TL;DR
截至 2026 年 10 月下旬，Z.ai（Zhipu AI）尚未正式發佈或確認 GLM-5.5。社群與中文媒體的洩漏稱，可能的下一代旗艦總參數落在 2.5–3.5 兆（早期報導自 >1 兆起），延續 100 萬 token 的上下文，強調長時程程式設計與代理式工程，可能帶來架構升級（混合注意力、mHC 效率技術，以及關於循環／迴圈 Transformer 的推測），並具開放權重的可能性。
CometAPI 已提供折扣且與 OpenAI 相容的完整 GLM-5 系列存取，並有望在任何後續機型推出當日快速上線。
Key Takeaways
- GLM-5.5 仍未確認且未發佈；官方渠道仍以 GLM-5.3 與 GLM-5.3-Flash（2026 年 8 月）為主。
- 參數傳聞自 2026 年年中（JPMorgan／分析師報告）由 >1 兆，演變為 2026 年 10 月中國媒體報導中的 2.5–3.5 兆總參數。作為 MoE 模型，每個 token 的啟用參數將遠低於總參數。
- 洩漏所述聚焦領域：GLM-5.5 著重長時間自主程式代理、更深層推理、推論效率，以及可能的架構創新。
- 發佈視窗推測已從 8 月移至 10 月下旬／11 月上旬，依據 Z.ai 歷史節奏（主要版本間約 54–70 天）與近期一則提及「新模型」的薪酬公告。
- 價格未知；由 GLM-5.3 價單（約每百萬 tokens：輸入 $1.40／輸出 $4.40）與更低的 Flash 價位外推，仍可期待具競爭力的性價比。
- 對標高階 Claude 模型（包含在程式與代理方面的 Fable／Mythos 級能力）的定位屬推測，但與 Z.ai 近來持續逼近開放權重 SOTA 基準的走勢一致。
- 開發者今日即可透過 CometAPI 以具競爭力的定價與統一工具鏈使用現有 GLM 模型，並隨時關注任何 GLM-5.5 端點的無縫新增。
What Is GLM-5.5?
GLM-5.5 是社群與媒體對 Z.ai 傳聞中下一個 GLM-5 系列大型語言模型重大版本的稱呼。
不同於先前多為後訓練或效率優化的點版本，洩漏將 GLM-5.5 描述為更實質的一步——可能是新的預訓練規模提升，或面向長時程代理式程式設計與複雜系統工程的重大架構演進。截至 2026 年 10 月下旬，Z.ai 尚未在官方文件、模型卡、Hugging Face 倉庫（zai-org）、API 目錄或發佈說明中使用「GLM-5.5」名稱。
目前已確認的模型強調程式設計、代理工作流程、長上下文（近期版本達 100 萬 tokens），以及 Flash 的原生多模態能力。GLM-5.5 的傳聞延續此方向，並稱總體規模更大且效率更高。
Rumored / speculative improvements for GLM-5.5
洩漏稱總參數跳升至 2.5–3.5 兆——約為 GLM-5.3 規模的 3.4–4.7 倍。由於是 MoE 模型，啟用參數（因而每 token 的 FLOPs）不會線性隨總參數放大。社群討論也提及可能加入 Z.ai 先前研究驗證過的循環或迴圈 Transformer 元素，以及在 Flash 中已出現的混合注意力與 mHC 技術的進一步改進。
更大的總容量通常提升知識密度、稀有技能覆蓋與長代理軌跡的連貫性——前提是訓練資料品質與後訓練能同步跟上。
Long-Horizon Coding and Agentic Performance
2026 年每次 GLM-5 發佈皆強調「從氛圍式程式設計到代理式工程」、更長的獨立任務時程（部分行銷稱可達小時級）、工具使用與程式基準（SWE-bench 系列、Terminal-Bench 等）。GLM-5.3 尤其強調在複雜程式設計與新興資安相關能力上的提升。
洩漏將 GLM-5.5 定位為延續且放大此重點：更佳的長時間自主代理、更可靠的多步規劃，以及在生產工程任務上更強的表現。若參數與架構說法成立，預期在代理測試套件上可見提升，且對繁重支架或頻繁人工干預的需求降低。
What Does the Leaked GLM-5.4/5.5 Expert Memo Actually Say?
2026 年 10 月 21 日，X 使用者 @NFT_Chen 分享了流通中的專家訪談摘要截圖，內容關於 Z.ai 的下一個基礎模型。下圖重現了畫面上歸屬於雪球帖的素材；它是流通說法的證據，而非 Z.ai 的經過驗證之技術披露。
原始訪談參與者、來源文件與技術證據尚未獨立驗證。因此，下述細節反映的是洩漏材料所聲稱的內容，而非 Z.ai 官方已公布的資訊。
The rumored parameter count increases to 2.5T–3.5T
該逐字稿直接質疑先前「GLM-5.5 將於 10 月下旬推出，約 1.6 兆參數」的說法。
相反地，所謂消息來源將下一個基礎模型定位在 2.5–3.5 兆參數之間。
| Specification | GLM-5.5 in CometAPI |
|---|---|
| Developer | Zhipu AI / Z.ai |
| Possible model name | GLM-5.4 or GLM-5.5 |
| Release status | Not officially announced |
| Total parameters | 2.5T–3.5T, unverified leak |
| Active parameters | Not disclosed |
| Architecture | Described as an aggressive redesign |
| Training approach | Faster training and improved efficiency are claimed |
| Training progress | Earlier loss plateau reportedly resolved |
| Context window | Not disclosed |
| Input modalities | Not confirmed |
| Performance target | Fable-class flagship capability, unverified |
| Inference | Faster, lower-cost operation targeted |
| Day-one deployment | Large-scale availability claimed |
| API pricing | Not announced |
| Open-weight availability | Not confirmed |
| Release date | No verified date |
總參數與啟用參數之區別很重要。稀疏的 Mixture-of-Experts 模型可以包含數兆總參數，但每個 token 只啟用其中一部分。
Why did GLM-5.5 reportedly encounter training difficulties?
逐字稿描述了預訓練早期階段的情況：損失未如預期下降。
在多兆參數規模下，這將是意義重大的問題。訓練不穩可能源自最佳化設定、架構交互、數值精度、資料分佈或分散式系統行為。洩漏材料未說明其成因。
其後又稱問題已解決，訓練進度接近完成。
此解讀有兩個限制。其一，訓練損失下降並不等同於下游能力強勁。其二，完成預訓練不代表後訓練、安全測試與生產部署亦已就緒。
What does the day-one availability claim mean?
洩漏訪談稱 Z.ai 希望首日即提供可觀的推論容量，而非發佈一個少數使用者能穩定存取的模型。
亦提及與多家雲端供應商討論營收分成安排，並強化 Z.ai 的基礎設施團隊。
這些是具體的營運說法，惟未披露供應商名稱、合約、容量承諾或服務層級保證。
GLM-5.5 Major Architectural Changed: 2.5T–3.5T
Z.ai 正式引入 GLM-5 時，採用一個744B 參數的 MoE 架構，每個 token 約啟用 40B 參數。後續的 GLM-5.3 版本重用了 GLM-5.2 的基礎模型，主要改進來自後訓練，而非新的基礎架構。
How much larger would GLM-5.5 be?
| Metric | GLM-5.3 | GLM-5.5 lower rumor | GLM-5.5 upper rumor |
|---|---|---|---|
| Total parameters | ~744B | 2,500B | 3,500B |
| Relative scale | 1.0× | 3.36× | 4.70× |
| BF16 weight storage | ~1.49 TB | ~5.0 TB | ~7.0 TB |
| FP8 weight storage | ~0.74 TB | ~2.5 TB | ~3.5 TB |
| Active parameters | ~40B | Unknown | Unknown |
| Architecture verification | Official family specification | Unverified | Unverified |
上述儲存估算使用十進位 TB，且僅計算模型權重值。未包含量化中繼資料、KV 快取、活化值、通訊緩衝、服務副本以及其他執行期開銷。
然而，總參數放大 4.7 倍不一定意味著每 token 計算成本亦放大 4.7 倍。稀疏專家啟用、記憶體最佳化與更佳的模型並行化可能改變此關係。
Which architectural improvements could make the practical?
已發佈的 GLM 家族中有兩個可參考的先例。
其一，GLM-5.2 introduced IndexShare，在四個注意力層之間重用稀疏注意力索引器。Z.ai 報告在 100 萬 token 上下文下，每 token 注意力 FLOPs 降低 2.9×。
其二，GLM-5.3-Flash 採用一個新訓練的架構：總參數 320B、啟用參數 18B，結合稀疏與線性注意力。亦引入 Manifold-Constrained Hyper-Connections，以及 30T token 的多模態預訓練語料。
相較 GLM-5.3，Z.ai 稱 GLM-5.3-Flash 的注意力計算約降低 3.0×，KV 快取縮小約 4.4×。
這些改進並不確立 GLM-5.5 的架構，但顯示 Z.ai 已著手處理在兆級模型下會被放大的效率問題。
對更大規模的 MoE 模型而言，有兩股力量在角力：更高的絕對計算成本，對上改進的稀疏與效率技術（混合注意力、與 Flash 相關討論中的 mHC），以維持可控的啟用參數與推論成本。Z.ai 一向將每美元效能置於優先，相較西方封閉前沿模型具強競爭力。可預期 API 價格仍具競爭力——可能與當前旗艦相近或略高——尤其若開放權重使自託管成為選項。
Can GLM-5.5 Really Support Large-Scale Inference From Day One?
服務一個多兆參數的 MoE 模型，挑戰不僅在於存放權重。專家路由、加速器通訊、prefill 處理、解碼吞吐與長上下文的記憶體管理，皆須在併發工作負載下可靠運作。
不過，與模型規模不同，Z.ai 已公開其在服務基礎設施上的進展證據。
Z.ai has already demonstrated infrastructure scaling
在 9 月 17 日的研究文章中，Z.ai 描述了一個由 GLM-5.3 支援的基礎設施代理，如何協助將 GLM-5.3-Flash 於一個超過 100,000 台國產 AI 加速器的叢集上投入生產。
官方基礎設施報告稱，端到端服務效能約提升三倍，且部署最佳化流程在兩週內完成。
| Infrastructure indicator | Published GLM-5.3-Flash result | GLM-5.5 implication |
|---|---|---|
| Accelerator deployment | More than 100,000 domestic accelerators | Evidence of existing large-scale infrastructure |
| End-to-end performance | Approximately 3× improvement | Serving optimization capability demonstrated |
| Adaptation timeline | Less than two weeks to production readiness | Faster deployment processes demonstrated |
| Agent-assisted optimization | GLM-5.3 infrastructure agent | Potential reuse of automated optimization |
| GLM-5.5 capacity | Not reported | Still unverified |
這些結果針對的是 GLM-5.3-Flash，而非傳聞中的多兆參數後繼者。
Does the GLM HighSpeed trial provide additional evidence?
Z.ai 的 ZCode 3.15.1 變更日誌，日期為 2026 年 10 月 12 日，確認隨機選取的訂閱者可參與 GLM HighSpeed 試用。
社群報告將該試用與 GLM-5.3-Highspeed 之名相連，且在個別案例中觀察到極高的生成速度。
官方變更日誌確認了試用，但未建立其與 GLM-5.5 的關聯，也未提供標準化的吞吐基準。
What Would Confirm That GLM-5.5 Is a Genuine Frontier Upgrade?
該洩漏提出若干具體主張，未來披露可支持或反駁之。
| Leaked claim | Evidence needed | Why it matters |
|---|---|---|
| 2.5T–3.5T parameters | Official architecture or model card | Verifies the claimed scaling jump |
| New high-efficiency architecture | Technical report and active-parameter disclosure | Explains inference economics |
| Training difficulties resolved | Official training or release information | Supports development readiness |
| Fable-class performance | Matched independent evaluations | Establishes actual competitiveness |
| Large-scale day-one availability | Production capacity and service measurements | Tests operational readiness |
| Lower inference cost | Published API pricing and workload measurements | Determines commercial viability |
| GLM-5.5 model identity | Official model identifier | Distinguishes the real release from rumors |
Conclusion
圍繞 GLM-5.5 的討論反映了開放權重前沿的快速演進與隨之而來的傳聞噪音。參數規模傳聞達 3.5 兆，再加上延續首日即具實用性的代理式程式能力，確實令人期待。同時，在缺乏官方確認之前，開發者應將每一個具體數字與時間線視為暫定。
Z.ai 在 2026 年的軌跡——快速迭代、具競爭力的開放模型，以及對實用工程工作負載的強調——使得下一步的實質提升可信。在新版本到來之前，最好的策略是善用現有的 GLM-5.3／Flash 生成能力。像 CometAPI 這樣的平台可降低試驗摩擦，並使團隊能在後繼模型一經開放時即刻採用。