時刻新聞
汪馨火
智東西作者陳駿達編輯漠影
最近幾周，國產開源模型迎來一波集中爆發(fā)，互聯(lián)網大廠和AI獨角獸們紛紛甩出自家的開源王炸，接力登頂全球開源模型榜首。而就在本周，又有一款國產開源模型火爆全網。
這一模型來自素有“中國OpenAI”之稱的智譜，是其最新一代旗艦模型GLM-4.5。發(fā)布時機也十分湊巧——剛好卡在網傳的OpenAI的GPT-5發(fā)布之前，同樣主打推理、編程、智能體等能力。
不過，智譜已經憑借開源搶占了先機，在國內外提前收獲了一波流量，官宣推文獲得77萬+閱讀，還獲得開源托管平臺HuggingFaceCEO的轉發(fā)支持。
發(fā)布后不到48小時，GLM-4.5已經沖上了HuggingFace趨勢榜第一名，成為全球最受關注的開源模型之一，GLM-4.5-Air則位列第六。硅谷BenchmarK風投公司合伙人BilGurley發(fā)文稱：中國開源AI模型所產生的組合效應非常強大，模型之間都可以互相改進，新模型的推出也更為容易。
值得注意的是，在WAIC前后，中國大模型的開源相繼“出圈”，月之暗面的K2、阿里的多款模型均有不俗表現，之后智譜GLM模型接力。就在今天，Hugging-Face開源模型榜單前10名幾乎全是中國大模型，CNBC認為，中國企業(yè)正在研發(fā)的人工智能模型不僅智能化水平提升，使用成本也持續(xù)降低。
更有一位海外AI博主制作了一張形象的梗圖，形容當前AI競爭格局的演變：全球AI大模型現已分裂為以中國模型為代表的開源派，與美國模型為代表的閉源派。近期，繼DeepSeek、Qwen之后，Kimi、GLM等國產模型也相繼重磅開源，給中國開源模型再添猛將，仿佛形成了中國AI“開源四杰”，與國際上的GPT、Claude、Gemini、Grok組成的“閉源四強”分庭抗禮。
GLM-4.5定位為融合推理、編碼和智能體能力的智能體基座模型，在涵蓋推理、編程、智能體等場景的12項基準測試中，GLM4.5的綜合性能取得了全球開源模型SOTA（即排名第一）、國產模型第一、全球模型第三的成績。
榜單之外，智譜還在真實場景中測試了模型的智能體編程能力，平行比較了Claude-4-Sonnet、Kimi-K2、Qwen3-Coder等模型。為確保評測透明度，智譜公布了上述測試中涉及的全部52道題目及Agent軌跡，供業(yè)界驗證復現。這點也獲得網友們的贊許。
同時，智譜為模型提供了極具性價比的API定價，API調用價格低至輸入0.8元/百萬tokens、輸出2元/百萬tokens；高速版最高可達100tokens/秒。此外，用戶也可在智譜清言和z.ai上免費使用滿血版的GLM-4.5。
近期，智東西已對GLM-4.5的多項能力進行了深度體驗，這款模型在實際生產場景中的效用令人驚喜。
體驗鏈接：
https://chatglm.cn
https://chat.z.ai/
模型倉庫：
https://huggingface.co/collections/zai-org/glm-45-687c621d34bda8c9e4bf503b
一、GLM-4.5一手實測：一句話打造完整數據庫，思考過程簡潔明晰
目前，已有許多國內外網友上手體驗GLM-4.5模型，用它打造AI私人健身教練、生成網頁游戲、3D動畫等，其編程能力、完成長序列復雜任務的能力給人留下深刻印象。
這得益于GLM-4.5本次主打的智能體能力。相較于傳統(tǒng)的問答、摘要、翻譯等靜態(tài)任務，智能體任務對模型提出了更加嚴苛且立體的能力要求。集中展現了大模型在感知、記憶、規(guī)劃、執(zhí)行等方面的關鍵要素，也為后續(xù)多維能力提供了基礎。
智能體往往面向開放式環(huán)境，需要模型具備持續(xù)感知、長期規(guī)劃與自我修正能力。同時，智能體任務是一種復合流程，不僅涉及語言處理能力，還要求模型統(tǒng)籌調用工具、執(zhí)行代碼、操控接口，甚至進行多輪交互協(xié)作，真正考驗模型的綜合調度能力。由此可見，智能體任務不僅是一種普通的任務形態(tài)，也可以說是一種“壓力測試”。
全棧開發(fā)便是一種典型的智能體任務。為測試相關能力，智東西向GLM-4.5提出了一項較為完整的開發(fā)任務——使用PHP+MySQL打造一個具有增刪改查功能中英雙語的術語庫。這項任務的難點之一在于，模型需要自行規(guī)劃項目的框架、明晰功能需求、數據庫具體設計等元素，如真正的工程師一般全面思考、解決問題。
智東西也曾將類似的題目交給其他模型，不過，許多模型都無法對項目框架進行合理規(guī)劃，甚至選擇在一個網頁文件中開發(fā)所有功能。因此，最終交付的結果無法部署在生產場景，更別提進一步修改、擴展了。
令人驚喜的是，GLM-4.5交付的結果較為完整，實現了既定的功能，并且速度較快，2分鐘左右便完成了3個核心頁面的開發(fā)，最終部署的效果如下：
這一結果或許得益于GML-4.5正式開始生成代碼前清晰的思考過程：它準確地判斷了項目性質，也明白應該生成哪些文件，這為后續(xù)的開發(fā)提供了明確的指引。思考過程也不拖泥帶水，看上去簡潔清晰。
▲部分對話記錄：https://chat.z.ai/s/50e0d240-2034-407b-a1b3-94248dd5f449
智譜的官方Demo則展示了GLM-4.5的更多能力，例如，它可以根據用戶需求，準確地復刻YouTube、谷歌、B站等網站的UI界面，可用于Demo展示等需求。
▲對話記錄：https://chat.z.ai/s/01079de2-a76d-41ee-b6ee-262ea36c4df7
或是打造一個讓用戶自主設計迷宮，系統(tǒng)查找路徑的網頁。
▲對話記錄https://chat.z.ai/s/94bd1761-d1a8-41c9-a2f4-5dacd0af88e9
這種全棧能力不僅能用于實際生產場景，拿來整活兒也是不錯的。智譜官方打造了一個量子功德箱，能實際互動，并將數據保存到后臺。
不過，GML-4.5開發(fā)上述項目的過程或許更值得深入探討。翻看智能體的執(zhí)行軌跡，可以看到，在與開發(fā)工具結合后，GLM-4.5可以更為端到端地完成任務。它先是創(chuàng)造了待辦清單，然后逐步完成任務，總結開發(fā)進展，并在用戶提出修改意見時，進行全面的核查和調試。
▲對話記錄：https://chat.z.ai/s/1914383a-52ac-48b7-9e92-fa105be60f3e
GLM-4.5還在PPT制作這一場景展現出不錯的能力。它可以按照用戶指定的頁數、內容等打造完整、美觀的PPT，并結合搜索工具豐富PPT的視覺體驗。例如，下圖中，GLM-4.5為傳奇短跑運動員博爾特打造了一份職業(yè)生涯回顧PPT。
▲對話記錄：https://chat.z.ai/s/544d9ac2-e373-4abc-819b-41fa6f293263
我們已經在上述多個案例中直觀感受到了GLM-4.5的能力。那么，這款模型背后究竟依靠哪些技術創(chuàng)新，才能實現如此表現？對此，智譜在同期發(fā)布的技術博客中給出了答案。
二、參數效率實現突破，兼容多款編程智能體
GLM-4.5在訓練流程整體分三步走，從底層架構、任務選擇到優(yōu)化策略，每一階段逐步推動模型能力提升。
首先在預訓練階段，GLM-4.5系列模型借鑒了DeepSeek-V3的MoE架構，不過在注意力機制方面仍然使用結合部分旋轉位置編碼（PartialRoPE）的分組查詢注意力（Grouped-QueryAttention）。
這一機制從ChatGLM2沿用至今，能規(guī)避多頭潛在注意力（MLA）對張量并行處理帶來的挑戰(zhàn)。智譜還配置了較多的注意力頭，因為該團隊發(fā)現，增加注意力頭能在推理基準測試中顯著提升模型性能。
GLM-4.5和GLM-4.5-Air均擁有MTP（多token預測）層，讓模型在一次前向計算中，同時預測多個后續(xù)token。實測證明，這一機制可顯著加速推理過程。
進入中期訓練階段后，智譜開始針對更復雜、更實用的任務進行專項優(yōu)化，重點強化模型在代碼和推理方面的能力。
例如，GLM-4.5針對代碼庫場景進行了專門優(yōu)化，學習了跨文件之間的依賴關系；整合了GitHub上的issues和PR，進一步提升軟件工程能力；并將訓練序列長度擴展至32K，從而具備了處理大型代碼庫的能力。這正是第一部分案例中，GLM-4.5能夠自行查驗和修改代碼的能力來源之一。
為了進一步提升模型處理長上下文的能力，智譜將訓練序列的長度從32K進一步擴展到了128K，并對預訓練語料庫中的長文檔進行了上采樣，還在這一階段加入了編程agent的軌跡。
到了后訓練階段，GLM-4.5全面引入了強化學習，并圍繞高級數學編程推理能力、復雜agentic任務和通用能力這三大關鍵領域，展開系統(tǒng)性優(yōu)化。
GLM-4.5在后訓練階段的強化學習部分是按照不同任務需求有側重地展開的。針對推理任務，訓練時引入了按難度遞進的課程學習策略，還用動態(tài)采樣溫度來控制探索強度，并通過基于token級熵的PPO自適應裁剪機制，提升策略更新的穩(wěn)定性。
當模型面對的是網頁搜索、代碼生成這類任務時，訓練方式轉向了更具agentic特征的RL。數據不僅來源于自動流程，還引入了人類參與，以構建更真實的復雜多步交互場景。
編程任務則用GitHub上的真實PR和issues來作為標準，訓練中結合準確率獎勵和格式懲罰，引導模型學會規(guī)范、可靠地行動。
在更通用的實際應用場景里，比如工具調用和長文檔推理，GLM-4.5又采用了不同策略來補強。函數調用任務中，使用的是雙軌策略：一部分是基于規(guī)則的逐步強化學習，確保工具調用準確性；另一部分則是通過獎勵最終任務完成效果的方式，引導模型學會自主規(guī)劃與調用工具。
同時，為了讓模型更好地理解和利用長文本，智譜也安排了一個專門的長上下文RL階段，讓GLM-4.5在處理大規(guī)模文檔時具備更強的推理能力。
總體來看，GLM-4.5的整個訓練過程是高度工程化的：架構上通過MoE提升計算效率，訓練流程中針對關鍵任務進行能力注入，強化學習階段進一步拉高模型的推理上限和實用表現，最終實現推理、編碼和智能體能力的原生融合。
也正是由于在工具調用、網頁瀏覽、軟件工程、前端編程等領域的優(yōu)化，GLM-4.5系列模型與ClaudeCode、Cline、RooCode等主流編程智能體實現了完美兼容，也可以通過工具調用接口支持任意的智能體應用。
值得注意的是，GLM-4.5還展現出更高的參數效率，參數量為DeepSeek-R1的1/2、Kimi-K2的1/3，但在多項標準基準測試中表現得更為出色。在衡量模型編程能力的SWE-benchVerified榜單上，GLM-4.5系列位于性能/參數比帕累托前沿，表明在相同規(guī)模下GLM-4.5系列實現了最佳性能。
高參數效率代表了模型架構和訓練策略的有效性，即在更少的參數下學到了更多、更有用的能力，這也意味著，在同等算力預算下，GLM-4.5能實現更高的性價比。
結語：開源大模型突圍，智能體賽道迎來“平替”時代？
當前，以智能體為標簽的AI產品層出不窮，數量龐雜，卻鮮少有產品能真正獲得用戶的長期使用和信賴。這在一定程度上也是所有AI產品的共性問題，要解決這一問題，除了進一步打磨用戶體驗之外，底層模型能力的提升也至關重要。
隨著Claude、GPT等海外大模型的獲取越來越困難且價格愈發(fā)昂貴，國產開源模型正為開發(fā)者提供更高效的本土化解決方案。
奢侈膽小鬼?艱苦戰(zhàn)斗到最后一刻的戰(zhàn)士,以色列抹黑辛瓦爾失敗
戰(zhàn)斗勝利后，我軍在打掃戰(zhàn)場時，發(fā)現周忠烈撲倒在彈坑里，鮮血浸染了身下的泥土。他懷抱的機槍已經沒有子彈，一只手的手指上套著兩顆手榴彈的拉火環(huán)，另一只手完全被炸飛||。而他身邊，倒著十幾具越軍士兵的尸體_。面對這一慘烈的場面，在場的戰(zhàn)士們無不流下眼淚|。周忠烈犧牲時年僅21歲。戰(zhàn)后他被昆明軍區(qū)授予“戰(zhàn)斗英雄后面會介紹。
“文藝戰(zhàn)士”浴血戰(zhàn)斗到最后一刻?？人民資訊
1950年11月，長津湖戰(zhàn)役爆發(fā)，這是一場非常殘酷的戰(zhàn)役，無數志愿軍戰(zhàn)士犧牲在冰天雪地之中，特級戰(zhàn)斗英雄楊根思、冰雕連……這些故事都屬于這場戰(zhàn)斗-|。英雄犧牲是為了國家的安寧，但是多年之后，卻有人提出疑問，既然環(huán)境如此惡劣，戰(zhàn)斗如此殘酷，那么為什么楊根思還有冰雕連的戰(zhàn)士，非要戰(zhàn)斗到最后一刻，而不是提前撤退等會說。
1984年兩戰(zhàn)士交替突圍,戰(zhàn)友突然棄槍而逃,他獨自戰(zhàn)斗到最后一刻
三、最后的戰(zhàn)斗“戰(zhàn)士百戰(zhàn)穿金甲，不破樓蘭誓不還”|。將軍的死，一定是馬革裹尸，戰(zhàn)死沙場。趙尚志將軍的死正是如此，這世界上哪里有什么歲月靜好，所有看起來美好的生活，都是有人在負重前行而已。趙尚志生命的最后一秒是死在戰(zhàn)斗中的，1942年初，特務劉德山偽裝成收山貨的老客潛入趙的部隊_。敵人一直在處心積慮有幫助請點贊|。
來源：紅網
作者：敏淳
編輯：達代桃
本文為紅辣椒評論 原創(chuàng)文章，僅系作者個人觀點，不代表紅網立場。轉載請附原文出處鏈接和本聲明。