这是智谱（zai-org / Z.ai）GLM-5 系列开源大模型的官方发布仓库，涵盖 GLM-5 与升级版 GLM-5.1，主题是「从 Vibe Coding 走向 Agentic Engineering（智能体工程）」。两者都是面向复杂系统工程与长链路智能体任务的旗舰模型，强调在长时段、多轮工具调用下持续保持高效——而不仅是首轮表现好。仓库本身是模型卡 + 权重下载入口 + 本地部署指南（不含训练代码），权重以 Apache-2.0 协议在 Hugging Face 与 ModelScope 发布，规模为 744B 总参/40B 激活（MoE），提供 BF16 与 FP8 两种精度。GLM-5.1 是其中编码能力更强的次世代旗舰。
来源：README Introduction（GLM-5.1/GLM-5）、Download Model 表、GitHub meta（zai-org/GLM-5，Apache-2.0，homepage z.ai/blog/glm-5）、Citation 查看 GitHub 仓库 →2026 年初开源大模型在编码与智能体方向竞争白热化，GLM-5 系列作为智谱的新旗舰，对标的是「最强开源模型」位置。其热度来自几组对外指标：GLM-5.1 宣称在 SWE-Bench Pro 上达到 SOTA，并在 NL2Repo（仓库级生成）、Terminal-Bench 2.0（真实终端任务）上大幅领先 GLM-5；GLM-5 则称在推理、编码、智能体任务上为「全球开源模型中最强一档」，内部 CC-Bench-V2 上把与 Claude Opus 4.5 的差距收窄，并在衡量长期运营能力的 Vending Bench 2 上位列开源第一（模拟经营一年自动售货机业务、终局账户余额 4,432 美元，接近 Opus 4.5）。叠加权重开源、可本地部署，使其在发布后迅速受到关注。需注意这些基准多由官方给出，第三方复现仍需观察。
来源：README Introduction 各段与基准图（bench_51/bench/realworld_bench/vending_bench）、GitHub meta（stars 3302、created_at 2026-02-09）GLM-5.1 主打在长时间跨度的智能体任务上持续有效：能拆解复杂问题、跑实验、读结果、精准定位阻塞点，通过反复迭代修正策略，在数百轮、上千次工具调用中持续优化——「跑得越久结果越好」，区别于以往模型早期见效后即陷入平台期。
来源：README Introduction「GLM-5.1」段相比 GLM-4.5，GLM-5 从 355B 总参/32B 激活扩展到 744B 总参/40B 激活，预训练数据从 23T 增至 28.5T tokens，以扩大规模换取智能效率提升。
来源：README Introduction「GLM-5」段、Download Model 表（744B-A40B）GLM-5 引入 DeepSeek Sparse Attention（DSA），在保留长上下文能力的同时大幅降低部署成本，缓解大模型推理的开销问题。
来源：README Introduction「GLM-5」段后训练采用自研的异步强化学习基础设施 slime（THUDM 开源），显著提升 RL 训练吞吐与效率，支持更细粒度的后训练迭代，用以弥合预训练模型「能力」与「卓越」之间的差距。
来源：README Introduction「GLM-5」段、引用的 slime 项目链接提供 GLM-5.1、GLM-5.1-FP8、GLM-5、GLM-5-FP8 四个权重，均为 744B-A40B，BF16 与 FP8 两种精度，同时上架 Hugging Face 与 ModelScope，按 Apache-2.0 开放。
来源：README Download Model 表vLLM、SGLang、xLLM、Ktransformers 均支持本地部署。仓库给出 Docker 镜像与启动示例（如 8 路张量并行、MTP/EAGLE 投机解码、tool-call-parser glm47、reasoning-parser glm45），并附 vLLM recipes、SGLang cookbook 与昇腾(Ascend)部署指南链接。
来源：README「Serve GLM-5 Series Locally」段、example/ascend.md模型为大规模混合专家（MoE）架构：744B 总参数、约 40B 激活参数，引入 DeepSeek Sparse Attention（DSA）以降低长上下文推理成本。训练上，预训练数据 28.5T tokens，后训练使用异步 RL 基础设施 slime。仓库自身是发布与部署仓库，结构精简：README/README_zh（模型卡）、Download Model 指向 HF/ModelScope 权重、resources/（logo 与各基准图）、example/ascend.md（昇腾部署）、skills/glm-master-skill/SKILL.md（配套技能）、requirements.txt 与 pre-commit 配置。部署侧通过 vLLM/SGLang/xLLM/Ktransformers 加载权重对外提供 OpenAI 兼容服务，示例采用张量并行与投机解码（vLLM 的 MTP、SGLang 的 EAGLE），并用 glm47/glm45 解析器处理工具调用与推理输出。
来源：README Introduction 与 Serve 段、仓库目录树（resources/、example/ascend.md、skills/glm-master-skill）、Download Model 表中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
推理框架：vLLM（v0.20.2）、SGLang（v0.5.11）、x…投机解码：MTP（vLLM）/ EAGLE（SGLang）解析器：tool-call-parser glm47、reasoning…后训练：slime 异步 RL 基础设施（THUDM）分发：Hugging Face、ModelScope；昇腾(Ascend…GLM-5 系列定位于复杂系统工程与长链路智能体任务：仓库级代码生成与修复（NL2Repo、SWE-Bench Pro 类）、真实终端/命令行任务（Terminal-Bench 2.0）、前后端工程与需要数百轮迭代、上千次工具调用的长会话智能体；Vending Bench 2 这类长期运营/资源管理模拟也是其强项场景。适合需要可本地部署、可商用（Apache-2.0）开源强模型的团队，用于搭建编码助手、自动化工程 agent 或研究开源模型的智能体上限。普通用户也可经 Z.ai API 或即将上线的 chat.z.ai 使用，无需自建多卡集群。
来源：README Introduction 各段（基准与场景描述）、Download Model 协议、顶部 API/chat 链接仓库同时发布 GLM-5 与升级版 GLM-5.1（编码与长链路智能体能力更强，称在 SWE-Bench Pro 上达 SOTA）。权重含 GLM-5.1、GLM-5.1-FP8、GLM-5、GLM-5-FP8 四个，均 744B-A40B。技术报告见 arXiv 2602.15763，GLM-5.1 已可经 Z.ai API 使用、chat.z.ai 即将上线。最近一次仓库更新在 2026-05-15。
来源：README 顶部链接、Introduction、Download Model 表、Citation；GitHub meta pushed_at 2026-05-15GLM-5 / GLM-5.1 是智谱在「开源最强模型」赛道的有力竞争者，方向明确押注复杂系统工程与长链路智能体，以 744B-A40B 的 MoE 规模、DSA 降本和 slime 异步 RL 后训练为支撑，权重 Apache-2.0 开放、部署生态完整。对有多卡资源、需要可商用开源强模型来做编码与工程 agent 的团队，它很值得评估；想轻量使用的可直接走 Z.ai API。需要保持理性的是：领先性主要由官方基准支撑，与前沿闭源模型的差距是否如宣称般收窄，仍要等第三方在自己的任务上复现。整体是一款规模与工程都很认真的开源旗舰，门槛在于部署成本与对官方指标的审慎解读。
来源：综合 README、Download/Serve 段、基准来源与 GitHub meta 的事实判断