從GLM-4.5到GLM-5，我見證了一個模型從碼農晉升為架構師

上周發了一篇關于OpenRouter上神秘模型Pony的文章，還給大家留了個搶紅包的競猜問題：Pony到底是誰？

現在答案終于揭曉了，那就是智譜的GLM-5。

「Pony」是小馬，2026農歷馬年，生肖彩蛋。智譜以匿名方式把GLM-5放到OpenRouter上做了一次公測。

這事還挺有意思的。一個沒署名的模型，首日跑了400億token、20.6萬次請求。絕大多數用它的開發者都覺得「這水平不像GLM-4.7，太像Opus了」。

但Pony是誰，不是這篇文章的重點。

重點是我用它做了什么、感受到了什么。以及，這件事放在行業大背景下意味著什么。

節前國內AI公司是真卷。2月6號智譜匿名放出Pony Alpha，2月7號字節就發了Seedance 2.0，AI視頻生成直接拉到了全球第一梯隊。一個卷編程，一個卷視頻，前后腳發布。 我這覺得我寫不過來了...

我從GLM-4.5開始，每一代都寫了評測文章。

每次寫完都覺得「開源模型又進了一步」。但這次GLM-5給我的感受完全不一樣。不是進了一步，是換了個身份。

以前GLM系列在我的工作流里是「執行者」——Opus當大腦做規劃，GLM做具體的編碼工作。便宜、聽話、夠用。

GLM-5讓我第一次覺得：它也能當大腦了。

Vibe Coding過時了？

寫GLM-5之前，得先聊一個剛發生的事。

2月8號，Karpathy發了個帖子。就是那個提出「Vibe Coding」概念的人——去年這個詞火得一塌糊涂，基本成了AI編程的代名詞。對著AI說一句話，代碼就出來了，不用管細節，跟著感覺走。

但他自己說，Vibe Coding正在過時。取而代之的是一個新概念：Agentic Engineering。

什么意思？

Vibe Coding是你告訴AI「幫我寫這個功能」，AI寫完你看看行不行。本質上還是人在驅動，AI在執行。

Agentic Engineering不一樣。你給AI一個目標，它自己拆任務、自己規劃步驟、自己寫代碼、自己測試、遇到bug自己修、遇到方向不對自己調整。可能跑幾小時甚至幾天。人類變成了架構師和監督者，AI變成了真正干活的工程團隊。

這不是Karpathy一個人的判斷。看看最近兩周發生了什么：

Anthropic發布Opus 4.6的時候，官方案例是什么？16個Claude實例并行工作兩周，寫了10萬行Rust代碼的C編譯器，能編譯Linux內核。花了2萬美元。

OpenAI發布GPT-5.3 Codex的時候，強調的是什么？AI參與了自己的訓練過程。不是寫個貪吃蛇，是調試訓練流程、管理部署、診斷測試結果。

兩家都不再說「一句話生成網頁」了。都在說Agent、長任務、系統工程。

Anthropic甚至在1月21號發了一份「2026 Agentic Coding趨勢報告」，總結了8大趨勢。其中一個發現挺扎心的：AI出現在60%的開發工作中，但開發者能完全委托給AI的任務只有0-20%。

差距就在于「系統工程能力」——不是寫單個函數的能力，而是理解整個系統、規劃架構、處理模塊間依賴、在出錯時自我糾正的能力。

說白了，AI編程正在分成兩條路：

一條是「審美編程」，以Gemini 3.0 Pro為代表。截圖轉代碼、一句話出漂亮頁面、視覺驅動。它做出來的前端確實好看，這沒什么好否認的。

另一條是「系統工程」，以Opus和Codex為代表。后端架構、編譯器、微服務、長時間運行的Agent任務。不好看，但能用。

這兩條路都有價值。但行業重心正在從前者轉向后者。

在這個背景下，GLM-5選了后者。

快速回顧：GLM怎么一步步走到這的

給沒看過之前文章的讀者補個課。

GLM-4.5（2025年7月）：智譜的第一個真正能打的開源模型。當時我的評價是「能用的開源平替」。編程能力和Sonnet有差距，但日常任務夠用，關鍵是便宜。

GLM-4.6（2025年10月）：提升了不少，上下文窗口從128K擴到200K。我寫過一篇「Claude Code賬號被封？試試GLM-4.6完美平替」，當時確實幫很多人解決了問題。

GLM-4.7（2025年12月）：這代變化挺大。SWE-bench Verified達到73.8%，直逼一線。我測了5個案例，感受是審美、Coding和Agentic能力都達到了Claude Sonnet 4.5無差的水平。當時我的結論是「開源模型的新標桿」。

每次寫完評測我都覺得「應該到頂了吧」。然后下一代又讓我改口。

但從4.5到4.7，質的變化不大。每代都是在同一個維度上做增量——代碼寫得更好、bug更少、審美更好看。像一個程序員從初級升到高級，活干得越來越漂亮，但還是在執行層面。

GLM-5不一樣。

GLM-5：換了個身份

先看規格。

744B參數，MoE（混合專家）架構，每次推理激活40B參數。相比GLM-4.7（355B/激活32B），規模翻了一倍，預訓練數據從23T增加到28.5T。

再看成績。

在Artificial Analysis綜合榜單上，GLM-5排名全球第四、開源第一。

編程能力：SWE-bench Verified拿了77.8%（Opus 4.5是80.9%，差3個百分點），Terminal-Bench 2.0拿了56.2%（Opus 4.5是59.3%，差距也不大）。這兩個榜都是開源最高。

但更讓我意外的是Agent能力。8個榜單里，GLM-5有兩個拿了全場第一——不是開源第一，是包括Opus、Gemini、GPT在內的所有模型里的第一：BrowseComp（聯網檢索與信息理解）75.9分，比Opus 4.5的67.8高出一截；Humanity's Last Exam帶工具調用版本50.4分，同樣是全場最高。

MCP-Atlas（工具調用與多步驟任務）、τ2-Bench（復雜多工具場景）也都是開源第一，和閉源模型幾乎打平。

還有個挺有意思的Vending Bench 2——讓模型經營一年虛擬自動售貨機生意。GLM-5最終賬戶余額4432美元，超過了GPT-5.2的3591美元，和Opus 4.5的4967美元差距不大。

但benchmark說到底只是考試成績。真正讓我改變看法的，是用Pony Alpha那幾天的體感。

實測：從那個紅白機項目說起

上周我發那篇Pony文章的時候，做了一個測試——把之前用Opus 4.6做的紅白機游戲廳網站（4700多行代碼），丟給Pony（也就是GLM-5），讓它重構成iPhone App。

為什么說這個任務難？因為網站和App是完全不同的技術體系。網頁版跑在瀏覽器里，App跑在手機上，底層語言不一樣、界面框架不一樣、游戲模擬器的實現方式也不一樣。133款游戲的ROM文件（就是游戲卡帶的數據）和封面圖，要從網絡加載改成本地管理。整個東西等于推倒重來。

不是翻譯代碼，是重新設計。

GLM-5跑了2個多小時。我中途插手不到10次。

跑完我去看了生成的代碼，說實話有點吃驚。

最終產出6500多行代碼，比原來的網頁版還多了將近2000行。

但代碼量不是重點，重點是它做的幾個關鍵決策。

第一個決策：模擬器核心怎么做。紅白機游戲能在手機上跑，靠的是「模擬器」——用軟件模擬出一臺1983年的游戲機。網頁版直接用了別人寫好的模擬器庫，拿來就能用。最偷懶的做法是在iOS上也找一個現成的替代品。GLM-5沒這么干。它選了一個更難但更對的方案：用C語言從零寫了一個模擬器。CPU計算、圖像渲染、聲音處理，全部自己實現。

第二個決策：畫面怎么渲染。它沒有用最簡單的CPU逐像素畫圖，而是選了Metal（蘋果的GPU加速方案），性能好得多。還額外寫了一個CRT復古濾鏡——加了老電視機的弧面效果、掃描線和邊緣暗角，讓游戲畫面看起來就像接在一臺老電視上。

第三個決策：觸控手柄怎么做。手機上沒有實體手柄，得做虛擬的。它做了精確的方向識別——手指在十字鍵上滑動時能同時識別上和右（對角線輸入），中間區域設了「死區」防止誤觸。

整個項目沒有用任何第三方庫，全部從零搭建。

當然它也有明顯的「AI風格」問題——133款游戲的信息全部寫死在代碼里（1600多行），正常人會用配置文件來管理。收藏功能只有界面沒有存儲。這些是產品打磨的問題，不是設計能力的問題。

這個任務讓我印象深刻的不是速度，是它做決策的方式。

先理解整個系統的依賴關系，再決定從零搭建模擬器而不是找現成庫，再選GPU加速而不是最簡單的方案，再把代碼按職責分層組織。這是一個「架構師」的思路，不是一個「碼農」的思路。

上次寫GLM-4.7的時候，我的原話是「審美、Coding和Agentic能力都達到了Claude Sonnet 4.5無差的水平」。注意，對標的是Sonnet。

這次GLM-5，對標的是Opus。

實測案例二：一句話觸發13步寫作工作流

紅白機項目是編程任務。我想看看GLM-5在非編程場景下的Agent能力怎么樣。

關注我的老粉應該都知道，我平時用Claude Code寫公眾號文章，有一套完整的自動化工作流——13個步驟，從信息搜索、競品掃描、選題討論、風格學習、初稿創作、三遍審校、標題矩陣、傳播力審查，一直到配圖生成。整套流程寫在一個1000多字的CLAUDE.md里，每一步都有明確的規則和工具調用要求。

我只輸入了一句話：「幫我寫一篇介紹Seedance 2.0的公眾號文章」。

然后我就看著它自己跑。

GLM-5做的第一件事不是開始寫。它讀完CLAUDE.md之后，第一反應是：「根據公眾號寫作流程，我需要先搜索seedance 2.0的相關信息，然后進行選題討論，不能直接寫文章。」

這個細節很重要。以前的模型收到「幫我寫一篇文章」，默認動作就是開始寫。GLM-5讀懂了規則，知道這套流程的第一步是搜索，不是動筆。

接下來它搜索信息的時候，WebFetch請求失敗了（連不上火山引擎的頁面）。它沒卡住，自動轉向本地知識庫，用Grep和Glob找到了之前存的Seedance 2.0調研簡報。然后去36kr和Hacker News做了競品掃描。

信息搜索完，它進入選題討論——提供了4個方向，每個都有標題、核心角度、工作量評估、大綱和優劣勢分析。我選了「實戰體驗型」。

選完之后它也沒急著寫。先去讀了SHARED-RULES.md（審校規則），又讀了兩篇歷史文章學風格，還搜了個人素材庫。然后才開始寫初稿，寫完保存到草稿文件夾。

初稿寫完，它自動開始三遍審校。我看著它一段一段地改——刪了15行加了14行、刪了19行加了9行。改完之后生成了12個標題變體供我選擇。

然后做傳播力審查：轉發動機檢查打了4個勾（讓我顯得懂行、對朋友有用、驗證我的觀點、情緒共鳴），第一讀者模擬標記了一處「可能想劃走」的位置（競品對比部分稍長）。

我選完標題，它又自動調用了wechat-image配圖技能，規劃了封面圖+4張正文配圖的方案，調用Gemini API生成圖片、上傳ImgBB圖床——光這一步就跑了12分鐘、20多次工具調用。

最終交付了一篇約2000字的完整文章，5張配圖（封面+4張正文圖），所有圖片都是網絡鏈接，可以直接復制到飛書用。從我輸入那句話到拿到成品，總共大概28分鐘。13步流程，一步沒跳。

這個測試讓我想起一個比喻。以前的AI編程是「你說一步，它做一步」，像導航軟件——每到一個路口告訴你左轉右轉。GLM-5更像一個經驗豐富的司機，你說「去機場」，它自己知道走哪條路、哪里該拐彎、遇到堵車怎么繞。

兩個案例加在一起，我覺得GLM-5和之前幾代最大的不同就一個詞：持久力。

之前用GLM-4.7接Claude Code，還是會出現上下文丟失、指令遵循變差的問題。這是很多agentic模型都有的通病，跑著跑著就「忘了自己在干什么」。GLM-5在這方面的改進我覺得是最關鍵的——2小時重構6500行代碼、28分鐘走完13步寫作流程，全程沒有丟失上下文，沒有跳步。

這意味著你可以給它一個大任務，讓它跑半小時、一小時甚至更久。不是那種「你盯著它干完一個函數」的用法，是真正的自動化工程。Anthropic那個16個Claude寫編譯器的案例，換成GLM-5，理論上也能做類似的事情。區別是——GLM-5是開源的，不需要付Opus的錢。

不只是「平替」了

從GLM-4.5開始寫評測，我一直用的詞是「平替」。性價比高、夠用、便宜。隱含的意思是：不如Opus，但能湊合。

GLM-5讓我覺得這個詞不太準確了。它和Opus還有差距，但已經不是「湊合用」的水平。

綜合榜全球第四、開源第一。編程榜單和Opus差3個百分點，Agent榜單有兩個拿了全場第一。官方的說法是「使用體感逼近Opus 4.5」——注意，是逼近，不是追平。整體上Opus仍然更強，但差距已經肉眼可見地縮小了。

但在我最常用的場景——接入Claude Code做項目級開發——GLM-5的表現已經讓我覺得「很多任務不用每次都切回Opus了」。

價格差距就更明顯了。Opus每百萬token輸入$5、輸出$25。GLM編程訂閱最低20元/月。

之前我的工作流是「Opus當大腦規劃，GLM當手腳執行」。現在很多場景下，GLM-5自己也能規劃、也能執行。不是所有場景，但比以前多多了。

從GLM-4.5到GLM-5，大概一年半的時間。

4.5是能用的初級程序員。4.6是靠譜的中級程序員。4.7是讓人驚喜的高級程序員。

GLM-5不再是程序員了。它是架構師。

不是說它寫的每一行代碼都完美，沒有模型能做到。但它思考問題的方式變了。以前你得告訴它「寫一個函數，輸入是什么，輸出是什么」。現在你可以說「我要解決這個問題」，它自己來設計怎么解。

這正好呼應了整個行業的趨勢。Karpathy說Vibe Coding過時了，AI編程正在進入Agentic Engineering時代。Opus和Codex選了這條路。GLM-5是開源界最早一批跟上來的。

如果你需要的是一句話生成漂亮網頁，選別的也行。如果你需要一個能接入Claude Code/OpenClaw/OpenCode幫你做工程的模型，20元/月，GLM-5值得試試。

Agentic Engineering時代，開源陣營終于有了自己的架構師。