大家好，这里是最佳拍档。

全球知名风投机构 a16z 近期发布了一张时间线图，将 智谱AI 的最新力作 GLM-5 与 Anthropic 公司的闭源旗舰模型 Claude Opus 4.6 并列标注在人工智能分析指数的赛道上。a16z在报告中明确指出，Claude Opus 4.6仍然是最智能的，但是它与排名第二的开源模型之间的差距已经大幅缩小。而这份评价所指向的最好的开源模型，正是GLM-5。

紧接着，GLM-5的完整技术报告正式发布。这份长达40页的文档系统阐述了模型从架构设计、数据训练到工程落地的全流程创新。其中 DSA稀疏注意力、完全异步的 Agent RL训练框架、自研 Slime RL基础设施 等核心技术点，更是成为AI行业热议的焦点。今天，我们就来解读一下这份技术报告，看看GLM-5为何能获得a16z的高度认可，它在技术上实现了哪些突破性进展，又将给开源大模型生态带来怎样的变革。

GLM-5核心基本面与性能标杆

首先，我们来看GLM-5的核心基本面，这是它能够立足顶尖梯队的基础。GLM-5沿用了 混合专家架构（Mixture of Experts: MoE），这种架构的核心优势在于推理时仅激活部分参数，在保证性能的同时大幅降低计算成本。具体来看，GLM-5的总参数达到七千四百四十亿，每次推理时激活的参数为四百亿，包含二百五十六个专家网络和八十层网络结构。对比上一代模型GLM-4.5，总参数翻了一倍，预训练数据量也从23万亿token增加到了28.5万亿token，其中预训练阶段贡献27万亿token，中期训练补充了1.5万亿token。数据规模和模型体量的双重提升，为性能突破奠定了坚实基础。

在权威评测中，GLM-5的表现堪称开源模型中的标杆。在 人工智能分析指数 中，GLM-5以50分的成绩位居开源模型第一。该指数包含了10项核心评估，全面覆盖推理、编码、工具使用等多个维度。GLM-5的夺冠意味着其综合能力已经达到开源领域的顶尖水平。而在 LMArena评测 中，GLM-5在文本竞技场和代码竞技场均斩获开源第一，整体得分一千四百五十六分，与 Claude Opus 4.5、Gemini 3 Pro 处于同一梯队，成为少数能与顶尖闭源模型正面抗衡的开源模型。

架构创新：MLA、MTP与DSA

与上一代GLM-4系列相比，GLM-5的架构升级主要集中在三个方面。

第一个核心架构创新是 MLA加Muon Split的注意力机制组合。GLM-5采用的MLA机制与DeepSeek的V3模型同源，核心设计是通过压缩键值对缓存的维度来节省显存空间，这使得模型在处理长文本时的速度相比传统注意力机制有明显提升。但是研发团队在训练过程中发现了一个关键问题：当MLA机制与Mu·on优化器配合使用时，模型效果始终无法追上结构更简单的GQA-8方案。为了解决这一难题，团队提出了 Muon Split 的优化策略，将原本对整块投影矩阵进行的正交化操作改为按每个注意力头单独执行。这个调整让不同的注意力头能够按照自己的节奏更新参数，不仅最终效果追平了GQA-8方案，还带来了一个意外的附加收益：注意力分数在训练过程中能够自动保持稳定，无需额外的裁剪操作来防止数值溢出。在此基础上，团队还开发了 MLA-256变体，将每个注意力头的维度从192提升至256，同时将注意力头的数量减少三分之一，在保持参数总量不变、性能持平的前提下，进一步降低了推理时的计算量。从实测数据来看，MLA加Muon Split组合在MMLU等多个数据集上的表现均优于基础的MLA机制，其中MMLU数据集得分从61.5提升至62.5，验证了这个优化的有效性。

第二个架构创新是 参数共享的多token预测（Multi-token Prediction: MTP）。在大模型推理中，推测解码是一种常用的加速技术，其核心逻辑是用一个轻量级的小模型快速预测接下来的多个token，再由主模型进行验证。如果预测准确则可以节省主模型的计算步骤。DeepSeek-V3模型采用的是1个MTP层训练、推理时预测2个token的方案，但是这种训练与推理方式不一致的设计，导致第二个token的预测准确率偏低。GLM-5对此进行了针对性优化，采用3个MTP层进行训练，但是这3层共享同一套参数。这样既保证了推理时的内存开销与DeepSeek-V3相当，又通过多层训练提升了预测准确率。实测数据显示，在4步推测解码场景下，GLM-5的平均接受长度达到2.76，而DeepSeek-V3.2仅为2.55。预测效率的提升直接转化为推理速度的优化，让大模型在处理长文本生成任务时更加高效。

第三个，也是GLM-5在效率优化上最核心的创新，是 DSA稀疏注意力（DSA Sparse Attention）。传统的全量注意力机制存在一个致命缺陷：计算量会随着上下文长度的增加呈平方倍增长，这使得大模型在处理超长文本时的成本极高，难以落地应用。DSA稀疏注意力的核心思路是引入一个轻量级的索引器，在进行注意力计算前，先快速扫描所有token，筛选出与当前token最相关的top k个token，仅对这部分相关token进行注意力计算，其余不相关的token则直接跳过。与传统的滑动窗口机制不同，DSA是基于内容相关性来选择关键token，而非依赖位置信息。这使得模型在节省计算量的同时，不会丢失重要的长程依赖关系。

更令人惊叹的是GLM-5在DSA训练上的效率突破。研发团队从中期训练结束后的基础模型开始，先进行一千步预热训练，随后进行两百亿token的稀疏适配训练，总训练token预算仅为两百亿。而对比来看，DeepSeek-V3.2的DSA训练耗费了九千四百三十七亿token，是GLM-5的将近50倍。但是GLM-5通过优化的训练策略，最终在长上下文基准测试中，达到了与DeepSeek-V3.2相当的效果。最终数据显示，DSA模型在长上下文任务上的表现与原始MLA模型基本持平，且经过SFT后的训练损失曲线几乎完全重合。这意味着在几乎不损失性能的前提下，GLM-5将长序列注意力计算量降低了1.5到两倍。对于后续Agent推理中动辄两百K上下文的场景来说，这个优化直接将GPU成本砍半，为大模型的大规模落地扫清了重要障碍。

为了验证DSA的优越性，研发团队还进行了一组消融实验，对比了朴素滑动窗口交错、基于搜索的SWA模式、GDN、SimpleGDN等多种高效注意力方案。结果显示，朴素滑动窗口交错方案在128K上下文下，Ruler数据集得分暴跌30.35分，基本失去实用价值。基于搜索的SWA模式效果相对较好，但是在细粒度检索任务上仍会丢失5到7分。而DSA通过token级的动态选择，能够完整保留长程依赖，在各项长上下文基准测试中均表现最优，充分证明了技术的先进性。

数据质量与上下文窗口扩展

架构之外，数据质量是大模型性能的另一个核心支撑。GLM-5在预训练数据和中期训练上都进行了全面升级。

预训练数据主要来自三个核心来源：

• 网页数据：GLM-5在4.5的原有数据管线上，新增了基于句子嵌入的 DCLM分类器，专门挖掘标准分类器遗漏的高质量内容。同时训练了一个 世界知识分类器，利用维基百科条目和大模型标注数据作为训练样本，从中低质量网页中筛选出有价值的长尾知识，进一步丰富模型的知识储备。
• 代码数据：团队刷新了主要代码托管平台的快照，经过模糊去重处理后，独特token数量增加了28%。同时修复了Software Heritage的元数据对齐问题，并为Scala、Swift、Lua等低资源编程语言训练了专用分类器，提升了模型对小众编程语言的支持能力。
• 数学与科学数据：数据主要从网页、书籍、学术论文中收集，通过大模型打分，筛选出最具教育价值的内容。对于长文档采用分块聚合评分的方式确保质量，同时严格排除合成数据和AI生成数据，避免低质量数据对模型性能的干扰。

中期训练 则聚焦于上下文窗口的逐步扩展，分为三个关键阶段：32K上下文窗口阶段训练1万亿token，128K阶段训练五千亿token，新增的 两百K阶段 训练五百亿token。GLM-4.5的最大上下文窗口为128K，而GLM-5新增的两百K阶段专门用来处理超长文档和多文件代码库，满足更复杂的实际应用场景。在数据类型上，中期训练重点扩充了 软件工程数据，通过放宽仓库级筛选条件，获得了大约一千万个Issue和PR对，同时加强了单个issue的质量过滤，最终形成约一千六百亿token的高质量软件工程数据。长上下文数据则包含自然数据和合成数据，合成数据采用NextLong和EntropyLong的思路构建长程依赖。两百K阶段还额外加入了MRCR类数据的多种变体，专门增强模型在超长多轮对话中的召回能力。

训练工程的优化与效率提升

训练工程的优化是GLM-5能够顺利落地的的重要保障。技术报告用大量篇幅阐述了训练基础设施的创新，这些优化虽然并非单个突破性技术，但是组合在一起实现了一加一大于二的效果，让七千四百四十亿参数的大模型能够在合理的硬件规模上完成训练。

其中关键的优化点包括：

• MTP布局优化：将MTP模块的输出层与主输出层放在流水线最后一个阶段共享参数，其余部分向前迁移，有效平衡了各rank的显存占用。
• Zero 2梯度分片技术：让每个阶段仅存储dp分之1的梯度，配合双缓冲机制，在不增加同步开销的前提下，大幅降低了梯度显存占用。
• Muon优化器的零冗余通信设计：将all-gather操作限制在本rank负责的参数分片内，减少了通信开销。
• 流水线激活卸载技术：在前向计算完成后将激活值按层卸载到CPU，反向计算时再重新加载，与计算过程重叠执行，提升了硬件利用率。
• 序列分块输出投影和Int4量化感知训练：前者针对长序列下输出层和损失函数的显存峰值过高问题，按序列维度分块处理，降低了显存压力；后者在SFT阶段就引入量化训练，开发了训练与推理比特位对齐的量化内核，为后续的高效部署奠定基础。

后训练流程：SFT、RL与蒸馏

后训练流程是GLM-5实现能力飞跃的关键环节。团队设计了一条完整的流水线，从有监督微调（Supervised Fine-Tuning: SFT）到推理强化学习（Reasoning RL），再到智能体强化学习（Agentic RL），再到通用强化学习（General RL），最后到跨阶段在线蒸馏。

• SFT阶段：训练数据分为三大类，包括通用对话数据、推理数据、编程与Agent数据。最大上下文长度扩展到了二十万二千七百五十二个token，充分满足了超长文本处理需求。为了提升不同场景下的表现，SFT阶段还设计了三种思考模式：

  • 交错思考：在每次响应和工具调用前都进行一轮思考，提升指令遵循度和生成质量。
  • 保留思考：在编程智能体场景中，多轮对话之间保留所有思考内容，无需重新推导，适合长程复杂任务，减少信息丢失。
  • 轮级思考：按轮次控制思考模式的开关，简单请求关闭思考以降低延迟，复杂任务开启思考以提升精度。 值得注意的是，编程和Agent相关的SFT数据采用了专家强化学习和拒绝采样技术来提升质量。团队还特意保留了轨迹中的错误片段，但在计算损失时用掩码进行屏蔽，让模型能够学习到错误发生的原因和纠错方法，同时避免被训练去重复错误动作。

• 推理强化学习（Reasoning RL）阶段：基于GRPO和IcePop算法进行改进。核心创新是明确区分了用于梯度更新的训练模型和用于生成轨迹的推理模型，并且去掉了KL正则项，大幅加速了训练进程。这个阶段采用了纯在线策略训练，分组大小和批次大小均设为32。在训练过程中，研发团队还发现了一个影响重大的工程细节：DSA的索引器在每个token位置需要进行top k检索，其中k等于两千零四十八。而SGLang推理引擎中基于Cuda的top k实现虽然速度快，但是结果存在随机性，同样的输入可能得到不同的排序结果。而将它替换为PyTorch原生的torch.topk函数后，虽然速度稍慢，但是输出结果完全一致。实验证明，使用非确定性的Cuda top k会导致RL训练几步后就出现熵值骤降、性能急剧退化的问题。因此最终方案确定为全程使用torch.topk，并在RL阶段冻结索引器参数，从而确保训练的稳定性。推理强化学习在数学、科学、代码、工具集成推理四个领域进行混合训练，难度过滤逻辑非常严格，只保留了GLM-4.7无法完成，但OpenAI的GPT-5.2 high版本或者Gemini 3 Pro Preview能够完成的题目，通过高难度数据倒逼模型推理能力提升。

• 智能体强化学习（Agentic RL）：是技术报告中篇幅最大的部分，也是GLM-5实现智能体能力突破的核心。智能体任务的最大挑战在于rollout时间极长且差异巨大，一条软件工程任务可能需要几分钟，另一条则可能需要半小时。传统同步RL的做法是等待所有rollout完毕后再统一训练，导致最慢的轨迹成为瓶颈，大量GPU资源处于闲置状态。为了解决这个问题，GLM-5采用了 完全异步的训练架构。训练GPU和推理GPU物理分离，推理端持续不断的rollout，攒够一批轨迹后就发送给训练端，推理端的模型权重每隔K步与训练端同步一次，彻底打破了同步训练的效率瓶颈。 为了支撑大规模异步训练，团队还设计了 多任务轨迹生成编排器。不同类型的智能体任务各自作为独立的微服务注册到中央编排器，由编排器统一控制任务比例和生成速度，支持超过一千的并发轨迹生成。同时，为了保证异步训练的稳定性和效果，团队还提出了多项关键设计：

  • Token-in-Token-out机制：训练流程直接消费推理引擎生成的token ID序列和元数据，避免了传统文本往返过程中重新分词带来的细微差异，确保token级别的精确对应。
  • 直接双侧重要性采样：在异步场景下，推理引擎的模型可能在一条rollout过程中多次更新，追踪完整的历史策略概率不现实。因此直接使用rollout时记录的对数概率作为行为代理，计算重要性比率，将落在信任域外的token直接屏蔽梯度，防止偏差过大的样本影响训练。
  • 样本过滤机制：记录每条轨迹的模型版本号，丢弃版本差距超过阈值的样本，同时排除因环境崩溃导致失败的样本。
  • DP-aware路由：在多轮智能体任务中，通过一致性哈希将同一个轨迹生成的后续请求路由到同一个数据并行rank，复用KV缓存，让预填充成本仅与增量token成正比，提升训练效率。

• 通用强化学习（General RL）阶段：优化目标涵盖三个维度：正确性、情商和特定任务能力。这个阶段的奖励系统采用三种信号混合设计，包括规则奖励、判别式奖励模型（ORM）以及生成式奖励模型（GRM），通过三者的互补实现更全面的奖励评估。一个非常有意思的设计是，在RL中引入了人类撰写的高质量回复，作为风格和质量的锚点。因为纯模型的RL训练容易让模型收敛到冗长、公式化的机器感表达模式，这类表达虽然在奖励函数上得分较高，但是读起来不够自然。而人类的高质量回复能够有效将模型风格拉回到更符合人类交流习惯的轨道上。

• 跨阶段在线蒸馏：是为了解决多阶段RL训练中的灾难性遗忘问题。GLM-5在训练流水线的最后加入了蒸馏阶段，将前面几个阶段的checkpoint作为教师模型，学生模型通过计算与教师模型输出logits的差距，直接得到优势函数，无需大的分组规模。同时将批次大小提升到了一千零二十四，大幅提升了训练吞吐量，有效保留了各阶段学到的核心能力。

Slime RL框架：大规模训练的基石

最后，我们再来介绍一下GLM-5后训练自研的 Slime RL框架。这个框架围绕三个核心设计重点构建，确保了大规模RL训练的稳定性和高效性。

• 横向扩展：Slime框架提供高度可定制的rollout接口，并且通过HTTP API暴露推理服务。不同的智能体框架可以像调用普通推理引擎一样与Slime交互，实现了训练逻辑和推理逻辑的完全解耦，便于灵活扩展不同类型的训练任务。
• 纵向扩展：Slime框架将RL推理的优化目标聚焦于端到端延迟。针对最慢轨迹成为瓶颈的问题，采用多节点推理部署，通过FP8精度进行rollout，降低单token延迟。MTP技术在小批次解码下的收益尤其显著。同时采用预填充和解码分离调度的方式，确保多轮交互中解码速度稳定，大幅提升了整体训练效率。
• 容灾能力：推理服务会定期发送心跳信号，不健康的节点会被自动终止并从路由中注销，请求会自动重试到健康节点，确保了大规模分布式训练的稳定性，避免因单个节点故障导致整个训练流程中断。

彩蛋与总结

技术报告的最后还藏着一个有趣的彩蛋：GLM-5在正式发布前，曾经以匿名身份 Pony Alpha 在OpenRouter平台上线，没有公开任何品牌信息，纯靠模型自身的性能表现吸引用户。上线几天后，OpenRouter社区就对这个神秘模型产生了浓厚兴趣。开发者们发现它在复杂代码生成、智能体任务链路和角色扮演等场景下的表现尤为突出，纷纷猜测其真实身份。根据社区统计，25%的用户推测它是Anthropic的Claude Sonnet 5，20%的用户认为是Grok的新版本，10%的用户猜测是DeepSeek V4。直到正式发布后，大家才知道这个匿名模型正是GLM-5。这也从侧面印证了其性能已经达到了与顶尖闭源模型难分伯仲的水平。

总的来说，GLM-5通过架构创新、数据优化、工程突破和生态构建，不仅获得了a16z眼中最好的开源模型的高度认可，更在多个核心能力上实现了对开源模型的超越，甚至逼近顶尖闭源模型。它的发布不仅为开发者提供了一个高性能、可定制的开源大模型选择，更推动了开源大模型生态的技术进步。其中的架构设计、训练策略和工程优化思路，都值得其他模型深入学习和借鉴。

感谢收看本期视频，我们下期再见。