GLM-5：功能、效能基準測試與存取

GLM-5 的發佈，由中國的 Zhipu AI（在許多開發者渠道以 Z.AI / zai-org 對外品牌呈現）於本週揭曉，標誌著大模型發佈節奏加速中的又一步。這一新模型被定位為 Zhipu 的旗艦：規模更大，針對長期跨度的代理式（agentic）任務進行調校，並在工程層面做出旨在降低推理成本、同時保留長上下文的選擇。早期行業報導與開發者的實測筆記顯示，相較於先前 GLM 版本，在程式碼能力、多步推理與代理編排方面有實質提升——某些測試中甚至對 Claude 4.5 構成挑戰。 ## 什麼是 GLM-5，誰開發了它？ GLM-5 是 GLM 家族的最新重要版本：由 Z.ai（GLM 系列背後團隊）開發與發佈的大型開源基礎模型。於 2026 年 2 月上旬宣布，GLM-5 被呈現為專為「代理式」任務調校的下一代模型——即多步、長期跨度的工作流程，模型需要規劃、呼叫工具、執行，並在長時間對話或自動化代理中維持上下文。這次發佈不僅在模型設計上值得注意，也在於其訓練方式與地點：Z.ai 部分使用了中國國產硬體與工具鏈，以推進自給自足。 已披露的架構與訓練數據包括： * 參數擴展： GLM-5 擴展至約 744B 參數（一些技術說明中提到較小的「活躍」專家數，例如活躍 40B），而早期 GLM-4 系列規模約為 355B/32B 活躍。 * 預訓練資料： 訓練語料規模據稱從（GLM-4 代）~23 兆 tokens 增至 GLM-5 的 ~28.5 兆 tokens。 * 稀疏注意力 / DeepSeek Sparse Attention（DSA）： 一種稀疏注意力機制，在保留長上下文的同時，降低推理期的計算成本。 * 設計重點： 工程選擇聚焦於代理編排、長上下文推理與具成本效益的推理。 ### 起源與定位 GLM-5 延續了 GLM-4.5（於 2025 年中發佈）及數次迭代版本（如 4.7）。Z.ai 將 GLM-5 定位為從「vibe coding」（快速單步程式碼輸出）躍遷到「agentic engineering」：在長上下文視窗內，進行持續推理、多工具編排與系統合成。公開資料強調 GLM-5 旨在承擔複雜系統工程任務——構建、協調並維持多步代理行為，而不僅是回答孤立問題。 ## GLM-5 有哪些新特性？ ### 主要架構變更 * 大規模稀疏擴展（MoE）： GLM-5 轉向更大的稀疏 Mixture-of-Experts 架構。開發者頁與獨立文章的公開數字列出，模型總參數約 744B、每個 token 啟用約 ~40B ——相較 GLM-4.5 的 ~355B / 32B 活躍配置是顯著躍升。這種稀疏擴展使模型具備極大的總容量，同時保持每 token 計算在可控範圍。 * DeepSeek Sparse Attention（DSA）： 為了在不讓推理成本隨上下文長度線性增長的前提下保留長上下文能力，GLM-5 整合了稀疏注意力機制（DeepSeek），在保留重要長距依賴的同時，削減對超長上下文的注意力成本。 ### 將代理式工程作為基礎設計目標 GLM-5 的頭部特性之一是明確面向代理式工程——模型不僅用於單輪對話或摘要，而是作為多步代理的「大腦」，能規劃、發出工具呼叫、管理狀態，並在長對話中維持穩定推理。Z.ai 將 GLM-5 定位於編排閉環：拆解複雜問題、呼叫外部工具/API，並在多輪長任務中追蹤狀態。 #### 為何代理式設計重要 代理式流程是實際自動化應用的核心：自動化研究助理、自主軟體工程師、運營編排與模擬控制。為此而建的模型需要強健的規劃能力、穩定的工具呼叫行為，以及在數千 token 上下文中的魯棒性。 ### 改進的程式撰寫、推理與「長期」行為 GLM-5 強調程式碼生成與推理的提升。Z.ai 聲稱模型在撰寫、重構與除錯程式碼方面有針對性改進，並在長對話中的多步推理更一致。獨立早期存取報告與合作評估發現，該模型在面向開發者的任務上相較先前 GLM 世代有明顯增強。 ### 實用的開發者特性 * 更大的上下文視窗，可容納文件、程式碼庫與對話狀態。 * 針對安全工具呼叫與結果處理的基礎能力。 * 更佳的少樣本與思維鏈表現，以分解並執行複雜任務。 * 代理特性與工具呼叫： GLM-5 強調對代理的原生支援：函式/工具呼叫、有狀態的工作階段，以及長對話與工具使用序列的更好管理。這讓你更容易構建整合網頁搜尋、資料庫或任務自動化的代理。 ## GLM-5 在基準測試中的表現如何？ ### 具體基準亮點 * 程式碼基準： GLM-5 在某些特定程式碼任務上接近（在部分情況下可匹敵）高度優化的專有模型，如 Anthropic 的 Claude Opus 4.5。這些結果依賴任務類型（單元測試、演算法編碼、API 使用），但相對於 GLM-4.5 的提升十分明顯。 * 推理與代理測試： 在多步推理與代理評估套件（例如多輪規劃、任務分解基準）上，GLM-5 在開源模型中達到同級最佳，且在部分指標上於特定任務超越競爭的封閉模型。 ## 如何存取並試用 GLM-5？ GLM-5 是 Zhipu AI（Z.ai）的第五代大型語言模型，採用 Mixture-of-Experts 架構（~745 B 總參數，~44 B 活躍），面向強推理、程式碼與代理式工作流程。它在 大約 2026 年 2 月 12 日 正式上線。 目前人們主要有兩種方式可以存取： ### A) 官方 API 存取（Z.ai 或聚合商） Zhipu AI 提供其模型的 API，你可以透過這些 API 呼叫 GLM-5。 一般步驟： 1. 註冊 Z.ai/Open BigModel API 帳號。 2. 從儀表板取得 API 金鑰。 3. 使用 OpenAPI 風格或 REST API 端點並指定模型名稱（例如 glm-5）。 （與你從 OpenAI 呼叫 GPT 模型的方式相似。） 4. 設定提示並送出 HTTP 請求。 👉 Z.ai 的定價頁顯示官方 GLM-5 token 價格如下： * ~$1.0 每百萬輸入 tokens * ~$3.2 每百萬輸出 tokens ### B) 第三方 API 封裝 ——CometAPI 像 CometAPI 或 WaveSpeed 這樣的 API 會在統一介面下封裝多個 AI 模型（OpenAI、Claude、Z.ai 等）。 * 使用像 CometAPI 這類服務，你可以透過切換模型 ID 來呼叫 GLM 模型。 （CometAPI 目前支援 GLM-5/GLM-4.7。） * CometAPI 的 glm-5 定價為官方價格的 20%。 | 使用類型 | 價格 | | ------------- | --------------------- | | 輸入 tokens | ~$0.8 每 1M tokens | | 輸出 tokens | ~$2.56 每 1M tokens | 為何這很重要： 你可以保留現有的 OpenAI 相容用戶端程式碼，只需更改 base URL/模型 ID。 ### C) 透過 Hugging Face / 權重自行託管 目前 有非官方 的 GLM-5 權重倉庫（例如在 Hugging Face 模型列表中可見名為 glm-5/glm-5-fp8 的版本）。 藉由這些你可以： * 下載模型權重。 * 使用 vLLM、SGLang、xLLM 或 Transformers 等工具在本地或雲端 GPU 叢集部署服務。 優點： 控制力最大，無持續 API 成本。 缺點： 計算需求極大——很可能需要多張高階 GPU 與大量記憶體（數百 GB），中小型系統難以實用。 ## 那麼——GLM-5 值得嗎，你是否應該保留 GLM-4.7？ ### 簡短回答（管理摘要） * 如果你的工作需要穩健的多步代理行為、可投入生產的程式碼生成或系統級自動化： 值得立即評估 GLM-5。其架構、規模與調校正是為這些目標服務。 * 如果你需要具成本效益的高吞吐微服務（短對話、分類、輕量提示）： GLM-4.7 可能仍是最經濟的選擇。GLM-4.7 在許多供應商的每 token 成本顯著更低且已廣泛驗證。 ### 詳細回答（實務建議） 採用分層模型策略：日常高流量互動使用 GLM-4.7，將 GLM-5 保留給高價值的工程問題與代理編排。先用小範圍產品試點 GLM-5，涵蓋長上下文、工具整合與程式碼正確性；同時衡量節省的工程時間與新增的模型成本。隨著時間推進，你會更清楚 GLM-5 的能力提升是否足以支撐更廣泛的遷移。 透過 CometAPI，你可以隨時在 GLM-4.7 與 GLM-5 之間切換。 ## GLM-5 在真實場景中的亮眼用例 ### 1. 複雜的代理編排 GLM-5 將多步規劃與工具呼叫作為設計重點，非常適合必須協調搜尋、API 呼叫與程式執行的系統（例如：自動化研究助理、迭代式程式碼生成器，或需查詢資料庫與外部 API 的多步客服代理）。 ### 2. 長篇工程與程式碼庫推理 當你需要模型在多個檔案或大型程式碼庫上進行分析、重構或綜合時，GLM-5 的擴展上下文與稀疏注意力是直接優勢——更少因上下文截斷造成的失誤，並在長跨度內容上保持更好的一致性。 ### 3. 知識密集型綜合 生成複雜報告的分析師與產品團隊——多段研究簡報、法律摘要或監管文件——可受益於模型在穩定多步推理上的改進，以及供應商報告測試中較低的幻覺率。 ### 4. 面向流程的代理式自動化 構建需協調多個系統的自動化（如規劃 + 工單 + 部署流水線）的團隊，可將 GLM-5 作為核心規劃與執行者，搭配工具呼叫框架與安全封裝。 ## 結論 GLM-5 是快速演進的前沿模型版圖中的重要發佈。其對代理式工程、程式碼與推理能力的強化，加上開放權重，使其對構建長期跨度、工具賦能的 AI 系統的團隊極具吸引力。在特定任務上的實質提升與令人鼓舞的成本/效能權衡——但在投入生產前，仍建議買方針對自身任務進行對照基準測試與受控實驗。 開發者現在即可透過 CometAPI 存取 GLM-5。開始之前，先在 Playground 探索模型能力，並參考 API guide 取得詳細指引。存取前請確認你已登入 CometAPI 並取得 API 金鑰。CometAPI 提供遠低於官方價格的方案，協助你快速整合。 Ready to Go?→ 今天就註冊 glm-5 ！ 如果你想了解更多 AI 技巧、指南與新聞，歡迎關注我們的 VK、X 和 Discord！