智譜GLM-5和Seedance 2.0，我愿看作國產大模型的雙子星

1月初，智譜在香港IPO以后，股價勢頭一直不錯；這兩天又創新高，已經超過了MiniMax和一眾互聯網巨頭。

這段時間高頻使用了最新發的GLM-5，我突然覺得，不管是民間、海外還是資本市場，對智譜的能力甚至有點低估。

字節的Seedance 2.0視頻模型最近也很出圈，和智譜的GLM-5，一起構成了國產模型領域的雙子星。

都是在海外能掀起狂風巨浪的程度。

看這個馬，是不是有點熟悉？

沒錯，就是前段時間在OpenRouter，被猜是Claude Sonnet 5或者是DeepSeek V5的Pony Alpha，答案終于揭曉，就是智譜新開源GLM-5。

紙面上的數據實力非常強勁，完全是臨近馬年殺出去的一匹黑馬。

在我看來，智譜GLM-5和GPT-5.3、Claude Opus-4.5一起，站在了世界范圍內綜合能力的第一梯隊。

看官方的說法是，GLM-5 標志著人工智能開發從“Vibe Coding”變革為“Agentic Engineering”，更大規模的 AI 自動化編程，其代碼能力實現跨越式提升。

各種測試也顯示，在代碼能力、智能體表現等的評分中取得SOTA表現，在真實編程場景的使用體感，逼近 Claude Opus-4.5，擅長復雜系統工程與長程 Agent 任務。

到底怎么樣，帶大家一起試一試。

z.ai 官網，直接上手！

01.從前端到后端，GLM-5文體兩開花

目前，這款新模型已在智譜官網上線，并在 GitHub 和 Hugging Face 平臺開源，模型權重遵循 MIT License。

GitHub：https://github.com/zai-org/GLM-5

Hugging Face：https://huggingface.co/zai-org/GLM-5

OpenRouter：http://openrouter.ai/z-ai/glm-5

不得不說，這樣強的開源模型絕對是開發者的利好，我們自己公司今年已經囤了不少token了。

布置任務，看GLM-5自己去執行，不得不說很有成就感。

我給出的任務是：「做一個OPC一人公司互動平臺，可以實現自動接單商業閉環承接任務，每個人可以有多個智能體員工」。

受OpenClaw啟發，我希望有多Agent幫我實現在線接單，能夠在商業上完成閉環，一個人就是一家公司。

看效果，功能實現很齊全，幫我設計了工作臺、智能體等多個板塊，在任務市場當中還可以Agent自動接單完成任務。

接著就Muti-Agent來說，之前的代碼能力和任務完成度，即便是頂尖的開源模型，在處理復雜環境多節點的任務時，往往和最好的閉源模型還有差距。

比如說AI Town斯坦福小鎮的概念，我嘗試過用各家模型來復刻，說實話效果都不好。

GLM-5可以說是建立了新的Benchmark。

我比較喜歡籃球，于是定制了一個本土化的籃球巨星小鎮，喜歡籃球的朋友可以在小鎮上互動、打球、比賽，還可以聊八卦。

按照時間線，從第一天開始，每位球星的積分還能增加。

具體到對應的管線設計和行動流程，通過對話的方式還可以實現修改。

我也有嘗試，把GLM-5接入到一個自動化 Agent 框架中，讓它完成從克隆項目、配置環境、安裝依賴、運行到修復錯誤的完整流程。

這個測試的重點，想看看能不能在多次失敗之后繼續推進。

結果非常清楚。

GLM-5 并不會因為一次失敗就停下來，它會重新審視目標，調用工具，調整命令，再次嘗試。

終端里不斷刷新的日志，和對話框中持續推進的規劃，讓整個過程看起來像一場緩慢但堅定的推進。

比如讓給我做一個3D游戲，也能反復調用和調整，直到最終達成目標。

結果來看，完成的游戲界面和互動效果，都很不錯。

一直覺得，Agent 真正的瓶頸，從來不在于工具層，而在于基礎模型是否足夠穩定、足夠自洽。

過去很多 Agent 框架容易卡死，本質原因在于模型在長時間任務中丟失上下文，或者在失敗后無法重建目標。

GLM-5 在這一點上，已經達到了可以實際使用的水平。

3D交互的質感也很細膩：

除了前端交互性質的嘗試，我還試了一下后端任務。

我給它的任務非常直接，構建一個帶鑒權、緩存策略、異步隊列的后端服務原型，并要求它在本地環境中跑通，能夠通過基礎壓力測試。

這個任務本身并不新鮮，真正關鍵的是過程。

GLM-5 在一開始并沒有急著寫代碼，而是花了相當多的上下文去拆解需求，明確模塊邊界，選擇技術棧，規劃目錄結構。

這個階段的體感，和我用 Opus 時非常接近，甚至在某些地方更保守一些，它會反復確認假設，避免在早期做出難以回滾的決策。

真正拉開差距的是后半段。服務啟動過程中出現了數據庫連接失敗、依賴版本不兼容、并發測試下鎖策略失效的問題。

GLM-5 沒有把錯誤拋回給我，也沒有給出泛泛的建議，它會主動讀取日志，調整配置，重跑測試，再根據新的輸出修正判斷。

這個循環持續了相當長時間，中間我幾乎沒有干預。

最終的結果談不上優雅，但可以穩定運行，代碼結構清晰，部署流程完整。

這種體驗，和過去用模型寫代碼還挺不一樣是，它更像是一個愿意自己把事情收尾的工程師。

身邊算法和工程的伙伴都在一頭扎進去用了，說這樣的能力，居然能免費，真的是讓人心里有愧的程度。

02.從GLM?4.7到GLM?5，驚喜很大

想起一個多月前，智譜才剛剛更新到 GLM?4.7，當時就覺得不錯。

沒想到這么快的時間，GLM?5的版本又有了大的提升。

據介紹，GLM-5 的參數規模是上一代 GLM-4.7 的兩倍，從 3550 億提升至 7440 億，訓練數據量從 23 萬億增至 28.5 萬億 tokens，更大規模的預訓練算力顯著提升了模型的通用智能水平。

這兩天，一波開發者都積極用了起來。

“GLM-5 現在已經能和 Opus 4.6 同臺競技了。”

看到國外一位開發者說，“我一整個上午都在編程任務和游戲環境里折騰 GLM-5。整體來說，它在某些任務上執行得很快，表現不錯，但碰到更復雜的場景，對我而言 Claude 依然是王者。”

另一位開發者則稱，GLM-5 表現得很完美，絕對是目前發布的最優秀開源模型之一。

“我在 Ollama 命令行和 Claude Code 里都跑了一遍。我發現 Claude Code 里有個缺陷，但找到了臨時解決辦法。我的 GLM-5 對話會話達到了和 Opus 4.6 同一水準的自我認知 / 理解深度。”

還有開發者評價道，“GLM-5 可能真的是我第一次在前端任務上更傾向于選擇非 Gemini 模型。”

“價格簡直離譜”，有開發者算完后表示，GLM5 的輸入成本比 Opus 便宜 6 倍，輸出成本便宜 10 倍。

如果把 GLM-4.7 看作是開源代碼能力的達標，那 GLM-5 更像是第一次真正走進可用區間。

它開始具備完成大任務的耐心，也開始具備在復雜系統中維持一致性的能力。這種變化，對整個行業的意義非常大。

隨著 Agent 任務變長，Token 消耗不可避免地暴漲，模型的效率、成本和可部署性變得前所未有的重要。

GLM-5 在架構上的一系列選擇，使它能夠在長上下文中保持穩定表現，同時降低實際運行成本。

這種平衡，是未來一段時間內推動 Token 使用量增長的重要因素。

03.智譜GLM-5給新年起了個好頭

在我看來，無論是 Opus 4.6，還是 GPT-5.3 Codex，它們幾乎都不再強調 One Shot，不再強調一句 Prompt 直接生成結果，也不再把“好看”“炸裂”放在最顯眼的位置。

相反，它們反復提到長任務、Agentic、多步驟規劃、持續執行，甚至主動承認這些任務會跑很久，會消耗大量 Token。

這種變化背后，其實是一個非常清晰的判斷。

前端 Demo 的天花板已經不低了，再繼續卷審美、卷生成速度，價值增量開始變小。

真正決定模型高度的，開始變成另一件事，它能不能在一個復雜目標下持續工作，能不能在失敗之后修正路徑，能不能在沒有人盯著的情況下把一件工程意義上的事情完成。

從 Opus 到 GPT-5.3 Codex，再到 GLM-5，我看到的并不是誰替代誰，而是一條清晰的演進路徑。大模型正在從會寫，走向會完成，從好看，走向可靠，從短暫的對話，走向持續的工程。

如果你仍然只需要一個能快速生成前端頁面的工具，這一代變化與你關系不大。如果你需要一個能陪你跑完整個項目周期，愿意反復調試，最終把系統跑通的助手，GLM-5 已經站在了這個位置上。

大模型的故事，終于開始認真了。

國產大模型的能力曲線正在整體上揚，也是很讓我們這些從業者樂觀的信號。

視頻生成，像Seedance 2.0這樣的模型，已經在生成穩定性、動態一致性和長時序控制上，拿出了接近全球第一梯隊的表現。

智譜GLM-5和Seedance 2.0，我愿看作國產大模型的雙子星

國內頭部團隊，在多模態底層架構與訓練工程上，已經具備了正面競爭的實力。

而這次GLM-5的發布，同樣帶來了一些超出行業預期的結果，尤其是在代碼理解、復雜邏輯生成和多輪推理場景中的表現，已經對齊了國際頭部模型。

這背后反映的，是國產模型訓練范式、數據策略以及算力調度能力的整體成熟，也意味著在 AI coding 這個最能體現模型真實能力的賽道里，差距正在被持續壓縮。

智譜的卡現在已經很難搶了，不少中型AI公司的老板，都在囤，覺得智譜的模型和算力接下來一定會漲價，趁早多買點備用……

馬年，一定是國內AI玩家們，策馬奔騰的一年。

智譜GLM-5開了個好頭，我們都要加油跟上！