GLM - 5.2、GLM - 5.1与GLM - 5登场：长周期任务能力飞跃，编码测试大幅领先！

欢迎加入我们的微信或Discord社区。阅读GLM - 5.2博客和GLM - 5技术报告。在Z.ai API平台使用GLM - 5.2 API服务，马上在z.ai试用GLM - 5.2。

GLM - 5.2简介

GLM - 5.2是用于长周期任务的最新旗舰模型。与前代GLM - 5.1相比，其长周期任务处理能力显著提升，首次在100万token的稳定上下文长度下展现强大性能。GLM - 5.2具备以下新能力：

• 稳定的100万token上下文：可稳定支持长周期工作。
• 灵活高效的高级编码：编码能力更强，有多种思考强度级别，能平衡性能和延迟。
• 改进的架构：提出IndexShare方法，在每四层稀疏注意力层中复用相同的索引器，在100万token上下文长度下将每个token的浮点运算次数（FLOPs）降低2.9倍。同时，改进GLM - 5.2的MTP层以进行推测解码，使接受长度最多增加20%。

在标准编码基准测试中，GLM - 5.2是最强大的开源模型，大幅超越GLM - 5.1：在Terminal - Bench 2.1测试中得分81.0，GLM - 5.1为62.0；在SWE - bench Pro测试中得分62.1，GLM - 5.1为58.4。它也大幅拉近了与闭源前沿模型的差距 —— 在Terminal - Bench 2.1测试中（81.0），与Claude Opus 4.8（85.0）仅相差几分，同时领先于Gemini 3.1 Pro。更多详情请查看我们的博客。

GLM - 5.1简介

GLM - 5.1是用于智能体工程的下一代旗舰模型，编码能力比前代显著提升。它在SWE - Bench Pro测试中达到行业领先水平，在NL2Repo（代码库生成）和Terminal - Bench 2.0（真实世界终端任务）测试中大幅领先GLM - 5。

此前的模型，包括GLM - 5，往往过早耗尽能力，运用熟悉技术快速取得初步进展后就陷入瓶颈，增加时间也无济于事。相比之下，GLM - 5.1专为在更长周期的智能体任务中保持高效而设计。该模型在处理模糊问题时判断力更强，能在更长的会话中保持高效，可精准拆解复杂问题、进行实验、读取结果并找出阻碍。通过反复迭代回顾推理过程并调整策略，GLM - 5.1能在数百轮迭代和数千次工具调用中持续优化，运行时间越长，结果越好。

GLM - 5简介

推出的GLM - 5旨在应对复杂系统工程和长周期智能体任务。扩大规模仍是提高通用人工智能（AGI）智能效率的重要途径之一。与GLM - 4.5相比，GLM - 5的参数从3550亿（320亿活跃）扩展到7440亿（400亿活跃），预训练数据从23T个token增加到28.5T个token。GLM - 5还集成了DeepSeek稀疏注意力（DSA），在保留长上下文处理能力的同时大幅降低了部署成本。

强化学习旨在缩小预训练模型能力与优秀表现之间的差距，但由于强化学习训练效率低下，大规模部署到大型语言模型（LLM）面临挑战。为此，开发了slime这一新型异步强化学习基础设施，显著提高了训练吞吐量和效率，支持更精细的训练后迭代。凭借预训练和训练后处理的双重进步，GLM - 5在众多学术基准测试中相比GLM - 4.7有显著提升，在推理、编码和智能体任务方面在全球所有开源模型中达到了一流水平，缩小了与前沿模型的差距。

GLM - 5专为复杂系统工程和长周期智能体任务而设计。在内部评估套件CC - Bench - V2中，GLM - 5在前端、后端和长周期任务上均显著优于GLM - 4.7，缩小了与Claude Opus 4.5的差距。在衡量长期运营能力的Vending Bench 2测试中，GLM - 5在开源模型中排名第一。Vending Bench 2要求模型模拟运营一年的自动售货机业务，GLM - 5最终账户余额达到4432美元，接近Claude Opus 4.5，展示了强大的长期规划和资源管理能力。

模型下载

本地部署GLM - 5系列

GLM - 5.2支持使用以下框架进行部署，欢迎尝试：

• SGLang（v0.5.13.post1+） —— 查看使用指南
• vLLM（v0.23.0+） —— 查看示例
• Transformers（v0.5.12+） —— 查看Transformers文档
• KTransformers（v0.5.12+） —— 查看教程

在昇腾NPU平台上部署时，支持vLLM - Ascend、xLLM和SGLang等推理框架 —— 查看详情。

GLM - 5支持通过 `reasoning_effort` 参数控制思考预算，该参数有两个级别：`max` 和 `high`。`max` 是默认级别 —— 如果未设置 `reasoning_effort`（或设置为除 `high` 之外的任何值），模型将以 `Max` 级别运行。若要使用 `High` 级别，必须明确传递 `reasoning_effort="high"`。在基准测试/排行榜复现等默认场景下，保持 `Max` 级别（无需设置）；仅在特别需要 `High` 级别时设置 `reasoning_effort="high"`。通过设置 `enable_thinking=false` 可完全关闭思考功能。

引用说明

如果您在研究中发现GLM - 5系列模型有用，请引用我们的技术报告：

@misc{glm5team2026glm5vibecodingagentic,    title="GLM - 5: from Vibe Coding to Agentic Engineering",    author={GLM - 5 - Team and : and Aohan Zeng and Xin Lv and Zhenyu Hou and Zhengxiao Du and Qinkai Zheng and Bin Chen and Da Yin and Chendi Ge and Chenghua Huang and Chengxing Xie and Chenzheng Zhu and Congfeng Yin and Cunxiang Wang and Gengzheng Pan and Hao Zeng and Haoke Zhang and Haoran Wang and Huilong Chen and Jiajie Zhang and Jian Jiao and Jiaqi Guo and Jingsen Wang and Jingzhao Du and Jinzhu Wu and Kedong Wang and Lei Li and Lin Fan and Lucen Zhong and Mingdao Liu and Mingming Zhao and Pengfan Du and Qian Dong and Rui Lu and Shuang - Li and Shulin Cao and Song Liu and Ting Jiang and Xiaodong Chen and Xiaohan Zhang and Xuancheng Huang and Xuezhen Dong and Yabo Xu and Yao Wei and Yifan An and Yilin Niu and Yitong Zhu and Yuanhao Wen and Yukuo Cen and Yushi Bai and Zhongpei Qiao and Zihan Wang and Zikang Wang and Zilin Zhu and Ziqiang Liu and Zixuan Li and Bojie Wang and Bosi Wen and Can Huang and Changpeng Cai and Chao Yu and Chen Li and Chengwei Hu and Chenhui Zhang and Dan Zhang and Daoyan Lin and Dayong Yang and Di Wang and Ding Ai and Erle Zhu and Fangzhou Yi and Feiyu Chen and Guohong Wen and Hailong Sun and Haisha Zhao and Haiyi Hu and Hanchen Zhang and Hanrui Liu and Hanyu Zhang and Hao Peng and Hao Tai and Haobo Zhang and He Liu and Hongwei Wang and Hongxi Yan and Hongyu Ge and Huan Liu and Huanpeng Chu and Jia'ni Zhao and Jiachen Wang and Jiajing Zhao and Jiamin Ren and Jiapeng Wang and Jiaxin Zhang and Jiayi Gui and Jiayue Zhao and Jijie Li and Jing An and Jing Li and Jingwei Yuan and Jinhua Du and Jinxin Liu and Junkai Zhi and Junwen Duan and Kaiyue Zhou and Kangjian Wei and Ke Wang and Keyun Luo and Laiqiang Zhang and Leigang Sha and Liang Xu and Lindong Wu and Lintao Ding and Lu Chen and Minghao Li and Nianyi Lin and Pan Ta and Qiang Zou and Rongjun Song and Ruiqi Yang and Shangqing Tu and Shangtong Yang and Shaoxiang Wu and Shengyan Zhang and Shijie Li and Shuang Li and Shuyi Fan and Wei Qin and Wei Tian and Weining Zhang and Wenbo Yu and Wenjie Liang and Xiang Kuang and Xiangmeng Cheng and Xiangyang Li and Xiaoquan Yan and Xiaowei Hu and Xiaoying Ling and Xing Fan and Xingye Xia and Xinyuan Zhang and Xinze Zhang and Xirui Pan and Xu Zou and Xunkai Zhang and Yadi Liu and Yandong Wu and Yanfu Li and Yidong Wang and Yifan Zhu and Yijun Tan and Yilin Zhou and Yiming Pan and Ying Zhang and Yinpei Su and Yipeng Geng and Yong Yan and Yonglin Tan and Yuean Bi and Yuhan Shen and Yuhao Yang and Yujiang Li and Yunan Liu and Yunqing Wang and Yuntao Li and Yurong Wu and Yutao Zhang and Yuxi Duan and Yuxuan Zhang and Zezhen Liu and Zhengtao Jiang and Zhenhe Yan and Zheyu Zhang and Zhixiang Wei and Zhuo Chen and Zhuoer Feng and Zijun Yao and Ziwei Chai and Ziyuan Wang and Zuzhou Zhang and Bin Xu and Minlie Huang and Hongning Wang and Juanzi Li and Yuxiao Dong and Jie Tang},    year={2026},    eprint={2602.15763},    archivePrefix={arXiv},    primaryClass={cs.LG},    url={https://arxiv.org/abs/2602.15763},}