GLM-5 是来自 Z.ai 的混合专家（MoE）模型，总参数量为 744B，激活参数量为 40B。它在 GLM-4.5 的 355B 参数基础上进行了扩展，专为复杂的推理、编码和智能体（Agent）任务而设计。

该模型采用深度求索稀疏注意力机制（DSA）以降低部署成本，同时保持长上下文处理能力，并使用一种新型异步强化学习架构进行训练后处理，以提高训练效率。

核心能力

• 推理与数学：在 AIME 2026 I 上得分 92.7%，在 GPQA-Diamond 上得分 86.0%
• 编码：在 SWE-bench Verified 上达到 77.8%，在 SWE-bench Multilingual 上达到 73.3%
• 智能体任务：在 BrowseComp 上得分 62.0，在 Terminal-Bench 2.0 上得分 56.2
• 长上下文：通过 DSA 优化支持高达 128K+ 的上下文
• 多语言：支持英语和中文

基准测试

脚注

• 人类终极考试（HLE）及其他推理任务：我们评估时设置最大生成长度为 131,072 个 token（temperature=1.0, top_p=0.95, max_new_tokens=131072）。默认情况下，我们报告纯文本子集的结果；标记有 * 的结果来自完整数据集。我们使用 GPT-5.2（中等）作为判别模型。对于 HLE-with-tools，我们使用 202,752 个 token 的最大上下文长度。
• SWE-bench & SWE-bench Multilingual：我们使用 OpenHands 配合定制的指令提示词运行 SWE-bench 套件。设置：temperature=0.7, top_p=0.95, max_new_tokens=16384，上下文窗口为 200K。
• BrowserComp：在没有上下文管理的情况下，我们保留最近 5 轮的详细信息。在使用上下文管理时，我们采用与 DeepSeek-v3.2 和 Kimi K2.5 相同的丢弃全部（discard-all）策略。
• Terminal-Bench 2.0 (Terminus 2)：我们使用 Terminus 框架进行评估，设置 timeout=2h, temperature=0.7, top_p=1.0, max_new_tokens=8192，上下文窗口为 128K。资源限制上限为 16 个 CPU 和 32 GB 内存。
• Terminal-Bench 2.0 (Claude Code)：我们使用 Claude Code 2.1.14（思维模式，默认努力程度）进行评估，设置 temperature=1.0, top_p=0.95, max_new_tokens=65536。由于生成速度原因，我们取消了挂钟时间限制，但保留了每个任务的 CPU 和内存限制。得分为 5 次运行的平均值。我们修复了由 Claude Code 引起的环境问题，并报告了在已验证的 Terminal-Bench 2.0 数据集上的结果，该数据集解决了模棱两可的指令（详见：https://hugging-face.cn/datasets/zai-org/terminal-bench-2-verified）。
• CyberGym：我们使用 Claude Code 2.1.18（思维模式，无 Web 工具）进行评估，设置 temperature=1.0, top_p=1.0, max_new_tokens=32000，每个任务超时限制为 250 分钟。结果为 1,507 个任务上的单次运行 Pass@1 指标。
• MCP-Atlas：所有模型均在思维模式下对 500 个任务的公共子集进行评估，每个任务超时限制为 10 分钟。我们使用 Gemini 3 Pro 作为判别模型。
• τ²-bench：我们在零售（Retail）和电信（Telecom）领域添加了少量提示词调整，以避免因用户过早终止导致的失败。对于航空（Airline）领域，我们应用了 Claude Opus 4.5 系统卡中提出的领域修复建议。
• Vending Bench 2：由 Andon Labs 独立进行运行评估。

支持的语言

• 英语
• 中文

许可协议

MIT 协议

参考

• Z.ai 技术博客
• Hugging Face 上的 GLM-5