2026年2月12日，智谱AI正式发布了其最新开源模型GLM-5，标志着Agentic Engineering时代的到来。这一模型以744B的超大参数规模，进一步提升了从“写代码”到“写工程”的能力，不仅在编程领域取得了开源SOTA表现，更在复杂系统工程与长程Agent任务中展现了卓越的性能。
GLM-5的发布引起了业界的广泛关注，特别是在Coding与Agent能力方面，其性能与Claude Opus 4.5相媲美，尤其是在真实编程场景中的使用体验得到了显著提升。昇腾AI作为智谱GLM系列模型的长期支持者，迅速实现了对GLM-5的0day适配，为其推理部署和训练复现提供了全面支持。
在参数规模方面，GLM-5的预训练数据从23T提升至28.5T，模型的通用智能水平得到了显著提升。特别是异步强化学习的引入，使得GLM-5能够更高效地处理复杂的强化学习任务，提升了模型的训练效率。此外，GLM-5首次集成了DeepSeek Sparse Attention机制，在保智谱 AI GLM 教程持长文本效果的同时，大幅降低了模型的部署成本，提升了Token的使用效率。
在Coding能力方面，GLM-5在SWE-bench-Verified和TerminalBench2.0中分别获得77.4和55.7的开源模型最高分数，超越了Gemini 3.0 Pro。在Agent能力方面，GLM-5在多个Agent测评基准中表现优异，尤其是在BrowseComp、MCP-Atlas和τ²-Bench等复杂任务中取得了最佳成绩。
更值得一提的是，GLM-5在VendingBench2中的表现也十分出色，模拟经营自动售货机的业务时，最终账户余额达到了4432美元，展现了其出色的长期规划和资源管理能力。这些能力不仅展示了GLM-5作为Agentic Ready基座模型的潜力，更为未来智能体的发展奠定了基础。
昇腾AI在GLM-5的推理部署中采用了W4A8混合精度量化，显著减少了显存占用，并加速了解码过程。GLM-5作为78层的decoder-only大模型，结构设计上将DenseFFN与MoE（路由专家+共享专家）相结合，自带MTP（Multi-Token Prediction）加速解码过程。这一创新的结构设计使得GLM-5在推理执行的效率上得到了极大的提升。
此外，昇腾AI还推出了MsModelSlim量化工具，使得GLM-5的量化过程变得更加简单。一键即可完成“预处理+子图融合+分层线性量化”的完整流水线，用户只需简单的命令行操作即可实现高效的模型量化。
总之，智谱GLM-5的发布标志着AI模型发展的新高度，结合昇腾AI的强大支持，将为未来的智能应用带来更多可能。无论是在编程、系统工程，还是在复杂任务的执行上，GLM-5都展现出了超乎想象的潜力与表现，值得每一个AI爱好者和开发者关注和探索。
发布者：Ai探索者，转载请注明出处：https://javaforall.net/265937.html原文链接：https://javaforall.net
