智谱 GLM-5 炸场！作为首个原生融合推理、编码、Agent 能力的开源旗舰，首次登顶 Artificial Analysis 50 分大关，深度智能体工程的新纪元真的来了！

图 |  LLM Performance Evaluation

目前，网心算力云（OneThingAI）已接入 GLM-5 模型 API 服务，让每一位开发者都能以更低门槛、更强算力，体验这场从“氛围编程”到“智能体工程”的范式跃迁。

GLM-5：不仅更强，更是“进化”

如果说之前的模型还在帮我们写代码，那么 GLM-5 已经进化到了“帮我们做工程”的阶段。

在 SWE-bench、BrowseComp 等 Agent 与编程基准测试中，GLM-5 性能逼近 Claude Opus 4.5，能够应对跨文件、长周期的任务，在多轮交互中保持高度的思考一致性。这主要得益于：

✅ DSA 稀疏注意力机制

替代传统 MoE，GLM-5 按 Token 重要性动态分配算力，在保持长上下文能力的同时大幅降本，支撑模型从 355B（激活 32B）扩展至 744B（激活 40B），预训练数据从 23T 提升至 28.5T，显著提升了模型的通用智能水平。

✅ 升级异步 RL 基础设施

自研 Slime 异步 RL 框架，进一步实现“生成与训练”的深度解耦，最大化 GPU 利用率，以支持大规模 Agent 轨迹探索，消除同步瓶颈。

图 |  Slime 异步 Agent RL 框架（来源网络）

该框架包含三个关键组件：

• Rollout服务器集群：专门用于执行 Agent 任务的服务器集群。集群内各节点相互独立，单台可并行运行一个或多个任务。任务执行结束后，会将完整执行轨迹（模型的每步操作、环境的每次反馈）打包发送出去。

• TITO网关：作为 Rollout 集群和训练集群之间的中间层，负责数据格式转换，解决了不同版本模型之间的兼容性问题，实现了集群间的完全解耦。

• 训练集群：只要收到来自 TITO 网关的轨迹数据，就会立即启动训练流程，无需等待新的任务执行完毕，实现了 “有数据就训练，不等待”。

简单来说，该框架就像一条高效的流水线，三者协同工作，极大提升了强化学习的训练效率和系统的可扩展性。

✅ 全新异步 Agent RL 算法

支持模型从海量异构、长时序交互数据中持续学习与进化，这也正是 GLM-5 能够在真实编程场景中表现卓越的底层逻辑。

图 |  GLM-5 完整训练流水线（来源网络）

在上图右侧的 Post-Training（后训练阶段）流程里，异步 Agent RL 算法作核心一环，承接了 Reasoning RL 的成果，进一步将模型从“会思考”升级为“会行动”的智能体。

GLM-5 智能体工程实战

提示词：开发个人知识库管理工具 NoteFlow，采用左侧文档树、中央 Markdown 编辑区、右侧 AI 助手面板的布局。集成 GLM API 实现音频转会议纪要、图片 / PDF 识别、智能内容编辑等 AI 能力，支持本地数据持久化。

提示词：开发简约风个人应用 EduTrack，调用 GLM Skills 实现截图识别结构化提取教务信息，一站式管理学生课程、作业、考试并统计学业进度，支持数据持久化与多维度交互优化。

快速接入 GLM-5

• GLM-5 API 文档：

https://console.onethingai.com/modelApi/list/detail/glm-5