快速摘要
2026年2月11日深夜，智谱正式发布新一代旗舰模型GLM-5。这款拥有745B总参数、采用MoE混合专家架构的大模型，在编程（Coding）和智能体（Agent）两大能力维度上取得了开源模型的全球最优表现（SOTA），真实编程场景下的使用体感已逼近国际顶尖水平。 GLM-5此前以"Pony Alpha"的匿名身份在OpenRouter平台进行了为期一周的公开盲测，处理超过400亿Token、收到超20万次请求，获得了全球开发者的广泛认可。本文由 莫潇羽@无忆研习社 为你深度拆解GLM-5的核心架构原理、实际表现评测、接入使用方法以及背后的技术演进脉络。往下看，有更详细的拆解。
一、从"Pony Alpha"到GLM-5：一场精心策划的技术亮相
如果你最近一周关注了全球AI社区的动态，一定不会对"Pony Alpha"这个名字感到陌生。
2026年2月6日，全球知名的大模型聚合服务平台OpenRouter悄然上线了一款匿名模型，代号"Pony Alpha"。没有发布会，没有技术论文，甚至连开发商的名字都没有透露——它就这样静悄悄地出现在了开发者的工具列表里。
但事情很快就不平静了。大量开发者在实测后发现，这款模型在代码生成、复杂Agent任务、长上下文记忆保持等方面的表现异常出色，其前端开发能力堪比同期发布的国际顶尖模型，很多高质量的案例仅靠单条提示词（one-shot）就能完成。有开发者测试让它生成一个完整的全球广播电台直播网站，Pony Alpha直接输出了包含超过35个电台、精美UI和完整交互逻辑的500多行代码——而且是在一个文件里一次性完成的。
全网掀起了一场"猜模型"的狂欢。有人猜是DeepSeek-V4偷跑，有人说是某国际巨头的新版本内测，甚至还有人脑洞大开猜测是腾讯的手笔——毕竟"Pony"不就是马化腾的英文名嘛？
但蛛丝马迹逐渐浮出水面。站长 莫潇羽 在追踪这件事的过程中注意到了几个关键线索：
- 有开发者通过修改OpenRouter系统提示符，询问模型型号时，它直接回答了"I'm GLM"
- 通过PoC令牌测试发现，Pony Alpha和GLM系列模型使用了完全相同的分词器（Tokenizer）
- 输出风格上，思维链的组织方式、中文表达习惯都与GLM系列高度一致
- 时间节点完美吻合——智谱首席科学家唐杰在1月初的内部信中明确预告"GLM-5很快将与大家见面"
2月11日深夜，智谱官方正式揭晓谜底：Pony Alpha就是GLM-5。"Pony"这个代号，是智谱为2026马年（农历丙午年）埋下的彩蛋。
这种先匿名盲测、再官方认领的发布策略相当高明。它让全球开发者在不带任何品牌预设的情况下，单纯凭借模型的实际表现来做出评价，大大增强了评测结论的可信度。而最终的结果也证明了智谱的底气——在长达一周的公开测试中，Pony Alpha在编码、推理和Agent工作流方面的表现获得了社区的广泛好评。
（本文由 莫潇羽@无忆研习社 原创首发于 www.wuyi.wiki，转载请注明出处）
二、GLM-5的核心架构解析：技术原理全面拆解
要理解GLM-5为什么能在编程和Agent能力上取得如此突破，就必须深入了解它的技术架构。在这一部分，莫潇羽 会尽量用通俗的语言帮大家把底层原理讲清楚，即便你是刚接触大模型的小白，也能看明白。
2.1 什么是MoE混合专家架构
GLM-5最显著的架构特征就是采用了MoE（Mixture of Experts，混合专家）架构。
为了帮助新手理解，我们可以做一个类比。想象一家大型综合医院，它拥有256位不同专科的医生（专家）。当你走进医院看病时，并不需要所有医生同时给你会诊——分诊台会根据你的症状，只安排其中最相关的8位专家来为你诊治。这样既保证了诊断质量，又不会浪费其他医生的时间和精力。
GLM-5的工作原理也是如此。根据开源社区从vLLM推理框架的代码提交中发现的信息，GLM-5的架构参数如下：
|
参数维度 |
具体数值 |
|
总参数量 |
约745B（7450亿） |
|
隐藏层数 |
78层 |
|
专家总数 |
256个 |
|
每次激活专家数 |
8个 |
|
实际激活参数 |
约44B（440亿） |
|
稀疏度 |
约5.9% |
|
上下文窗口 |
200K Token |
|
最大输出 |
131K Token |
这意味着什么呢？GLM-5虽然拥有745B的庞大参数池（是上一代GLM-4.7的两倍），但每次处理一个Token时，只需激活其中约44B的参数进行计算。这种"用到谁才叫谁"的机制，让GLM-5在拥有超大规模知识储备的同时，推理延迟却能控制在30-70B密集模型的水平。用更通俗的话说，它"脑子很大、但算得很快"。
为了帮大家更直观地理解MoE的工作原理，莫潇羽 画一个简化的流程说明：
用户输入 Token
↓
┌──────────────┐
│ 路由器(Router) │ ← 决定激活哪些专家
└──────────────┘
↓
┌────┬────┬────┬─────────────┐
│专家1│专家2│...│ 专家256 │
│(激活)│(激活)│ │(未激活,跳过) │
└────┴────┴────┴─────────────┘
↓ (仅8个被激活的专家输出)
┌──────────────┐
│ 加权聚合 │ ← 合并8个专家的输出
└──────────────┘
↓
输出 Token在这个过程中，路由器（Router）是整个MoE架构的"调度中心"。它会根据输入Token的特征，计算出每个专家的"匹配分数"，然后选择得分最高的8个专家来处理当前的输入。不同的Token会被分配给不同的专家组合——比如处理数学计算的Token可能主要由擅长逻辑推理的专家来处理，而处理自然语言描述的Token则可能由擅长语义理解的专家来承担。
这里有一个技术细节值得注意：MoE架构面临的一个经典挑战是"专家负载不均衡"（Expert Load Imbalance）问题。如果路由器总是把Token分配给少数几个"明星专家"，就会导致这些专家所在的计算设备成为瓶颈，而其他设备则处于空闲状态。GLM-5大概率采用了某种负载均衡策略来缓解这个问题，确保256个专家的工作量相对均匀，从而最大化整个系统的吞吐能力。
2.2自研稀疏注意力机制（DSA）
GLM-5 搭载的核心技术之一是智谱自研的稀疏注意力机制（Zhipu Sparse Attention，简称 DSA），该技术针对长上下文推理场景做了深度优化，是模型高效处理超长输入的关键支撑。
在传统的 Transformer 架构中，注意力机制需要让当前的每一个 Token 都去 "关注" 上下文中所有的历史 Token。当上下文变得很长 —— 比如 20 万个 Token—— 这种全量注意力计算的开销就会变得非常恐怖，呈平方级增长。
GLM-5 的 DSA 通过一个非常巧妙的两阶段流程来解决这个问题：第一阶段：快速扫描与打分。 一个名为 Lightning Indexer 的轻量级组件会像 "快速浏览目录" 一样，迅速扫描所有历史 Token，给每个 Token 打一个相关性分数，评估它们与当前正在处理的查询 Token 有多大的关联性。第二阶段：精准聚焦计算。 只挑选得分最高的 Top-k 个 Token 进行完整的注意力计算，其余的 Token 全部跳过。
用日常场景做比方：你在翻阅一本 500 页的参考手册来回答一个具体问题时，并不需要逐字逐句地重新读一遍。你会先快速翻阅目录，定位到最相关的几个章节，然后集中精力去仔细阅读这几部分内容。DSA 做的事情本质上就是这个。
这项技术的直接效果是：GLM-5 能够高效处理长达 200K Token 的超长上下文（大约相当于一本 30 万字的中文书），同时输出质量几乎不受影响。这对于复杂的系统工程项目和长程 Agent 任务来说至关重要，因为这类场景往往需要模型在极长的对话历史中保持清晰的逻辑脉络。
为什么长上下文对编程如此重要？在真实的软件开发项目中，一个中等规模的代码仓库可能包含几十到上百个源文件，总代码量动辄几万行。如果要让 AI 理解整个项目的架构并在此基础上进行修改，就必须把大量的代码文件加载到上下文中。传统的全量注意力机制在处理这么长的输入时，计算量会随序列长度的平方增长，导致推理速度急剧下降甚至内存溢出。DSA 通过 "去粗取精" 的策略，在不损失关键信息的前提下，大幅降低了长上下文推理的计算开销，让 GLM-5 能够 "看" 更多的代码、"记住" 更长的任务历史。
从技术实现的角度来看，DSA 的 Lightning Indexer 组件本身的计算开销很低 —— 它的核心操作是对历史 Token 进行线性扫描和打分，复杂度大约是 O (n) 级别，远低于全量注意力的 O (n²)。而后续的精准注意力计算虽然仍然是全量计算，但由于只针对 Top-k 个 Token，实际计算量被压缩到了原来的很小一个比例。
2.3 多Token预测（MTP）
GLM-5引入的第三项关键技术是多Token预测（Multi-Token Prediction，MTP）。
常规的大语言模型每次只预测下一个Token，然后基于这个Token再预测再下一个，如此循环。而MTP允许模型在一个推理步骤中同时预测多个Token，从而大幅提升了文本生成的效率。
对于编程任务来说，这意味着模型能更快速地生成大段代码，而不会在速度上"拖后腿"。配合MoE架构的低延迟特性，GLM-5在日常编程任务中的响应体感与国际顶尖模型已经非常接近。
2.4 强化学习框架Slime
为了支撑GLM-5及其前代模型的大规模强化学习训练，智谱自主开发并开源了一套名为Slime的RL（强化学习）基础框架。
Slime的核心设计理念是将数据生成和模型训练解耦（Decouple），并支持同步与异步两种训练模式。这样做的好处是能够最大化GPU的利用率——在大规模分布式训练中，GPU空闲等待是最大的资源浪费之一。Slime通过灵活的任务调度，让不同的GPU可以并行处理不同阶段的任务，极大地提升了训练效率。
智谱首席科学家唐杰在2026年初的规划中特别提到，下一阶段智谱将聚焦于"具有更强泛化能力的强化学习"以及"在线学习/持续学习"范式的前瞻性布局。这表明，强化学习在GLM模型能力提升中扮演的角色将越来越核心。
（莫潇羽@无忆研习社 提示：以上架构信息主要来源于开源社区的代码分析和第三方技术媒体的报道，部分细节可能在智谱后续的官方论文中有更精确的表述。）
三、编程能力深度实测：GLM-5到底有多能打？
光讲架构原理还不够，开发者最关心的是："说这么多，它到底好不好用？"
3.1 评测数据一览
根据来自AICodeKing及早期内测用户的评测数据，GLM-5在多个权威基准上表现如下：
代理编程（Agentic Coding）方面： GLM-5获得589分，对比同期发布的国际顶尖模型的585分，在自主修复Bug、多文件编辑、复杂项目构建等场景上，GLM-5已经排到了同类模型的前列位置。
API调用成本方面： 完成同等复杂度的编程任务，GLM-5的花费大约只有国际顶尖闭源模型的四十分之一。对于需要高频调用的开发者来说，这个成本差异非常显著。
实际编码体验方面： 在社区的公开盲测中，多位开发者给出了"编程能力逼近Claude级别"的评价。一些精细化的前端开发测试（如模拟水滴、碎屑、烟雾、气泡四种粒子效果在流体中的混合渲染）显示，GLM-5的视觉还原度已经和国际一线模型几乎没有区别。
3.2 真实场景测试案例
为了让读者更直观地了解GLM-5的编程能力，莫潇羽 整理了社区中一些值得关注的真实测试案例：
案例一：一键生成全球广播应用。 有开发者仅用一条提示词，让GLM-5生成了一个完整的全球收音机直播网站，包含超过35个电台的实时播放功能、美观的UI界面和完整的交互设计。整个应用超过500行代码，在单个文件中一次性完成，无需手动调整即可运行。
案例二：Windows Vista风格桌面网页。 有测试者要求GLM-5仿照Windows Vista制作一个窗口可拖动的桌面网页，并实现经典的3D窗口切换效果。GLM-5在单次对话中交付了一个完整的可运行作品。
案例三：音乐播放器应用。 一位开发者让GLM-5生成了一个功能完整的音乐播放器，前端设计风格时尚，包含"为你推荐""查找""收藏夹""播放列表"等多个功能模块，UI交互非常流畅。
案例四：鞭炮炸鱼缸物理模拟。 这是社区中一个比较经典的压力测试，要求模型模拟鞭炮在玻璃鱼缸中爆炸的完整物理效果，包含水花飞溅、玻璃碎屑、烟雾扩散、气泡上浮等多种粒子效果的混合渲染。GLM-5在这个测试中的参数遵循度和视觉还原度都获得了很高的评价。
案例五：后端架构设计能力。 除了前端表现亮眼之外，GLM-5在后端架构设计方面同样表现不俗。有开发者测试用它复刻一个产品的后端系统，发现GLM-5在订单表设计时会自动加上行级安全策略（RLS），启用自定义规则让不同用户只能看到或修改自己有权限的行——这种细节在一般的AI编程辅助中并不常见，体现了GLM-5对系统工程最佳实践的深入理解。
3.3 Agent能力：不只是写代码
Agent（智能体）能力是GLM-5的另一个核心亮点。与单纯的"问一句答一句"不同，Agent需要模型具备任务理解、步骤规划、工具调用、错误修正和结果反馈等一系列复杂能力。
GLM-5在Agent方面的突破主要体现在以下几个层面：
工具调用准确率显著提升。 OpenRouter官方在Pony Alpha的模型介绍中特别强调了这一点——该模型针对智能体工作流进行了大量优化，具有非常高的工具调用准确率。这意味着在需要调用外部API、数据库查询、文件操作等场景下，GLM-5能够准确地生成调用参数和处理返回结果。
长程任务执行能力。 得益于200K的超长上下文窗口和DSA稀疏注意力机制，GLM-5能够在长达数十步的复杂Agent任务中保持逻辑连贯性，不会在后续步骤中"忘记"前面的任务要求或执行结果。
多文件协同编辑。 在实际的软件开发项目中，一个功能的实现往往涉及多个文件的同步修改。GLM-5能够理解文件之间的依赖关系，在修改一个文件的同时自动更新关联文件中的相关引用。
错误自修复能力。 Agent的一个关键特征是在执行过程中遇到错误时能够自主诊断和修复。GLM-5在这方面展现了不错的能力——当生成的代码出现编译错误或运行时异常时，它能够分析错误信息、定位问题根源，并自动进行修正，而不需要用户手动干预。在社区的测试中，GLM-5在多轮自修复循环后成功解决问题的比率有了明显提升。
结构化工具调用。 GLM-5支持标准化的工具调用语法（如输出<tool_call>数据结构），可以精确地生成函数名称、参数键值对和类型标注。这意味着在构建AI Agent应用时，开发者可以为GLM-5配置各种外部工具（数据库查询、文件操作、第三方API等），模型会准确地生成调用指令，而不是"幻觉"出不存在的API或错误的参数格式。
为了方便理解，莫潇羽 用一个简化的例子说明Agent工作流的典型过程：
用户需求：帮我分析项目中所有Python文件的代码复杂度，
找出复杂度最高的前5个函数，并生成优化建议报告
GLM-5 Agent执行步骤：
步骤1 → 调用文件系统工具，扫描项目目录，获取所有.py文件列表
步骤2 → 逐个读取文件内容，载入上下文
步骤3 → 分析每个函数的圈复杂度（Cyclomatic Complexity）
步骤4 → 排序并选出复杂度最高的5个函数
步骤5 → 针对每个函数生成具体的优化建议
步骤6 → 汇总生成Markdown格式的分析报告在这个过程中，GLM-5需要在多个步骤之间保持上下文的连贯性，每一步的输出都是下一步的输入。200K的长上下文窗口和DSA稀疏注意力机制在这类场景下发挥了关键作用。
（本文首发于 www.wuyi.wiki 无忆研习社，作者 莫潇羽，未经授权严禁搬运）
四、从GLM-1到GLM-5：智谱大模型的六年进化之路
要真正理解GLM-5为何能取得今天的成绩，我们有必要回顾一下智谱（Z.ai）和GLM系列模型的完整发展历程。
4.1 起源与架构创新（2020—2022）
智谱AI（全称：北京智谱华章科技股份有限公司）脱胎于清华大学计算机系知识工程实验室（KEG Lab），由清华大学计算机系教授唐杰发起创立。
2020年底，智谱团队开始研发GLM预训练架构。GLM的全称是"General Language Model"（通用语言模型），其核心创新是提出了一种基于"自回归空白填充"（Autoregressive Blank Infilling）的训练范式。
传统的语言模型主要分为两大流派：以BERT为代表的"自编码"模型擅长理解但不擅长生成，以GPT为代表的"自回归"模型擅长生成但在理解任务上有局限。GLM通过将自然语言理解任务转化为"完形填空"问题，然后用自回归的方式去填充空白——巧妙地把理解和生成统一在了同一个框架下。这种架构设计，加上独创的Span Shuffling和二维位置编码技术，让GLM在当时就展现出了优秀的综合能力。
2021年，智谱完成了百亿参数模型GLM-10B的训练，同年还利用MoE架构成功训练出了一个收敛的万亿稀疏模型——这为后来GLM-5采用大规模MoE架构埋下了伏笔。
2022年，智谱与清华大学合作研发了中英双语千亿级预训练模型GLM-130B，这是当时参数量最大的开源中英双语模型之一。
4.2 ChatGLM时代与对话能力的飞跃（2023）
2023年是大模型的应用爆发之年。智谱推出了基于千亿基座的对话模型ChatGLM，并开源了轻量级版本ChatGLM-6B——这个只需要单张消费级显卡就能运行的模型，让大量研究者和个人开发者第一次有机会在自己的电脑上跑起一个"能对话"的大模型。
同年，智谱上线了面向C端用户的AI助手产品"智谱清言"，并成为通过《生成式人工智能服务管理暂行办法》备案的首批大模型之一。
4.3 GLM-4系列与能力全面提升（2024）
2024年初，智谱发布了GLM-4基座模型，整体性能相比GLM-3提升了约60%。GLM-4引入了All Tools能力，能够自主理解用户意图、规划复杂指令、调用网页浏览器和代码解释器等工具来完成多步骤任务。
同年发布的GLM-4V则是智谱在多模态方向的重要突破，实现了视觉理解与语言理解的深度融合。
4.4 2025年的加速冲刺：从4.1到4.7
2025年对于智谱来说是一段充满挑战但收获颇丰的时期。唐杰在2026年初的内部信中坦承，年初时"模型效果达不到预期"，团队顶着巨大压力寻找突破口，最终锁定了Coding作为核心突破方向。
这一年，GLM模型经历了四次重要迭代：
- GLM-4.1（2025年4月）： 被唐杰形容为"象征性的试探"，为后续的全面突破探路
- GLM-4.5（2025年7月）： 这是一次"决战级"的发布，是智谱首款面向智能体应用场景定制的旗舰基座模型，总参数3550亿，激活参数320亿，采用MoE架构，在12个评测基准的平均分中取得全球第三、国产第一，开源SOTA的成绩
- GLM-4.6（2025年秋）： 进一步提升了视觉理解和前端开发能力，支持"截图即代码"
- GLM-4.7（2025年12月）： 以Coding能力提升为核心，在多个权威榜单上拿下开源模型冠军，同时开源了强化学习框架Slime
尤其值得一提的是GLM-4.7发布后的生态表现——全球184个国家的15万开发者使用了GLM Coding Plan，模型在多个第三方评测中获得了开源模型和国产模型的双料SOTA。
4.5 GLM-5：新一代的旗舰（2026年2月）
GLM-5是前述所有技术积累的集大成之作。745B的总参数量是GLM-4.7的两倍，采用了更深的MoE架构（78层隐藏层、256个专家），并引入了DSA稀疏注意力和MTP多Token预测等新技术。
从发展脉络来看，智谱走的是一条非常清晰的技术路线：从最初的GLM架构创新到MoE大规模应用，从单一语言能力到多模态融合，从通用对话到Agent专精，每一步都在为下一步打基础。
五、GLM-5怎么用：从在线体验到API接入的完整教程
了解了GLM-5的技术原理和实测表现之后，最实际的问题来了——怎么用起来？ 这一部分 莫潇羽 会按照从简到难的顺序，手把手教大家上手GLM-5。
5.1 最快上手方式：chat.z.ai 在线体验
对于只想快速体验GLM-5能力的用户来说，最简单的方式是直接访问智谱的在线对话平台：
https://chat.z.ai/在这个网页端，你可以直接与GLM-5进行对话，测试它的编程能力、文本生成、推理分析等各项功能，无需任何配置和安装。
操作步骤非常简单：
- 打开浏览器，访问
chat.z.ai - 注册或登录你的智谱账号
- 在对话框中选择GLM-5模型
- 直接输入你的问题或任务，即可获得回复
这是零门槛的体验方式，适合所有用户。
5.2 开发者进阶：通过API接入GLM-5
如果你是开发者，需要在自己的应用中集成GLM-5的能力，那就需要通过API来调用。
第一步：注册并获取API Key
访问智谱AI开放平台 bigmodel.cn，完成注册和实名认证后，在控制台中创建API Key。新用户注册后通常会获得一定额度的体验Token。
第二步：安装Python SDK
智谱提供了官方的Python SDK，安装方式如下：
pip install zhipuai第三步：编写调用代码
以下是一个基础的API调用示例：
from zhipuai import ZhipuAI
# 初始化客户端
client = ZhipuAI(api_key="你的API_Key")
# 发送请求
response = client.chat.completions.create(
model="glm-5", # 指定GLM-5模型
messages=[
{"role": "system", "content": "你是一个专业的Python开发工程师"},
{"role": "user", "content": "请帮我写一个用Flask实现的RESTful API，包含用户注册、登录和JWT认证功能"}
],
temperature=0.7,
max_tokens=4096
)
# 获取回复
print(response.choices[0].message.content)第四步：处理流式响应（可选）
对于需要实时显示生成过程的应用场景，可以使用流式（Stream）模式：
response = client.chat.completions.create(
model="glm-5",
messages=[
{"role": "user", "content": "详细解释Python中的装饰器机制"}
],
stream=True # 启用流式输出
)
for chunk in response:
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)5.3 高阶玩法：在Claude Code中使用GLM-5
对于习惯使用命令行开发工具的开发者来说，将GLM-5接入Claude Code是一个非常实用的选择。Claude Code是Anthropic推出的命令行智能编码工具，而智谱提供了GLM Coding Plan来实现无缝对接。
准备工作
- 确保已安装Node.js环境（建议v18以上版本）
- 确保已注册智谱AI开放平台账号并获取API Key
安装Claude Code
npm install -g @anthropic-ai/claude-code配置GLM模型映射
这是最关键的一步。你需要编辑Claude Code的配置文件，将默认模型替换为GLM系列：
macOS/Linux 用户编辑 ~/.claude/settings.json：
{
"env": {
"ANTHROPIC_AUTH_TOKEN": "你的智谱API_Key",
"ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
"API_TIMEOUT_MS": "3000000",
"CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1
}
}然后编辑 ~/.claude.json，加入初始化跳过参数：
{
"hasCompletedOnboarding": true
}启动使用
配置完成后，打开一个新的终端窗口（这一步很重要，需要让环境变量生效），进入你的代码工作目录，执行：
claude在Claude Code的命令行界面中输入 /status 可以确认当前的模型连接状态。确认无误后，就可以用自然语言向GLM-5描述你的开发需求了。
实用提示： 如果你之前已经配置过旧版GLM模型映射（如GLM-4.5或GLM-4.7），建议删除settings.json中的固定模型映射配置，让系统自动使用最新的默认模型，这样后续GLM Coding Plan升级到GLM-5时就能自动切换。
5.4 使用CC-Switch工具（图形化配置）
如果你觉得手动编辑JSON配置文件有些麻烦，社区还提供了一个名为CC-Switch的可视化配置工具，可以通过图形界面一键完成模型提供商的切换：
- 下载安装CC-Switch工具
- 打开后添加新的模型提供商
- 选择"Zhipu GLM"预设
- 填入你的API Key
- 点击启用
工具会自动修改Claude Code的本地配置文件，省去了手动编辑的麻烦。
5.5 通过OpenRouter调用
OpenRouter是另一个受欢迎的模型聚合平台，支持统一的API格式调用多种模型。如果你已经在使用OpenRouter，也可以通过它来调用GLM-5：
export OPENROUTER_API_KEY="你的OpenRouter_API_Key"
claude --model openrouter/zhipu/glm-5或者在代码中直接调用OpenRouter的API端点，模型参数指定为 zhipu/glm-5 即可。
（本文由 莫潇羽@无忆研习社 原创整理，更多技术教程请访问 www.wuyi.wiki）
六、GLM-5与其他主流大模型的横向对比
2026年初的大模型赛道异常拥挤，GLM-5并非孤军奋战。为了帮大家建立更全面的认知，莫潇羽 从几个维度做一个横向对比分析。
6.1 参数规模与架构对比
从架构维度看，GLM-5与当前几款主要大模型的关键参数对比如下：
|
模型 |
总参数量 |
架构类型 |
激活参数 |
上下文窗口 |
|
GLM-5 |
745B |
MoE（256专家/8激活） |
~44B |
200K |
|
GLM-4.5 |
355B |
MoE |
~32B |
128K |
|
GLM-4.7 |
~370B |
MoE |
~32B |
128K |
|
DeepSeek-V3 |
671B |
MoE |
~37B |
128K |
可以看到，GLM-5在总参数量上实现了大幅跳跃，同时激活参数的控制也做得相当出色——745B的总参数只需激活44B，稀疏度约5.9%，与DeepSeek-V3的5.4%基本持平。
6.2 编程能力对比
在Agentic Coding评测中，GLM-5拿到了589分的成绩。虽然与国际顶尖闭源模型的差距已经缩小到了个位数，但在某些特定场景下——比如非常复杂的分布式系统架构设计、微服务边界划分等需要深度推理的任务中——国际顶尖闭源模型的推理深度仍有一定优势。
不过，GLM-5的成本优势极为显著。对于日常的代码生成、Bug修复、单元测试编写、前端页面开发等占据开发工作80%以上时间的常规任务，GLM-5的表现已经完全够用，而成本可能只有顶尖闭源模型的几十分之一。
6.3 在国产模型中的位置
在国产大模型的竞争格局中，GLM-5的发布让智谱再次站到了前排位置。同期或即将发布的竞品包括DeepSeek新模型、阿里的Qwen 3.5、MiniMax的M2.2等，2026年春节前后的这一波"模型大战"可以说是AI发展以来竞争最激烈的一次。
GLM系列的核心竞争优势在于两点：一是在Coding和Agent方向上持续深耕形成的技术壁垒；二是通过GLM Coding Plan等产品形态，将模型能力与开发者工作流深度融合，降低了使用门槛。
6.4 不同场景下的模型选择建议
在 莫潇羽 看来，不存在一个"万能模型"，不同场景下选择合适的工具才是明智的做法。基于社区的实测反馈，以下是一些场景化的
