---
title: "智谱GLM-5总参数7440亿只激活400亿，还把开源权重挂上了MIT"
date: 2026-11-21
category: AI大模型
site: 脑机网
canonical: https://aiai.cafe/a/njw-ed3d0d
language: zh-CN
---

# 智谱GLM-5总参数7440亿只激活400亿，还把开源权重挂上了MIT

> 关键要点：

关键要点：

- GLM-5总参数7440亿、每token激活400亿，权重按MIT许可公开。
- 媒体流传的7450亿、78层、256专家、202K窗口与官方发布不符。
- Vending Bench 2期末余额4432美元，由第三方Andon Labs独立运行。
一个编码智能体要修一个它从没见过的代码库里的漏洞。老办法是给它更大的模型和更大的账单。智谱这个月的答案，是给它一个大部分时间在睡觉的更大模型。

公司又名Z.ai，于2026年11月19日前后发布GLM-5，附有技术报告和一篇题为《从氛围编码到智能体工程》的发布博客。这个框架是关于软件如何被造出来的主张：不是一个补全函数的助手，而是一个读仓库、找故障、写补丁、跑测试并迭代的系统。

## 从源头读数字
官方发布说，GLM-5从GLM-4.5的3550亿参数（激活320亿）扩到7440亿参数（激活400亿）。预训练数据从23万亿token增至28.5万亿。模型集成了DeepSeek稀疏注意力（DSA），在保留长上下文能力的同时降低部署成本。

这些才是该用的数字，来自公司自己的技术公告，不是聚合站。

7440亿总参数、每token激活400亿，是混合专家设计。容量存着，每个token只算其中一小部分。这就是模型总体大小翻2倍、活跃算力只涨四分之一的原因。

## 关于你可能见过的其他数字
中文媒体的几篇汇总文章把GLM-5写成7450亿参数、78个隐藏层、256个专家和202K上下文窗口。这些数字不经核实不该重复。

官方公告说的是7440亿参数。发布博客没有给出层数或专家数。"202K"似乎是对脚注的误读：报告说HLE带工具评测的最大上下文是202752 token，那是一个基准的设置，不是模型的上下文窗口。同一脚注里，SWE-bench套件用的是200K上下文窗口。

这种漂移要紧。为部署挑硬件的读者需要真实的上下文上限，而不是从评测参数四舍五入来的数字。汇总与技术报告冲突时，技术报告优先。

## 模型被声称能做什么
智谱报告SWE-bench Verified得分77.8，Terminal-Bench 2.0得分56.2，在修正了歧义指令的验证版上为60.7。BrowseComp得分62.0，加上上下文管理升至75.9；工具使用智能体的tau-squared基准得89.7。

最不寻常的数字来自Vending Bench 2——一项让模型经营1年期模拟自动售货机生意的测试。智谱说GLM-5以期末账户余额4432美元收官，领先其他开放模型，接近Claude Opus 4.5报称的4967美元。这些运行由Andon Labs独立进行，因此这个结果比其他内部评测更有分量。

后训练用了一种叫slime的异步强化学习系统，由智谱与清华大学共同开发，公司称它提高训练吞吐量并允许更细粒度的迭代。公司描述了一种从"氛围编码"——人给提示、人调试——向能自己闭环的智能体的转变。

## 仔细读基准表
公告里几乎每个分数都由智谱测量。脚注写明了温度、token上限、裁判模型和上下文设置。这些细节是好做法，但也显示一个分数有多依赖测试框架。

SWE-bench Verified是公开基准，但模型版本、采样温度和提示词由运行方选择。写作时没有77.8分的第三方复现。"开放模型中最佳"是公司的说法，不是独立认证。

Vending Bench的结果是更干净的信号，正因为由外部机构运行。一个能让小公司模拟经营1年不倒闭的模型，做的事和答题不同，它是公司瞄准的智能体任务更好的代理指标。

## 权重、许可证和芯片
GLM-5权重在Hugging Face和魔搭社区以MIT许可发布。模型可通过api.z.ai和大模型开放平台获取，支持Claude Code和OpenClaw，并可在Z.ai免费试用。本地部署有vLLM和SGLang的文档。

芯片名单值得注意：智谱说模型可部署在华为昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原和海光的硬件上，通过内核优化和量化实现。这与"模型训练时没用英伟达硬件"相去甚远——后者出现在第三方评论里，但不在官方发布中。推理时的兼容性是可验证的说法，训练硬件的来源这里没有确认。

## 诚实的局限
所有规格、基准结果、许可条款和芯片兼容说法，来自智谱官方GLM-5发布博客及其脚注。我没有运行模型或检查权重。除Vending Bench 2外，基准数字都是厂商自测。

中文媒体流传的745B、78层、256专家和202K数字这里没有采用，理由如上。若后来的官方文件确认专家数，可以补上，现在不作断言。

我没有涉及GLM-5.3或GLM-5.3-Flash，它们在汇总文章里作为独立商业模型出现，属于不同发布。这里不是购买或部署某个模型的建议。

## 普通人现在能做什么

- 如果你在规划部署，用官方的上下文和活跃参数数字。按汇总数字做硬件选型会出错。
- 如果你做编码智能体，拿自己的仓库试。公开基准分对你的测试集和失败模式说明不了多少。
- 如果你在意供应链，查哪个芯片平台真能用。声称兼容和可接受的吞吐量是两种说法。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-ed3d0d
本内容仅供参考，不构成投资建议。
