上周，龍蝦圈開始流傳一個神秘模型的名字：Pony-Alpha-2。

沒有發(fā)布會，沒有官方介紹，它就這么悄悄跑在智譜的 AutoClaw 澳龍里，開放給用戶內測。沒想到口碑一路發(fā)酵，于是大家都在問：這個匿名 AI 到底是什么模型？

今天，謎底揭開了。它就是 GLM-5-Turbo，智譜今天正式發(fā)布的「全球首個龍蝦模型」，也是智譜自 2025 年以來首個閉源模型。

通用模型跑龍蝦，為什么老是掉鏈子

養(yǎng)過龍蝦的用戶大概都有這個體感：讓模型聊天、寫東西，挺順的。但真讓它跑任務，走到第三步往往就開始出問題。工具調用報錯、忘記上下文、長任務中途崩掉，各種情況都有。

這個問題的根不在框架，在底層模型本身。通用大模型的訓練目標是對話，執(zhí)行工作流完全是另一回事。一旦進入多步驟、多工具串聯(lián)、需要持續(xù)跑的真實龍蝦場景，就力不從心了。

GLM-5-Turbo 的出發(fā)點就是解這個問題。從訓練數(shù)據(jù)構造到優(yōu)化目標，全鏈路針對龍蝦場景做專項優(yōu)化，重點練了五塊能力。

工具調用方面，強化對外部工具和各類 Skill 的穩(wěn)定調用，不掉鏈子是基本要求。指令遵循方面，復雜多層的長指令能準確拆解，支持識別目標、規(guī)劃步驟、多智能體分工協(xié)作。

定時和持續(xù)性任務是另一個重點，模型能理解時間維度上的指令，處理定時觸發(fā)場景，長任務持續(xù)執(zhí)行不中斷。編程能力延續(xù)了 GLM 系列強勢，能以極低人工干預完成長程 Agentic 工程任務，從 Vibe Coding 邁向 Agentic Engineering。速度上，高吞吐長鏈路場景也做了專項提速，響應穩(wěn)定性領跑同類模型。

評測層面，GLM-5-Turbo 在智譜自研的龍蝦場景端到端基準 ZClawBench 中拿下國產(chǎn)模型第一。

ZClawBench 的誕生有一定的背景。

隨著 OpenClaw 普及，當前任務類型已覆蓋安裝配置、代碼開發(fā)、信息搜集、數(shù)據(jù)分析、內容創(chuàng)作等多元化場景。

用戶群體也從早期開發(fā)者擴展到效率辦公人群、金融從業(yè)者、運維工程師、內容創(chuàng)作者與研究分析人員。ZClawBench 正是基于這批真實用例構建的，目前題庫和測試軌跡已全面公開。

此外，GLM-5-Turbo 還接入了軟通動力旗下機械革命盒子，打造原生 AI Agent 終端體驗。不過，這次發(fā)布有個插曲值得單說。GLM-5-Turbo 的 API 價格也迎來今年的第二次漲價，較 GLM-5 上調 20%。

盡管考慮到龍蝦任務動輒涉及數(shù)十輪工具調用與上下文銜接，一個典型的跨部門會議紀要整理和任務分發(fā)，token 消耗遠超普通對話。但對企業(yè)來說，算賬的維度也正在發(fā)生變化——

花多少 token 已經(jīng)不是關鍵，AI 員工幫省了多少人力才是重中之重。

隨模型一起發(fā)布的是面向個人和企業(yè)的龍蝦套餐，個人版和 Team 版都有。

無論是一人公司、創(chuàng)業(yè)團隊，還是大中型企業(yè)，都能根據(jù)自身業(yè)務規(guī)模靈活訂閱，每個賬號最多購買 5 個。企業(yè)可通過 Team 版按實際員工數(shù)靈活訂閱，以可控成本保障 tokens 供給和 AI 員工穩(wěn)定在線。

配套推出的企業(yè)級安全管理體系「Claw for Enterprise Security」，支持對不同類型 Claw 進行統(tǒng)一調度與權限編排。通過集中化管控臺，可以對每一個 Agent 任務的執(zhí)行路徑、工具調用鏈路和資源消耗進行實時可視化監(jiān)控。

龍蝦模型，瞄準企業(yè)入口

光看介紹不夠，用真實任務測了一下，說說體感。

第一個場景非常簡單，定一個 10 分鐘后的鬧鐘，時間到了飛書提醒「起來動一動」。模型直接回復已設定 14:22 提醒，10 分鐘后飛書準時收到消息，沒有任何需要人工干預的步驟。

第二個場景則是信息搜集，讓它匯總當天科技圈熱點。模型調工具跑了一遍，整理出英偉達 GTC 大會、馬斯克宣布 7 天后啟動 Terafab 造芯、國家新增六大未來重點產(chǎn)業(yè)等要點。

最后一個圖一樂的場景稍微有點折騰。龍蝦跑在飛書妙搭提供的云電腦上，底層是阿里云 ECS 虛擬機。我讓它寫一個溫度監(jiān)控 Skill，寫完封裝好，自動加載生效，超過 40 度飛書預警。問題來了，云虛擬機沒有物理溫度傳感器，直接讀溫度這條路走不通。

模型沒有卡住等我給方向，而是自己依次嘗試了五種讀取方式，都不行之后改用 CPU 負載作為代理指標來估算溫度，并告訴我為什么這么處理。

腳本寫完本地跑通，寫 SKILL.md，注冊進 openclaw.json，觸發(fā)重啟，再跑 doctor 確認加載成功，最后飛書發(fā)來確認：當前溫度 27°C，一切正常。整個鏈路沒有中斷，也沒有等我發(fā)下一條指令。

三個任務跑下來，工具沒掉鏈子，時間指令被準確理解，信息搜集給結論不只是羅列。當然這幾個屬于相對標準的龍蝦任務，更復雜的多智能體協(xié)同場景還需要更多實測。

截至發(fā)稿前，GLM-5-Turbo 現(xiàn)已上線，開發(fā)者和企業(yè)用戶可通過智譜開放平臺 BigModel.cn 或 api.z.ai 調用 API，也可通過龍蝦套餐接入。

GLM Coding Plan Max 已納入 GLM-5-Turbo，Pro 套餐將在本月內支持，Lite 套餐 4 月接入。如需長期穩(wěn)定運行、后臺持續(xù)執(zhí)行或更高負載的 Agent 場景，建議優(yōu)先選擇龍蝦套餐。

AutoClaw 澳龍默認模型已切換為 GLM-5-Turbo，即日起至 3 月 22 日有限時加油包折扣，最高享 3.4 折，加油包自購買起 7 日內有效。

值得關注的是，龍蝦讓普通用戶第一次真正感受到了「AI 在幫我干活」和「AI 在幫我回答問題」的差別。前者需要的能力完全不一樣，這也是為什么專門為龍蝦場景訓練的模型，和通用模型之間會拉開那么明顯的差距。

Agent 時代的競爭，最終拼的可能不是通用能力的高低，而是誰能在特定場景里真正跑通、真正穩(wěn)定、真正被企業(yè)當成生產(chǎn)力工具來用。能力只是入場券，能不能持續(xù)干活才是真正的考題。

附上體驗地址：

• AutoClaw澳龍客戶端：https://autoglm.zhipuai.cn/autoclaw
• Z.ai：z.ai
• 智譜清言APP/網(wǎng)頁版