2月12日，智譜發(fā)布GLM-5，技驚四座。10天后技術(shù)報告出爐，讓人們一窺GLM-5模型的內(nèi)在基因。

有意思的不是又刷了什么榜，而是整個思路變了：不再比參數(shù)大小，開始比系統(tǒng)工程能力。

GLM-5做的三件事都挺實在：1、模型真的能完成復(fù)雜任務(wù)了，不只是寫幾行代碼；2、訓(xùn)練效率上了一個臺階，超大模型不再是純燒錢游戲；3、從底層到推理框架全面適配國產(chǎn)芯片——這個最關(guān)鍵。

如果說之前是“中國在追趕”，現(xiàn)在則已經(jīng)開始搭自己的技術(shù)體系了。

從"給代碼"到"做系統(tǒng)"

報告提了個概念轉(zhuǎn)變：從 Vibe Coding 到 Agentic Engineering。前者是你說一句我給段代碼，后者是你給目標(biāo)、我自己規(guī)劃拆解、寫代碼調(diào)工具、調(diào)試迭代，直到把整個系統(tǒng)搞定。

GLM-5的重點已經(jīng)不是單題得分，而是：

200K上下文（幾百頁文檔的量）
跨文件軟件工程任務(wù)
長周期任務(wù)中持續(xù)規(guī)劃修正
多輪交互保持思考一致性

比如 Vending-Bench 2 要求"模擬經(jīng)營自動售貨機(jī)一年"，最后看賬戶余額。GLM-5在開源模型里第一，接近 Claude Opus 4.5。這測的是長期決策能力，不是問答題。

模型開始有"工程級智能"了。

稀疏注意力：不再無腦燒算力

GLM-5有744B參數(shù)（激活40B），訓(xùn)練了28.5萬億token。按傳統(tǒng)架構(gòu)，算力消耗會爆炸。

核心創(chuàng)新是DSA（DeepSeek稀疏注意力）。傳統(tǒng)注意力機(jī)制"看所有內(nèi)容"，計算復(fù)雜度平方級增長；DSA動態(tài)判斷"哪些token真正重要"，只算關(guān)鍵部分。

200K長上下文下，DSA把注意力計算量降低1.5–2倍。

而且——無損。

其他高效注意力方法通常犧牲精度，DSA通過繼續(xù)預(yù)訓(xùn)練平滑過渡，性能不退化。

結(jié)果是：

• 同樣算力 → 更長上下文
• 同樣成本 → 更高推理能力
• 同樣硬件 → 更大模型

對中國來說，效率創(chuàng)新比堆算力重要得多。

強(qiáng)化學(xué)習(xí)架構(gòu)重構(gòu)

GLM-5的RL體系做了徹底改造。

生成與訓(xùn)練解耦。模型生成軌跡，訓(xùn)練在另一套系統(tǒng)異步進(jìn)行。過去要等最慢任務(wù)完成才繼續(xù)訓(xùn)練，現(xiàn)在誰先完成誰先訓(xùn)練，吞吐大幅提升。對長程Agent任務(wù)至關(guān)重要。

異步Agent RL算法解決了真實軟件工程中任務(wù)持續(xù)數(shù)小時的問題。引入：

• Token-in-Token-out（避免重新分詞誤差）
• 雙側(cè)重要性采樣
• DP-aware路由優(yōu)化KV cache

模型能在復(fù)雜環(huán)境中穩(wěn)定學(xué)習(xí)，不會因策略偏移崩潰。

說白了，解決的是"如何讓大模型在真實任務(wù)中持續(xù)自我改進(jìn)"。

真正關(guān)鍵的一步：適配國產(chǎn)算力

報告對中國AI最重要的部分在這。

GLM-5原生適配國產(chǎn)GPU生態(tài)，已兼容華為昇騰、摩爾線程、海光、寒武紀(jì)、昆侖芯、天數(shù)智芯、燧原。

不是"能跑"那種適配，而是：

• KV cache調(diào)度優(yōu)化
• 通信機(jī)制適配
• 混合精度訓(xùn)練匹配
• INT4量化感知訓(xùn)練對齊
• 分布式并行策略重構(gòu)

很多國產(chǎn)芯片生態(tài)的難點不是算力，是軟件棧。

GLM-5的意義在于：不是圍繞單一海外硬件架構(gòu)設(shè)計，而是面向多種國產(chǎn)算力平臺做系統(tǒng)級適配。

這是個質(zhì)變——中國大模型開始圍繞本土硬件生態(tài)做工程優(yōu)化，不再被動遷移。

報告稱，得益于上述軟硬協(xié)同的極致優(yōu)化，GLM-5 在單臺國產(chǎn)算力節(jié)點上的性能表現(xiàn)，已足可媲美由兩臺國際主流 GPU 組成的計算集群；不僅如此，在長序列處理場景下，其部署成本更是大幅降低了 50%。

軟硬件閉環(huán)正在形成

把GLM-5的技術(shù)路徑拆開看，是個完整閉環(huán)：

模型架構(gòu)創(chuàng)新（DSA）→ 訓(xùn)練效率優(yōu)化（異步RL）→ 內(nèi)存與通信壓縮（ZeRO、激活卸載）→ 低精度對齊（INT4 QAT）→ 國產(chǎn)芯片深度適配

這是一條完整的國產(chǎn)AI工程鏈路。

過去中國AI的優(yōu)勢在應(yīng)用層，現(xiàn)在開始進(jìn)入架構(gòu)創(chuàng)新、算法工程、訓(xùn)練系統(tǒng)、芯片適配、推理框架的全棧優(yōu)化。

這份技術(shù)報告的真正意義，不在某個基準(zhǔn)測試分?jǐn)?shù)，在于中國AI第一次以"體系能力"展示競爭力。

從炫技到成熟

GLM-5的報告沒過度強(qiáng)調(diào)"我們比誰強(qiáng)多少"，詳細(xì)披露訓(xùn)練流程、算法選擇、工程權(quán)衡、消融實驗。這本身就是成熟的表現(xiàn)。

當(dāng)一個模型開始談GPU利用率、長尾延遲、KV cache復(fù)用、量化kernel對齊、災(zāi)難性遺忘控制——它已經(jīng)不是在秀能力，而是在做工業(yè)級系統(tǒng)。

對中國來說，GLM-5更像是一次宣告：我們不僅能做大模型，也能做自己的算力適配，還能把兩者打通。

這才是真正的跨越。