開源模型首超Opus4.6！智譜GLM-5.1登場，14小時后CUDA專家被沖了

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

優化CUDA Kernel這件事，剛剛被AI狠狠地沖擊了一波。

因為現在，給AI十四個小時，它就能幫你把CUDA Kernel優化，加速比從2.6×推至35.7×！

什么概念？

以前人類資深CUDA工程師要完成這個任務，需要數月反復測試、調優、推翻重來才行；但現在，AI在你睡覺的時候就能解決掉。

而且AI在這個過程中還展現出了專家級的直覺。

例如在優化初期，它嘗試在現有高層框架內尋找解法，但很快通過自主跑測試發現性能觸及了天花板，然后它便做出了人類專家才有的決策——

自主判斷放棄高層框架，直接轉向底層C++進行硬核重寫。

整整14個小時里，這個AI主打一個全自動：AI自己發現瓶頸，自己改變技術棧，自己重新編譯，自己測試。

那這到底是何許AI是也？

不賣關子，正是大家熟悉的，來自智譜的開源模型——GLM-5.1。

隨著這次長程任務（Long Horizon Task）能力的提升，智譜官方也宣布了一個重要的突破：

首次解鎖了開源模型與當前全球最頂尖閉源模型Claude Opus 4.6的全面對齊！

嗯，是妥妥穩坐全球最強開源模型寶座的感覺了。

而且，從更多的權威評測榜單中來看，也是印證了這一點。

在被稱為“軟件工程能力試金石”的SWE-bench Pro基準測試中，GLM-5.1刷新了全球最佳成績，直接超越Claude Opus 4.6、GPT-5.4等一眾頭部模型，拿下全球第一：

甚至在海外網友們的圈子中，已經吹起了棄用Claude Max的風了：

它的手感和Opus一模一樣，使用額度是Claude Code的3倍，成本卻只有1/3。

HuggingFace CEO也出面站臺，稱SWE-Bench Pro中性能最強的模型開源了：

而這一切成績的背后，正是智譜面向小時級的長程任務能力。

給AI幾個小時，一切都不一樣了

當前主流的大模型，可以說大多數還是處于“分鐘級交互”的階段。

但到了GLM-5.1這邊，它的交付單位就不同了——一個完整的項目。

接下來，我們就通過實測的方式，來看下GLM-5.1的實力到底幾何。

調用工具1000輪，優化真實機器學習模型負載

第一個實測，我們順著前面的CUDA的例子，繼續讓GLM-5.1進行一場考驗：

KernelBench Level 3優化基準，這一基準涵蓋50個真實機器學習計算負載，主打一個還原真實工業場景，考驗的是端到端的完整優化能力而非單一算子調試。

在超過24小時的不間斷迭代中，GLM-5.1全程自主發力，無需人類專家干預，一遍遍完成“編譯—測試—分析—重寫”的閉環循環，最終交出了這樣的結果——

3.6倍幾何平均加速比，而作為對比，torch.compile max-autotune模式僅能達到1.49倍，差距直接翻倍不止！

從這個過程中可以看到，GLM-5.1能夠自主編寫定制Triton Kernel和CUDA Kernel，運用cuBLASLt epilogue融合并實施shared memory tiling與CUDA Graph優化。

這些優化策略覆蓋了從高層算子融合到微架構級調優的完整技術棧，每一步都是模型的自主決策。

結果再次表明，在GPU內核優化這一傳統上高度依賴專家經驗的領域，AI模型已經展現出從問題分析、方案設計到迭代調優的端到端自主工作能力。

1小時從零構建MacOS桌面環境

在這個實測中，我們給GLM-5.1扔了一份3000字的PRD，核心要求只有一個：

從0開始復刻MacOS核心UI與交互，不僅要前端殼子，還必須包含窗口管理器、Dock欄調度、以及模擬的底層文件系統。

這是一個標準的前端工程團隊至少需要數天才能打磨出原型的任務，但在GLM-5.1這里，時間被壓縮到了小時級別。

瞧，待它分析完任務之后，自己就開始唰唰地編程了：

1個小時之后，在沒有任何人工參與的情況下，一個MacOS的桌面環境，就這么水靈靈地誕生了！

視頻地址：
https://mp.weixin.qq.com/s/p6-WvVNnJum_y7T10yHkNw

可以看到，更改桌面背景、放大縮小Docker、終端命令執行、系統自帶的截圖功能等，統統都能實現。

而在智譜官方的demo中，展示了GLM-5.1耗時8小時實現的更加復雜的Linux系統：

視頻地址：
https://mp.weixin.qq.com/s/p6-WvVNnJum_y7T10yHkNw

執行了1200多步，完整的桌面、窗口管理器、狀態欄、應用程序、VPN管理器、中文字體支持、游戲庫等……相當于一個4人團隊一周的開發工作量。

不得不說，現在GLM-5.1的每一次提交，都是具有實質意義的系統級演進。

全自動重寫屎山代碼

寫代碼的人都知道，比從零寫一個新項目更痛苦的，是重構別人留下的屎山代碼。

但現在有了GLM-5.1，我們可以把這個任務交給它來處理了。

例如這段代碼就堪稱是屎山中的經典：變量名完全無意義、五層嵌套if、重復計算總和三遍、全局變量到處亂改、函數幾百行不拆分……

能運行嗎？能運行；惡心嗎？也是真惡心。

而在GLM-5.1只需半小時的自動重寫之后，一份注釋清晰、符合標準的代碼就誕生了：

655次迭代，打破向量數據庫性能瓶頸

如果說重構代碼還只是把已有的東西做好，那向量數據庫優化，考驗的就是AI自主迭代、持續突破的能力。

這也或許正是人類資深工程師最核心的價值。

在這項測試中，GLM-5.1的需求是優化現有向量數據庫的查詢性能，盡可能提升QPS。

隨后，它開啟了完全自主的“測試-分析-優化-再測試”閉環。

每一輪優化后，它都會主動跑完整的Benchmark，獲取QPS、延遲、內存占用等核心數據，自主分析性能瓶頸。

視頻地址：
https://mp.weixin.qq.com/s/p6-WvVNnJum_y7T10yHkNw

最終，在655輪迭代之后，GLM-5.1把向量數據庫的查詢吞吐從初次交付的3108 QPS一路推到21472 QPS，提升到初始正式版本的6.9倍。

AI能獨立工作多久，成了新標準

之所以GLM-5.1這次能夠炸場，本質上是它踩中了AI行業的下一個核心賽點：長程任務（Long Horizon Task）能力。

2025年3月，全球頂尖的AI安全研究機構METR（Model Evaluation and Threat Research）便提出了一個徹底改變行業認知的新指標，叫做Task-Completion Time Horizon（任務完成時間線）。

這個指標的核心思想是，不再用做題的準確率來衡量模型有多聰明，而是用時間來衡量它能獨立完成多長時間的人類專家任務。

研究顯示，前沿模型的時間線每7個月就會翻一倍，這條指數曲線，被MIT Technology Review稱為“AI領域最重要的一張圖”。紅杉資本更是在2026年初直接宣告：“這就是AGI的核心方向”，并直言：2023-2024年的AI，是只會對話的“talker”，而2026-2027年的AI，將成為能真正落地做事的“doer”。

而GLM-5.1，是全球第一個在真實工程任務中，驗證了8小時持續工作能力的開源模型。

它能在單次任務中，持續、自主地工作長達8小時，過程中自主規劃、自主執行、自主測試，碰壁時主動切換策略，出錯后自行修復，最終交付完整的工程級成果。

GLM-5.1之所以能做到這一點，核心源于三個維度的系統性技術突破：

第一，更強的長程規劃與目標保持能力。

它能把一個復雜的大目標，拆解為可執行的多階段計劃，并且在長達十幾小時、上千步的執行鏈路中，始終圍繞最終交付目標推進。簡單來說，就是干到第十步，還記得第二步定的規矩。

第二，更穩的自適應糾錯與持續執行能力。

它實現了代碼編寫、工具調用、環境調試、API對接等多個環節的穩定銜接，中途出錯時，不會停下來等人工介入，而是會自主查看錯誤日志、定位問題根源、修復bug，甚至自己寫回歸測試用例驗證修復效果。

第三，更好的狀態延續與上下文整合能力。

面對長時間跨度、多輪反饋和百萬級token的上下文信息，它能穩定追蹤已完成的工作、當前所處的階段和下一步的核心動作，持續整合新的信息，保持整個執行鏈路的一致性。

開源模型看中國，更得看智譜

GLM-5.1的出現，不僅是模型能力的升級，更改寫了全球大模型行業的敘事邏輯。

長久以來，中國開源模型始終帶著追趕者的標簽，與美國頂尖閉源模型存在差距，而GLM-5.1徹底打破這一局面：

它在權威榜單上對齊Claude Opus 4.6，在SWE-bench Pro等核心工程指標上實現反超，讓中國開源AI在核心工程能力上與全球前沿并駕齊驅。

更重要的是，它的變革遠超模型本身，正重構萬億級IT服務市場的底層邏輯。

AI Coding的進化有清晰路徑：從程序員提效工具，到降低代碼門檻，再到能自主做事的初級工程師，而GLM-5.1的Long Horizon能力，直接將AI推向能持續工作數小時、交付完整項目的新階段。

當AI的交付單位從一行代碼變為一個完整項目，便沖擊了整個軟件工程的生產關系——4人團隊一周的工作量、資深工程師數月的優化任務，它數小時就能完成，這將重構多個行業的定價與人力配置邏輯。

當然，我們不必陷入AI會替代程序員的無謂焦慮。就像當年計算機的普及，沒有淘汰會計這個職業，只是淘汰了不會用計算機的會計；AI的到來，也不會淘汰開發者，只會淘汰不會駕馭AI的開發者。

GLM-5.1的出現，真正給整個行業拋出的核心問題是：當AI已經能自主完成長達數小時的復雜長程任務，實現從規劃、執行、糾錯到完整項目交付的全閉環時，人類的不可替代性到底在哪里？

答案或許就是定義問題、創造價值、做出核心決策的能力，畢竟這是AI暫時無法替代的核心護城河。

而對中國AI行業而言，GLM-5.1只是開始，當開源模型達到全球頂尖工程能力、AI從對話者變為執行者，行業必將迎來更徹底、更深刻的變革。