智譜最近站在了風口浪尖上。

1月8日港股上市，45天市值漲了超500%，一度突破3200億港元。

資本市場的熱度還沒消化完，技術社區(qū)又炸了——智譜GLM-5技術報告公開，40頁，把這款模型如何從「AI輔助寫代碼」進化到「自主完成工程任務」的底層路徑，完整交出來了。

a16z最近發(fā)了一張圖，表示開源模型和閉源模型的差距正在快速縮小，GLM-5作為現(xiàn)階段最好的開源模型，已經(jīng)極大拉小了和Claude Opus 4.6的距離。

說起來，過去兩個月我寫了四篇論文解讀——全是DeepSeek的。R1從22頁擴到86頁那篇、mHC殘差連接那篇、Engram記憶論文那篇、OCR 2視覺因果流那篇。寫到后來我自己都在想，是不是要改名叫「DeepSeek論文博主」了。

所以這次換一家。2月17日，智譜發(fā)了GLM-5的技術報告，40頁，標題挺有意思：「GLM-5: from Vibe Coding to Agentic Engineering」——從氛圍編程到智能體工程。

之前我寫過一篇GLM-5的體驗文章（從GLM-4.5到GLM-5，我見證了一個模型從碼農晉升為架構師），聊的是使用感受。這次不一樣，我想認認真真地把這40頁論文拆開，看看里面到底寫了什么。

先看成績單

GLM-5的規(guī)格：744B總參數(shù)，MoE架構，256個專家每次激活8個，實際推理時活躍參數(shù)約40B。預訓練數(shù)據(jù)28.5T tokens，成績確實猛。

Artificial Analysis的Intelligence Index拿了50分，開源模型首次達到這個水平。

SWE-bench Verified 77.8%，開源最高。BrowseComp（聯(lián)網(wǎng)檢索，配合上下文管理）75.9%和MCP-Atlas（工具調用）67.8%，論文稱是全模型最高——不是開源最高，是包括Opus、GPT、Gemini在內所有模型里的最高。

論文里還有一個自研的CC-Bench-V2評測，包含前端開發(fā)、后端開發(fā)和長周期Agent三類任務。在這個基準上，GLM-5整體和Claude Opus 4.5接近。論文很坦誠地承認了一些不如Opus的地方——比如需要極強審美判斷的前端任務。這種坦誠在技術報告里不多見，至少說明數(shù)據(jù)可信度比較高。

成績單到這里，一個問題自然冒出來：資本市場和技術社區(qū)為什么同時這么看好GLM-5？

我覺得有兩個層面。

第一個是定位。論文標題說得很直白：from Vibe Coding to Agentic Engineering。翻譯過來就是，從「程序員用AI輔助寫代碼」變成「Agent 7×24小時自主完成工程任務」。之前的AI編程是人在循環(huán)里——人提需求、AI寫代碼、人檢查、人修改。Agentic Engineering是把人從循環(huán)里拿出來，Agent自己規(guī)劃、自己寫、自己測、自己改bug。

這個轉變意味著什么？意味著AI消耗token的方式從「一次性對話」變成了「持續(xù)運轉」。一個Coding Agent跑一個SWE-bench任務可能要消耗幾萬甚至幾十萬token。當Agent成為主要的token消費者，誰的模型最適合做Agent，誰就占據(jù)了最大的商業(yè)想象力。GLM-5就是沖著這個定位去的。

第二個是技術。讀完40頁論文，我發(fā)現(xiàn)GLM-5的創(chuàng)新主要集中在兩個階段：預訓練階段有兩個巧妙的工程改進，后訓練階段有一套完整的Agent RL訓練體系。后者是重頭戲，但前者也值得先說。

預訓練：兩個巧妙的工程改進

第一個：讓兩個好工具一起工作。

GLM-5同時用了兩項技術：MLA（一種壓縮記憶的方法，省顯存）和Muon（一種更快的訓練優(yōu)化器）。各自都是好東西，但放在一起會打架。

打個比方：MLA的工作方式是把所有信息打包成一個壓縮包，整體處理。Muon的工作方式是把信息拆開，一份一份獨立優(yōu)化。一個要打包，一個要拆包，硬放一起訓練效果就變差。

智譜的解法很樸素——在中間加一步：先把壓縮包拆開讓Muon逐份優(yōu)化，優(yōu)化完再打包回去給MLA用。論文里管這個叫Muon Split。實驗數(shù)據(jù)顯示，這一拆一合確實改善了訓練效果。

第二個：共享參數(shù)的多步預測。

MTP是一種加速推理的技術——讓模型一次預測接下來的多個詞，而不是一個一個蹦。DeepSeek用1個預測層來做這件事。GLM-5更大膽：用3個預測層，但讓這3層共享同一套參數(shù)。

直覺上，3個獨立的預測層應該更強——各自專精嘛。但共享參數(shù)的方案逼著模型學會一種更通用的「多步預測能力」。就像下棋，一個人用同一套棋理連想三步，比三個人各想一步更連貫。

測試數(shù)據(jù)也證實了這一點：同樣的推理步數(shù)下，GLM-5每次預測被接受的詞數(shù)比DeepSeek多約8%，推理更快。

這兩個改進都不是會上頭條的大突破。但做法本身說明一件事：光用好技術不夠，還得讓這些技術在一起配合得好。

后訓練的重頭戲：Slime異步Agent RL

預訓練的改進偏「小而美」。后訓練階段才是GLM-5真正的主戰(zhàn)場，其中最核心的創(chuàng)新是異步Agent RL框架，智譜內部叫「Slime」。

如果說DeepSeek的GRPO讓整個行業(yè)記住了一種新的強化學習優(yōu)化方式，那Slime要解決的問題更往前一步——不是「怎么優(yōu)化RL」，而是「怎么讓Agent RL大規(guī)模跑得起來」。這可能是整篇論文里信息密度最高、也最有行業(yè)價值的部分。

先解釋為什么Agent RL特別難。

傳統(tǒng)的RL訓練是這樣的：模型生成一段文本（比如做一道數(shù)學題），環(huán)境給個分數(shù)，模型根據(jù)分數(shù)調整參數(shù)。整個過程很快，因為「生成答案」和「打分」都可以在GPU集群內部完成。

但Agent RL不一樣。模型不是在做一道題，而是在執(zhí)行一個完整的任務——比如修復GitHub上的一個bug。這意味著模型需要讀代碼、寫代碼、運行測試、看報錯信息、再修改。這個過程可能需要幾十輪對話，每輪都要調用外部工具（代碼編輯器、終端、瀏覽器）。

一個SWE-bench任務的rollout（從頭到尾跑完一個任務）可能要花幾分鐘甚至幾十分鐘。而傳統(tǒng)的數(shù)學推理RL，一次rollout只要幾秒。

這就造成了一個嚴重的效率問題。在Agent RL場景下，絕大部分訓練時間都花在了rollout generation上。GPU集群的大部分時間都在等——等外部工具返回結果。

傳統(tǒng)的同步RL框架（比如OpenRLHF、verl）解決不了這個問題，因為它們假設生成和訓練是緊耦合的：生成一批、訓練一批、再生成一批。當生成要等幾十分鐘時，整個訓練流水線就卡住了。

智譜的解法是完全解耦生成和訓練。

Slime框架的架構是這樣的：

Rollout服務器集群：一堆獨立的服務器，每臺負責執(zhí)行一個Agent任務（讀代碼、調終端、跑測試）。它們有自己獨立的GPU做推理，任務跑完就把trajectory（完整的執(zhí)行軌跡）發(fā)回來。

訓練集群：另一堆GPU，只負責根據(jù)收到的trajectory做參數(shù)更新。不等，有數(shù)據(jù)就訓練。

TITO網(wǎng)關（Token-In-Token-Out）：這是一個很巧妙的中間層。它接收外部服務器發(fā)來的文本，用當前版本的分詞器轉成token，再發(fā)給模型。模型返回的token也由它轉回文字。

TITO為什么重要？因為在異步RL里，rollout服務器上跑的模型版本可能和訓練集群上的不一樣——你生成的時候是v1.3，等你的數(shù)據(jù)到了訓練集群，模型可能已經(jīng)更新到v1.5了。如果直接拿v1.3的token去給v1.5的模型訓練，分詞器都可能對不上（比如v1.5新加了特殊token），就會出錯。

TITO網(wǎng)關通過統(tǒng)一的文本中間層解決了這個問題：不管你哪個版本生成的，我都先轉成文本，再用當前訓練版本的分詞器重新編碼。保證token永遠和模型版本匹配。

另一個問題是off-policy數(shù)據(jù)的穩(wěn)定性。因為生成和訓練不同步，訓練集群收到的數(shù)據(jù)可能來自好幾個歷史版本的模型。用歷史版本的數(shù)據(jù)訓練當前版本的模型，如果不加處理，訓練會不穩(wěn)定甚至崩潰。

智譜用了一個叫「雙側重要性采樣」的方法來處理。傳統(tǒng)重要性采樣只用一個比率（舊策略vs新策略的概率比），Slime用兩個：一個控制token級別的重要性權重，一個控制整個樣本級別的。兩個一起用，既保證了數(shù)據(jù)利用效率，又不會因為某個極端樣本把訓練帶跑偏。

這整套系統(tǒng)不是論文里隨便寫寫的。智譜已經(jīng)把Slime框架開源了（github.com/THUDM/slime） ，任何團隊都可以直接用。

拆開來看，Slime的貢獻其實是兩層的：底層是異步RL基礎設施——把生成和訓練徹底解耦，讓GPU不再干等；上層是異步Agent RL算法——TITO網(wǎng)關和雙側重要性采樣，讓異步訓練在數(shù)學上也站得住腳?；A設施解決「跑得起來」，算法解決「跑得穩(wěn)當」。

我覺得這是GLM-5論文里最值得關注的創(chuàng)新。所有想做Agent的團隊都知道Agent RL效果好，但傳統(tǒng)同步框架讓訓練效率低到不可接受。Slime給出了第一個系統(tǒng)級的解法。這件事的意義，可能要等更多團隊用上這個框架之后才能完全顯現(xiàn)。

三階段RL：順序決定命運

異步RL解決了效率問題。但還有一個更根本的問題：你要讓模型學什么？

GLM-5的RL訓練分三個階段，順序很講究：

第一階段：Reasoning RL——教模型「想」。用MATH、AIME、代碼競賽這些有明確對錯的任務來訓練。這個階段的目標是建立基礎推理能力。

第二階段：Agentic RL——教模型「做」。用SWE任務（修復真實GitHub bug）、終端任務、多跳搜索任務這些長周期Agent任務來訓練。這個階段用的就是前面說的Slime框架。

第三階段：General RL——教模型「當人」。用開放對話、創(chuàng)意寫作、角色扮演這些任務來訓練。這個階段讓模型不只是一臺推理機器，還是一個有品味、有性格的對話伙伴。

為什么順序重要？

因為后面的階段會讓模型忘掉前面學到的東西。這個問題在機器學習里叫「災難性遺忘」。你訓練模型學會了修bug，再訓練它聊天寫作，它修bug的能力就可能退化。

就像一個人去學了烹飪，不代表他會忘記開車。但對于神經(jīng)網(wǎng)絡來說，這種遺忘是真實存在的。

GLM-5的解法叫「On-Policy Cross-Stage Distillation」（在線跨階段蒸餾）。做法是：在第二階段訓練時，同時用第一階段的最佳模型作為「老師」，讓學生模型在學新技能的同時保持舊技能。第三階段同理。

論文里給了具體數(shù)據(jù)：沒有蒸餾時，從Agentic RL進入General RL階段后，SWE-bench得分從77.8%掉到73.2%。用了跨階段蒸餾后，基本不掉分。

這個技巧挺實用的。我之前寫DeepSeek R1論文解讀時提到過，R1團隊也遇到了RL訓練導致能力退化的問題，他們的做法是在訓練數(shù)據(jù)里混入歷史數(shù)據(jù)。GLM-5的蒸餾方案更系統(tǒng)——不只是混數(shù)據(jù)，而是讓當前模型持續(xù)向歷史最佳版本學習。

Agent場景下的三種思考模式

RL訓練之外，GLM-5在推理策略上也有自己的設計。

傳統(tǒng)的「思考型模型」（比如DeepSeek R1、o1）在回答之前會先做一段長長的內部推理，放在 標簽里。這種模式對數(shù)學題和編程題很有效。

但Agent任務不一樣。Agent需要執(zhí)行很多輪對話——讀文件、改代碼、跑測試、看結果、再改。如果每一輪都做一大段思考，上下文窗口很快就被撐爆了。

GLM-5設計了三種思考模式來應對不同場景：

Interleaved Thinking（交錯思考）：每輪對話都思考，但思考內容比較短。適合需要持續(xù)推理的場景。

Preserved Thinking（保留思考）：只在第一輪做深度思考，后續(xù)輪次直接執(zhí)行。思考內容會保留在上下文中供后續(xù)參考。適合任務明確、執(zhí)行步驟多的場景。

Turn-level Thinking（輪次級思考）：每輪獨立思考，但不保留歷史思考內容——上一輪的 在下一輪會被清除。適合上下文緊張的長任務。

這三種模式的切換是通過系統(tǒng)提示詞來控制的。論文里給了一個有意思的實驗：在SWE-bench任務上，Turn-level Thinking的效果比Interleaved Thinking好約2個百分點。原因是SWE-bench需要很多輪交互，Interleaved模式的思考內容太多會擠占真正有用的代碼和報錯信息。

這種設計挺實用的。核心不是「思考越多越好」，而是「什么時候該想、什么時候該干活，得分場景」。

一個有意思的細節(jié)

論文里還有一個有趣的案例值得單獨拎出來。

幻燈片生成的多層獎勵。GLM-5能生成PPT幻燈片（通過寫HTML/CSS再渲染）。訓練這個能力時，獎勵函數(shù)的設計分了三層：

第一層是靜態(tài)檢查——HTML代碼有沒有語法錯誤、CSS屬性用得對不對。

第二層是渲染檢查——渲染出來的頁面字有沒有溢出、元素有沒有重疊。這需要用Playwright把HTML渲染成圖片再檢查。

第三層是視覺感知——用另一個VLM（視覺語言模型）來評價渲染結果好不好看。

但這里出了一個經(jīng)典的reward hacking問題：模型學會了一種「作弊」方式來騙取高分——用純黑背景加白色文字。因為純黑背景上白字的對比度最高，VLM評判時容易給高分。但生成出來的PPT全是黑底白字，完全沒有設計感。

智譜的修復方案是在第三層獎勵里引入?yún)⒖蓟脽羝瑢Ρ取恢皇菃枴负貌缓每础?，而是問「跟?yōu)秀案例比怎么樣」。

這種reward hacking的故事在RL文獻里很常見，但每次看到具體案例還是覺得有趣。它說明了一件事：訓練AI的難度不在于讓它「做到」，而在于讓它「做對」。

國產(chǎn)芯片適配：不只是一句口號

論文里有一章專門寫了國產(chǎn)芯片適配。GLM-5從發(fā)布之初就原生適配了國產(chǎn)GPU生態(tài)，覆蓋7家主流芯片平臺：華為昇騰、摩爾線程、海光、寒武紀、昆侖芯、沐曦、燧原。

不少媒體在報道這件事時就寫了一句「全棧國產(chǎn)」然后帶過。但論文里的細節(jié)比這豐富得多。

以華為昇騰Atlas系列為例，智譜做了從量化到推理引擎的全鏈路優(yōu)化——W4A8混合精度量化讓單臺服務器裝下750B參數(shù)，定制融合算子解決稀疏注意力的計算瓶頸，深度適配vLLM-Ascend和SGLang兩大推理引擎。最終效果是：GLM-5在單臺國產(chǎn)算力節(jié)點上的推理性能，足以媲美兩臺國際主流GPU集群。

7家芯片的架構各不相同，指令集不同，編程模型不同。要在7個平臺上都能跑GLM-5，意味著很多底層算子得重寫7遍。這不是什么「突破性創(chuàng)新」，但它是實打實的工程苦活。

我之前寫DeepSeek論文解讀時提過一個觀察：DeepSeek的很多技術突破其實是「工程驅動」而非「理論驅動」的——他們不是先想到一個新理論再去實驗，而是在工程實踐中遇到問題、被迫想出解決方案。

智譜在國產(chǎn)芯片上的適配也是同樣的邏輯。你也可以說是「不得不用」，但這個約束倒逼出了一套跨芯片的工程能力，長遠來看反而是競爭優(yōu)勢。

回到開頭的問題：GLM-5到底做了什么創(chuàng)新？

預訓練階段，Muon Split讓MLA和Muon優(yōu)化器兼容工作，共享參數(shù)MTP把推理速度往上拉了一截。后訓練階段是真正的重頭戲——Slime異步RL框架解決了Agent訓練的效率瓶頸，三階段RL配合跨階段蒸餾防止能力遺忘，三種思考模式適配不同Agent場景。這些創(chuàng)新指向同一個方向：怎么把一個好底座訓成一個好Agent。

這恰好是2025-2026年整個行業(yè)的核心戰(zhàn)場。架構層面趨同之后，真正拉開差距的是Post-Training——怎么做RL、怎么訓Agent、怎么防遺忘、怎么設計獎勵函數(shù)。GLM-5在這個戰(zhàn)場上拿出了自己的解法，而且把核心框架Slime開源了出去，下一個團隊可以直接站在這個起點出發(fā)。

744B參數(shù)，28.5T tokens訓練，原生適配國產(chǎn)芯片生態(tài)，核心創(chuàng)新開源回饋社區(qū)。這篇40頁的技術報告，值得認真讀。

論文鏈接：https://arxiv.org/abs/2602.15763