/>

当大模型模型从"写代码"走向"做工程"，瓶颈到底在哪里？GLM-5给出了一个明确的答案：不是参数不够大，而是算力效率不够高、agent能力不够强、长程任务不够稳。

GLM-5在Artificial

v4.0上拿下50分，成为首个突破50分的开源权重模型，较上一代GLM-4.7跃升8分。

在LMArena的文本和代码两个排行榜上，GLM-5均为开源模型第一，整体水平与Claude

Opus

4.5和GPT-5.2(xhigh)持平。

/>

[Figure

Pro、GPT-5.2(xhigh)在8个agentic、推理与编程基准上的结果]

Last

2.0、BrowseComp、MCP-Atlas、τ²-Bench、Vending

Bench

2共8个基准上的表现。

GLM-5相比上一代GLM-4.7平均提升约20%，与Claude

Opus

4.5和GPT-5.2(xhigh)相当，优于Gemini

/>

[Figure

该指数涵盖10项评测。

GLM-5得分50，是开源权重模型的新领先者。

核心问题：从"氛围编程"到"agent工程"

随着LLM从被动的知识库转变为主动的问题解决者，计算成本与真实世界适应性——尤其是复杂软件工程中的端到端任务——成为主要瓶颈。

GLM-5的目标正是打破这两重屏障，实现从"vibe

coding"（氛围编程）到"agentic

engineering"（agent工程）的范式跃迁。

/>

[Figure

Arena中均为开源模型第一。

模型架构：744B参数，DSA稀疏注意力

GLM-5采用MoE(Model-of-Experts，专家混合)架构，扩展至256个专家、80层，总参数量744B（活跃参数40B），总参数量是GLM-4.5（355B总参数、32B活跃参数）的两倍。

注意力机制方面，论文采用MLA(Multi-latent

Attention，多潜变量注意力)，并提出Muon

Split方法——将投影矩阵按注意力头拆分后分别进行矩阵正交化，使不同注意力头能以不同尺度更新权重。

实验表明，该方法有效弥合了MLA与GQA(Grouped-Query

Attention，分组查询注意力)之间的性能差距。

GLM-5引入DSA(DeepSeek

Sparse

Attention，DeepSeek稀疏注意力)，以动态、细粒度的token选择机制取代传统O(L²)的密集注意力。

DSA将长序列的注意力计算量降低约1.5至2倍，同时在设计上无损——其lightning

indexer实现了token级稀疏性而不丢弃任何长距离依赖。

DSA从预训练末期的基础模型开始训练，热身阶段1000步，稀疏适应阶段经过200亿token。

尽管训练量远小于DeepSeek-V3.2的943.7B

token，长上下文性能已与原始MLA模型持平。

/>

[Table

在128K上下文的MQ-NIAH、MV-NIAH、SQuAD、HotpotQA四项评测中，DSA与MLA表现接近，部分任务DSA还更优。

GLM-5还对多种高效注意力方案进行了对比消融实验。

固定交错的SWA(Sliding

Window

Attention，滑动窗口注意力)在128K上下文的RULER基准上暴跌30.35分，而基于搜索的SWA模式将差距大幅缩小。

线性注意力变体SimpleGDN在部分任务上甚至优于全注意力基线。

但所有这些方案在细粒度检索任务上都存在固有精度损失，而DSA因其无损特性彻底避免了这一问题。

[Table

DSA是唯一在所有层应用且无质量退化的方案。

训练流程：28.5万亿token与渐进式对齐

GLM-5的基础模型训练共消耗28.5万亿token。

预训练语料涵盖网页、代码、数学与科学文献。

代码语料较上一版增长28%，新增了更多低资源编程语言（如Scala、Swift、Lua等）的专用分类器。

数学与科学数据经过大模型评分筛选，仅保留最具教育价值的内容，并严格避免合成数据。

中训练阶段将上下文窗口从4K逐步扩展至32K（1T

token）。

软件工程数据方面，论文放宽了仓库级过滤条件，获得约1000万个issue-PR对，过滤后该部分约包含1600亿唯一token。

/>

[Figure

Fine-Tuning，监督微调)以及三阶段强化学习。

后训练：三阶段强化学习与异步agent

RL

后训练分为SFT、推理RL(Reinforcement

RL和通用RL四个阶段，最后通过在策略跨阶段蒸馏防止灾难性遗忘。

SFT阶段引入三种思考模式：交错思考（每次响应和工具调用前进行推理）、保留思考（跨多轮对话保留思考块，减少信息丢失）、轮级思考（按轮控制推理开关）。

最大上下文长度扩展至202,752

/>

[Figure

通过在动作之间思考并跨轮维持一致性，GLM-5在复杂任务上实现更稳定、可控的行为。

推理RL阶段基于GRPO算法并融合IcePop技术，在数学、科学、代码和工具集成推理四个领域联合训练，组大小32、批大小32，全程在策略训练。

论文发现，DSA架构下使用确定性的torch.topk算子对RL稳定性至关重要——非确定性实现仅数步后即导致性能剧烈下降和熵急剧降低。

Agent

RL阶段，论文开发了全异步、解耦的RL框架，通过中央多任务Rollout编排器将推理引擎与训练引擎解耦，覆盖超过10,000个真实世界软件工程任务、终端任务和高难度多跳搜索任务。

核心机制包括TITO(Token-in-Token-out)网关消除重新分词不匹配，以及直接双侧重要性采样控制离策略偏差。

通用RL阶段围绕基础正确性、情感智能和任务特定质量三个维度优化，使用规则奖励、ORM(Outcome

Reward

Model，结果奖励模型)和GRM(Generative

Reward

Model，生成奖励模型)三种信号的混合奖励系统。

长程任务：真实世界agent能力验证

GLM-5用两个长程任务基准衡量GLM-5的agent持续执行能力。

在Vending-Bench

2（模拟一年经营自动售货机业务）上，GLM-5在所有开源模型中排名第一，最终账户余额达$4,432，接近Claude

Opus

4.5。

在内部评测套件CC-Bench-V2上，GLM-5在前端、后端和长程任务上均大幅超越GLM-4.7。

/>

[Figure

2，GLM-5为开源模型第一；右图为CC-Bench-V2，GLM-5显著缩小了与Claude

Opus

4.5的差距。

适配国产GPU生态

论文特别指出，GLM-5从第一天起即全栈适配中国GPU生态，已在华为昇腾、摩尔线程、海光、寒武纪、昆仑芯、沐曦、燧原等七大国产芯片平台上完成从底层算子到上层推理框架的深度优化。

X写在最后

GLM-5真正的价值不只是跑分更高，而是证明了一条路径：通过稀疏注意力降低计算成本、通过异步agent

RL释放长程任务能力、通过跨阶段蒸馏避免能力退化，开源模型完全可以在真实世界的软件工程场景中与闭源顶级模型比肩。

当coding

agent能够自主连续工作数小时，AI模型能力的衡量标准正在从"答对一道题"转向"做完一件事"。

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。

那些率先拥抱

的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套

大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

/>​​

/>

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。

从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

/>

/>智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。

麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

/>

​​

/>

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

/>

AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

/>

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

/>

④各大厂大模型面试题目详解

/>

⑤

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE

Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。

目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。

这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

/>

/>

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。

学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

/>

/>

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能

‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

/>

​