hugging Face 🤖 ModelScope	744B-A40B	BF16
GLM-5.1-FP8	🤗 Hugging Face 🤖 ModelScope	744B-A40B	FP8
GLM-5	🤗 Hugging Face 🤖 ModelScope	744B-A40B	BF16
GLM-5-FP8	🤗 Hugging Face 🤖 ModelScope	744B-A40B	FP8

本地部署 GLM-5 系列

GLM-5.2 支持通过以下框架进行部署。欢迎试用：

• SGLang (v0.5.13.post1+) — 参见 cookbook
• vLLM (v0.23.0+) — 参见 recipes
• Transformers (v0.5.12+) — 参见 transformers 文档
• KTransformers (v0.5.12+) — 参见 教程
• 在 Ascend NPU 平台上部署时，支持 vLLM-Ascend、xLLM 和 SGLang 等推理框架 — 参见此处。

GLM-5 支持通过 reasoning_effort 参数控制思考预算，该参数接受两个级别：max 和 high。max 为默认值——如果未设置 reasoning_effort（或设置为 high 以外的任何值），模型以 Max 模式运行。要使用 High 级别，必须显式传递 reasoning_effort="high"。对于默认场景（如基准测试/排行榜复现），请保持 Max（无需设置）；仅在您明确需要 High 级别时设置 reasoning_effort="high"。通过设置 enable_thinking=false 可完全关闭思考。

引用

如果您觉得 GLM-5 系列模型对您的研究有帮助，请引用我们的技术报告：

@misc{glm5team2026glm5vibecodingagentic,
      title={GLM-5: from Vibe Coding to Agentic Engineering},
      author={GLM-5-Team and : and Aohan Zeng and Xin Lv and Zhenyu Hou and Zhengxiao Du and Qinkai Zheng and Bin Chen and Da Yin and Chendi Ge and Chenghua Huang and Chengxing Xie and Chenzheng Zhu and Congfeng Yin and Cunxiang Wang and Gengzheng Pan and Hao Zeng and Haoke Zhang and Haoran Wang and Huilong Chen and Jiajie Zhang and Jian Jiao and Jiaqi Guo and Jingsen Wang and Jingzhao Du and Jinzhu Wu and Kedong Wang and Lei Li and Lin Fan and Lucen Zhong and Mingdao Liu and Mingming Zhao and Pengfan Du and Qian Dong and Rui Lu and Shuang-Li and Shulin Cao and Song Liu and Ting Jiang and Xiaodong Chen and Xiaohan Zhang and Xuancheng Huang and Xuezhen Dong and Yabo Xu and Yao Wei and Yifan An and Yilin Niu and Yitong Zhu and Yuanhao Wen and Yukuo Cen and Yushi Bai and Zhongpei Qiao and Zihan Wang and Zikang Wang and Zilin Zhu and Ziqiang Liu and Zixuan Li and Bojie Wang and Bosi Wen and Can Huang and Changpeng Cai and Chao Yu and Chen Li and Chengwei Hu and Chenhui Zhang and Dan Zhang and Daoyan Lin and Dayong Yang and Di Wang and Ding Ai and Erle Zhu and Fangzhou Yi and Feiyu Chen and Guohong Wen and Hailong Sun and Haisha Zhao and Haiyi Hu and Hanchen Zhang and Hanrui Liu and Hanyu Zhang and Hao Peng and Hao Tai and Haobo Zhang and He Liu and Hongwei Wang and Hongxi Yan and Hongyu Ge and Huan Liu and Huanpeng Chu and Jia'ni Zhao and Jiachen Wang and Jiajing Zhao and Jiamin Ren and Jiapeng Wang and Jiaxin Zhang and Jiayi Gui and Jiayue Zhao and Jijie Li and Jing An and Jing Li and Jingwei Yuan and Jinhua Du and Jinxin Liu and Junkai Zhi and Junwen Duan and Kaiyue Zhou and Kangjian Wei and Ke Wang and Keyun Luo and Laiqiang Zhang and Leigang Sha and Liang Xu and Lindong Wu and Lintao Ding and Lu Chen and Minghao Li and Nianyi Lin and Pan Ta and Qiang Zou and Rongjun Song and Ruiqi Yang and Shangqing Tu and Shangtong Yang and Shaoxiang Wu and Shengyan Zhang and Shijie Li and Shuang Li and Shuyi Fan and Wei Qin and Wei Tian and Weining Zhang and Wenbo Yu and Wenjie Liang and Xiang Kuang and Xiangmeng Cheng and Xiangyang Li and Xiaoquan Yan and Xiaowei Hu and Xiaoying Ling and Xing Fan and Xingye Xia and Xinyuan Zhang and Xinze Zhang and Xirui Pan and Xu Zou and Xunkai Zhang and Yadi Liu and Yandong Wu and Yanfu Li and Yidong Wang and Yifan Zhu and Yijun Tan and Yilin Zhou and Yiming Pan and Ying Zhang and Yinpei Su and Yipeng Geng and Yong Yan and Yonglin Tan and Yuean Bi and Yuhan Shen and Yuhao Yang and Yujiang Li and Yunan Liu and Yunqing Wang and Yuntao Li and Yurong Wu and Yutao Zhang and Yuxi Duan and Yuxuan Zhang and Zezhen Liu and Zhengtao Jiang and Zhenhe Yan and Zheyu Zhang and Zhixiang Wei and Zhuo Chen and Zhuoer Feng and Zijun Yao and Ziwei Chai and Ziyuan Wang and Zuzhou Zhang and Bin Xu and Minlie Huang and Hongning Wang and Juanzi Li and Yuxiao Dong and Jie Tang},
      year={2026},
      eprint={2602.15763},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2602.15763},
}