智譜GLM-5驗(yàn)證了Agentic Engineering的可行性，但成本正在變得更顯性。

作者｜周悅

編輯｜王博

今天，智譜上線并開(kāi)源GLM-5，其在Coding與Agent能力上，取得開(kāi)源SOTA表現(xiàn)，在真實(shí)編程場(chǎng)景的使用體感逼近 Claude Opus 4.5，擅長(zhǎng)復(fù)雜系統(tǒng)工程與長(zhǎng)程Agent任務(wù)。

在全球權(quán)威的Artificial Analysis榜單中，GLM-5位居全球第四、開(kāi)源第一，圖片來(lái)源：智譜

這一發(fā)布直接刺激了資本市場(chǎng)，智譜股價(jià)一度漲超41%。截至收盤(pán)，智譜股價(jià)報(bào)402港元/股，漲幅為28.68%，市值為1792.3億港元。

值得注意的是，智譜稱GLM-5為“Agentic Engineering時(shí)代最好的開(kāi)源模型”。

什么是Agentic Engineering？為什么智譜要強(qiáng)調(diào)這個(gè)概念呢？

1.從“氛圍”到“工程”

如果說(shuō)AI行業(yè)需要尋找一位能精準(zhǔn)捕捉技術(shù)風(fēng)向的觀測(cè)者，特斯拉前AI總監(jiān)、OpenAI創(chuàng)始成員Andrej Karpathy無(wú)疑是最佳人選。

2025年2月，他提出Vibe Coding（氛圍編碼）概念。開(kāi)發(fā)者不再逐行寫(xiě)代碼，而是用自然語(yǔ)言描述意圖，讓模型在一種更像即興創(chuàng)作的狀態(tài)里生成實(shí)現(xiàn)。這種體驗(yàn)帶來(lái)了一段明顯的“編程蜜月期”：生成更快、試錯(cuò)更便宜、上手更輕松。

但一年后，Karpathy拋出了一個(gè)更現(xiàn)實(shí)的概念：Agentic Engineering（代理工程）。他的關(guān)注點(diǎn)不再是單純地追求生成代碼，而是試圖讓AI交付完整的工程閉環(huán)。

從“氛圍”到“工程”的轉(zhuǎn)變，折射出一個(gè)更直觀的行業(yè)變化：寫(xiě)代碼的門(mén)檻在降低，但讓模型跑完工程的門(mén)檻并沒(méi)有同步下降。

在「甲子光年」看來(lái)，要讓Agentic Engineering真的跑起來(lái)，需要滿足兩個(gè)條件：模型能力強(qiáng)，成本可接受。

我們把它粗略概括為一個(gè)便于理解的表達(dá)：Agentic Engineering的擴(kuò)散性 ≈ 能力閾值 × 成本閾值。

前者決定可行性，后者決定普及率。沒(méi)有足夠的智能，循環(huán)會(huì)放大錯(cuò)誤；能力足夠時(shí)，成本會(huì)變成新的瓶頸。這種范式往往會(huì)更早落在預(yù)算更充足、對(duì)收斂速度更敏感的團(tuán)隊(duì)里。

今天，智譜GLM-5的發(fā)布與GLM Coding Plan價(jià)格體系調(diào)整，讓這兩個(gè)變量在同一個(gè)時(shí)間點(diǎn)上顯得更清晰。

Andrej Karpathy發(fā)布博文，圖片來(lái)源：X平臺(tái)

理解這次轉(zhuǎn)變，需要還原開(kāi)發(fā)者的真實(shí)工作流。

在Vibe Coding時(shí)代，一個(gè)后端開(kāi)發(fā)者使用Cursor等編程工具時(shí)，典型循環(huán)往往是：人類(lèi)輸入—模型輸出—人類(lèi)驗(yàn)證—模型修改——人類(lèi)確認(rèn)。它提高了生成效率，但沒(méi)有消除人工介入的難題。

Karpathy對(duì)此的總結(jié)很精準(zhǔn)：“很好、很有趣，而且幾乎能行得通。（It was good and fun and it almost worked）”

關(guān)鍵就在“幾乎”。

當(dāng)任務(wù)開(kāi)始變長(zhǎng)、上下文變復(fù)雜、回歸測(cè)試變多時(shí)，人類(lèi)介入的頻率并不會(huì)下降，開(kāi)發(fā)者依然需要反復(fù)確認(rèn)。瓶頸逐漸從代碼生成速度轉(zhuǎn)向開(kāi)發(fā)者的驗(yàn)證速度。

Agentic Engineering試圖打破的，正是這種線性依賴，讓模型把“找—改—測(cè)—再改—再測(cè)”的閉環(huán)盡量跑完，人類(lèi)更多在關(guān)鍵節(jié)點(diǎn)介入，最終對(duì)結(jié)果負(fù)責(zé)。開(kāi)發(fā)者的角色也隨之變化，從寫(xiě)代碼的人變成更像“監(jiān)督者”。

在這樣的語(yǔ)境下，GLM-5之所以值得被討論，是因?yàn)?strong>它為開(kāi)源模型能否更接近代碼代理工作流，提供了一個(gè)可觀察樣本，也就是把公式左側(cè)的變量（能力閾值）推到了一個(gè)更高的位置。

根據(jù)智譜披露的結(jié)果，在衡量AI解決真實(shí)GitHub問(wèn)題能力的權(quán)威榜單SWE-bench Verified上，GLM-5取得了77.8的成績(jī)，這一數(shù)據(jù)逼近了閉源模型的第一梯隊(duì)。與此同時(shí)，在部分第三方公開(kāi)榜單下，GLM-5也處于開(kāi)源模型的前列。

這些分?jǐn)?shù)當(dāng)然不是全部意義，但它們至少指向一個(gè)變化：在給定代碼倉(cāng)庫(kù)、給定驗(yàn)證條件的任務(wù)設(shè)定下，開(kāi)源模型完成更長(zhǎng)程的規(guī)劃、反思與自我修正，正在變得更可行。

大模型評(píng)估結(jié)果，圖片來(lái)源：智譜

從智譜披露的技術(shù)路徑來(lái)看，GLM-5在幾個(gè)關(guān)鍵維度上做了面向長(zhǎng)流程任務(wù)的強(qiáng)化：

• 參數(shù)規(guī)模擴(kuò)展：參數(shù)規(guī)模擴(kuò)展至744B（激活40B），預(yù)訓(xùn)練數(shù)據(jù)量提升，增強(qiáng)了通用智能；

• 異步強(qiáng)化學(xué)習(xí)：引入“Slime”框架和異步智能體強(qiáng)化學(xué)習(xí)算法，使模型能夠從長(zhǎng)程交互中持續(xù)學(xué)習(xí)；

• 稀疏注意力機(jī)制：集成DeepSeek Sparse Attention，保證了在處理長(zhǎng)上下文時(shí)的效果無(wú)損，提升token效率。

更值得注意的是，智譜表示，GLM-5已完成與華為昇騰、摩爾線程、寒武紀(jì)、昆侖芯、沐曦、燧原、海光等多家國(guó)產(chǎn)算力平臺(tái)的深度推理適配與優(yōu)化。這說(shuō)明，在部署路徑上，它正在探索一種更可落地的工程組合方式。

這共同指向了一個(gè)結(jié)論：開(kāi)源模型在“更接近工程閉環(huán)”這一維度上，正在跨過(guò)更高的能力門(mén)檻。

2.現(xiàn)實(shí)的成本問(wèn)題

當(dāng)能力門(mén)檻被抬上去之后，公式右側(cè)的變量“成本閾值”會(huì)更快變成現(xiàn)實(shí)問(wèn)題。

Agentic Engineering的核心邏輯是“循環(huán)”。一次真實(shí)的修復(fù)任務(wù)往往并不是一問(wèn)一答，而是多輪定位、修改、測(cè)試與復(fù)盤(pán)。在這種模式下，Token消耗與推理時(shí)長(zhǎng)通常會(huì)顯著高于普通對(duì)話。

換句話說(shuō)，它不是“更省錢(qián)地寫(xiě)代碼”，而是用更密集的算力去置換人類(lèi)的時(shí)間。

2月12日，智譜發(fā)布價(jià)格調(diào)整說(shuō)明，宣布 GLM Coding Plan取消首購(gòu)優(yōu)惠，整體價(jià)格上調(diào)，漲幅自30%起，將原因歸于需求增長(zhǎng)與高負(fù)載下的穩(wěn)定性與服務(wù)質(zhì)量保障。

這些信息共同指向一個(gè)更明確的現(xiàn)實(shí)：當(dāng)模型開(kāi)始被更頻繁地當(dāng)作生產(chǎn)力工具使用，成本會(huì)更早變成賬單。

因此，“漲價(jià)”本身不必被簡(jiǎn)化為單一結(jié)論。更準(zhǔn)確的說(shuō)法是：能力閾值在上升，成本閾值也更顯性。

GLM-5的案例一定程度說(shuō)明，未來(lái)的軟件工程可能會(huì)呈現(xiàn)出一種分層態(tài)勢(shì)：

• 在Vibe Coding層，對(duì)于日常、短程的輔助開(kāi)發(fā)，低成本、快響應(yīng)的模型依然是主流；

• 在Agentic Engineering層，面向關(guān)鍵任務(wù)、復(fù)雜架構(gòu)調(diào)整或必須快速收斂的問(wèn)題，更強(qiáng)的代理工程能力，更像一種需要付費(fèi)的“加速券”——用更高的推理預(yù)算，換取更快的工程收斂。

對(duì)大公司和追求極致效率的團(tuán)隊(duì)來(lái)說(shuō)，這是一筆算得過(guò)來(lái)的投入；而對(duì)于更廣泛的個(gè)人開(kāi)發(fā)者，這或許意味著需要更精細(xì)地計(jì)算 ROI（投資回報(bào)率）。

我們或許已經(jīng)看到了一個(gè)更接近現(xiàn)實(shí)的結(jié)論：模型能力決定Agentic Engineering正在走向現(xiàn)實(shí)；成本，決定它能擴(kuò)散到多遠(yuǎn)。

（封面圖來(lái)源：AI生成）