2026 年 2 月，智谱正式开源 GLM-5 技术报告，这份 40 页的报告以 **「from Vibe Coding to Agentic Engineering」为副标题，清晰勾勒出大模型从 “被动辅助写代码” 到 “主动独立完成工程任务” 的核心转变。Vibe Coding 是让 AI 按指令写一段代码，而 Agentic Engineering 则是让 AI 自主排查系统 bug、修改代码、运行测试，全程无需人类干预。为实现这一跨越，GLM-5 并未走 “暴力堆参数” 的老路，而是通过异步强化学习框架、稀疏注意力优化、分层能力训练 ** 等一系列 “聪明的扩展方式”，成为为 Agent 场景深度优化的开源大模型标杆，更让开源大模型与顶级闭源模型的能力差距大幅收窄。
硅谷顶级风投 a16z 发布的数据显示，GLM-5 的推出让开源大模型首次站上全球第一梯队，其在多项核心评测中表现亮眼，甚至在部分指标上超越闭源模型，印证了开源大模型在 Agentic 能力上的突破性进展。
硬核数据说话：GLM-5 跻身全球第一梯队，开源模型迎里程碑
GLM-5 的能力突破并非空穴来风，在多个权威评测和真实场景测试中，它交出了一份堪称惊艳的成绩单，不仅刷新了开源模型的纪录，更能与 Claude Opus 4.6、GPT-5.2 等顶级闭源模型正面抗衡。
核心评测创开源新高：在SWE-bench Verified测试中，GLM-5 拿下 77.8% 的成绩，成为开源模型第一。该测试要求模型修复 GitHub 真实仓库的 bug，需完成几万行代码的上下文理解、问题定位、修复方案编写、测试跑通的全流程，是对 Agent 工程能力的极致考验；在BrowseComp测试中，GLM-5 以 75.9% 的成绩拿下所有模型第一，该任务要求模型自主决定搜索方向、提取网页信息、综合分析得出答案，考验的是 Agent 的自主决策和信息整合能力。 综合指数实现开源突破：在包含 10 项核心评测的Artificial Analysis Intelligence Index v4.0中，GLM-5 拿下 50 分，成为首个达到该分数的开源模型，与闭源模型的差距进一步缩小。
匿名盲测获海外认可：GLM-5 发布前以Pony Alpha为代号进行匿名盲测，其出色的表现让众多海外大 V 误以为是 Claude 或 Grok 的新版本，足见其能力已达到国际顶尖水平。
国产芯片原生适配：GLM-5 从发布之初就完成了对华为昇腾、摩尔线程等七大国产芯片平台的原生适配，实现了从内核到框架的深度优化，为国内企业的规模化部署扫清了硬件障碍。
a16z 的行业数据更是直观印证了这一趋势：前沿闭源模型持续进步的同时，开源模型的追赶速度肉眼可见，而 GLM-5 正是这场追赶中的核心标杆，其在编码和 Agentic 能力上，已成为开源阵营的领军者。
两大核心难题破解：让 Agent 真正 “能干活” 的关键
要训练出能独立完成工程任务的 Agent，而非单纯的 “代码生成器”，核心要解决两大难题：强化学习训练效率低和长上下文处理成本高、利用率低。GLM-5 团队针对这两个痛点，提出了创新性的解决方案，从时间和空间两个维度，让 Agent 的落地成为可能。
时间维度：Slime 异步框架，解决 Agentic RL 训练效率瓶颈
传统强化学习训练代码生成、数学推理等任务时，样本从生成到获得反馈仅需几秒，全程在 GPU 集群内完成，效率极高。但 Agent 任务完全不同：模型修复一个 bug，需要先浏览代码库、理解逻辑、编写修复方案、运行测试，若测试失败还需反复迭代，这让训练用的 GPU 长期处于 “等待状态”，传统同步强化学习框架的效率被拉到极致，即便增加 GPU 数量，也无法解决外部环境响应的核心瓶颈。
GLM-5 团队提出的Slime 异步强化学习框架，核心是将生成和训练完全独立运行，从根本上解决等待问题：
-
双集群分工：Rollout 集群专门执行 Agent 任务，多台服务器独立运行，任务完成后将模型操作、环境反馈的完整轨迹打包发送；训练集群专门更新模型参数，收到轨迹数据后立即训练，无需等待新任务完成，双集群持续运转、互不等待。
-
两大问题针对性解决：异步设计带来了 token 对齐和离策略训练稳定性的新问题，团队也给出了精准解法。
-
Token-In-Token-Out（TITO）网关：解决不同模型版本的分词器不一致问题，将收到的任意版本 token 还原为原始文本，再用当前训练版本的分词器重编码，实现 token 对齐；
-
双侧重要性采样 + 样本筛选：在 token 和样本级别做加权处理，避免旧策略数据让新策略训练失控；同时记录数据生成的模型版本，丢弃过于陈旧的样本，识别环境故障导致的失败样本，过滤噪声数据。
-
目前 Slime 框架已完全开源，为整个行业的 Agentic RL 训练提供了可复用的解决方案，彻底打破了训练效率的天花板。
空间维度：DSA 稀疏注意力 + 智能上下文管理，让长上下文 “用得好、成本低”
Agent 执行工程任务时，修 bug 需读几十个代码文件，深度搜索需浏览几十个网页，上下文轻松突破 10 万 token，而标准注意力机制的计算复杂度为 O (L²)，长序列的计算成本高到难以承受。GLM-5 从降低计算成本、保证训练稳定、提升利用效率三个层面，解决了长上下文的核心痛点。
-
DSA 稀疏注意力，降低 1.5-2 倍计算成本：采用 DeepSeek 提出的 DSA（稀疏注意力）机制，通过轻量级索引器动态判断核心 token，仅对关键 token 做注意力计算，将 20 万 token 长序列的注意力计算成本降低 1.5-2 倍，用一半成本完成相同的长上下文处理工作。
-
确定性 top-k + 冻结索引器，保障训练稳定：DSA 的 CUDA 版 top-k 算子速度快但输出非确定性，会导致强化学习的概率计算紊乱，团队果断换成 PyTorch 原生 torch.topk，牺牲少量推理速度换训练的绝对确定性；同时在强化学习训练中冻结 DSA 索引器参数，仅更新模型主体，既加速训练，又避免索引器学习行为失控。这一选择也印证了一个重要结论：为推理优化的技术，未必适合训练。
-
多思考模式 + 智能上下文策略，提升长上下文利用率：GLM-5 团队认为，长上下文并非 “越长越好”，关键是在有限空间保留最核心信息，为此设计了交错思考、保留思考、轮次级思考三种模式，并针对不同任务提出专属上下文管理策略：
-
针对 SWE-bench 工程任务，采用轮次级思考，避免交错思考的冗余内容挤占代码和测试结果空间，让成绩提升 2 个百分点；
-
针对搜索任务，先采用Keep-recent-k策略，仅保留最近 5 轮工具调用内容，让 BrowseComp 分数从 55.3% 提升至 62.0%；再引入混合层次管理，超过 32Ktoken 时清空工具调用历史重新开始，最终将分数推至 75.9% 的全球第一。
-
完整训练体系：分层训练 + 可验证环境 + 基座优化，打造真正的 Agent
解决了训练效率和长上下文两大核心难题后，GLM-5 构建了一套从基座到落地的完整训练体系，通过分层能力训练、海量可验证环境构建、基座模型工程优化，让 Agent 的能力从 “单点突破” 走向 “体系化落地”。
1. 分层强化学习 + 跨阶段蒸馏，缓解灾难性遗忘
GLM-5 将强化学习分为三个阶段，按推理能力→Agent 能力→对话能力的顺序逐步训练，既符合能力的底层逻辑，又能有效缓解神经网络的 “灾难性遗忘”（学习新任务时遗忘旧任务）：
-
Reasoning RL：训练基础推理能力，采用数学题、算法竞赛等有标准答案的任务，为 Agent 能力打下基础；
-
Agentic RL：训练核心 Agent 能力，采用真实软件工程、终端操作、多步搜索任务，基于 Slime 框架训练；
-
General RL：训练对话能力，采用开放式对话、创意写作等任务，放在最后避免基础能力被覆盖。
为进一步缓解遗忘，团队引入跨阶段蒸馏：训练后一阶段时，将前一阶段的最佳模型作为 “教师模型”，让新模型在学习新能力的同时，保留旧能力的核心表现。实验证明，未做蒸馏时，从 Agentic RL 进入 General RL 后，SWE-bench 分数从 77.8% 跌至 73.2%；做了蒸馏后，分数基本无衰减。
2. 海量可验证训练环境，让 Agent 有 “练手的舞台”
Agent 的强化学习需要明确的奖励信号，而可验证的训练环境是奖励信号的基础。GLM-5 团队投入大量精力构建了覆盖多场景的可验证环境，让 Agent 能在真实、可反馈的场景中持续学习：
-
软件工程环境：收集大量 GitHub Issue-PR 对，通过 RepoLaunch 框架自动构建超 1 万个可验证环境，覆盖 9 种编程语言，能自动分析依赖、生成安装脚本、判断测试结果；
-
终端任务环境：通过三阶段数据合成流程，生成数千个可验证 Docker 任务，构建成功率超 90%；
-
搜索任务环境：收集 200 万 + 高质量网页构建知识图谱，以低频实体为种子生成多步推理问题，经三轮筛选保留难度适中、答案唯一的优质问题。
3. 基座模型工程优化，让技术协同发挥最大效能
GLM-5 在预训练阶段做了两大工程优化，让原本互不兼容的技术实现协同工作，大幅提升基座模型的性能和效率：
-
Muon Split：解决 MLA（混合线性注意力）和 Muon 的组合冲突问题，优化时先将 MLA 压缩的表示按注意力头拆开，让 Muon 独立优化，完成后再合并，既保留 MLA 的显存和速度优势，又让性能达到标准 GQA 的水平；
-
参数共享的多 token 预测：用 3 个共享参数的预测层，强迫模型学习更通用的多步预测能力，在相同推测步数下，GLM-5 的接受长度比 DeepSeek-V3 高约 8%。
从 Vibe Coding 到 Agentic Engineering：大模型扩展方式的革命
GLM-5 的核心意义，不仅在于刷新了开源大模型的能力纪录，更在于它宣告了大模型训练从 **“暴力扩展”到“聪明扩展”** 的时代革命。
过去，大模型的能力提升依赖于 “更大的模型、更多的数据、更长的训练时间”，训练完成后发布权重，整个流程便告一段落；而 Agentic Engineering 时代，训练的核心是解决真实场景的问题，用异步架构（Slime）解决时间维度的效率问题，用稀疏注意力（DSA）解决空间维度的成本问题，用分层训练、可验证环境解决能力落地的问题 —— 每一步优化，都是针对具体场景的精准解法，而非单纯的规模堆砌。
更重要的是，智谱将 GLM-5 的Slime 框架、训练体系、核心优化方案全部开源，让 Agent 训练不再是少数大厂的黑箱实验，而是成为整个行业可以复制、改进、超越的工程实践。对于开源生态而言，模型能力的追赶只是一时的，而工程范式的开放和共享，才能真正推动整个 Agent 领域的向前发展。
从 Vibe Coding 到 Agentic Engineering，这一转变不仅是大模型能力的升级，更是大模型落地逻辑的重构：未来的大模型，不再是单纯的 “工具”，而是能真正融入工程流程、自主完成复杂任务的 “智能同事”。而 GLM-5 的出现，让开源大模型在这一赛道上，拥有了与闭源模型同台竞技的底气，也为国内 AI 生态的发展打下了坚实的技术基础。