GLM-5：开源模型第一次让闭源巨头真正紧张了

2026-02-14 | ProductHunt | GitHub | 官网

chat.z.ai 的主界面，右下角有 Agent/Chat 模式切换。这是 GLM-5 最直观的使用入口——不需要任何本地部署，打开网页就能体验 "Agentic Engineering" 模式。

30秒快速判断

这玩意干嘛的：智谱AI（Z.ai）发布的 744B 参数开源大模型，MIT 许可证，专门为“长线程自主工程任务”设计——说白了就是让 AI 不只是补全代码，而是像架构师一样先规划、再动手。

值不值得关注：非常值得。这是开源模型第一次在 Intelligence Index 上突破 50 分，在 BrowseComp、MCP-Atlas 等 Agent 基准测试上拿到开源第一。API 价格只有 Claude Opus 的 1/5。如果你对“AI 帮你做工程”这件事感兴趣，GLM-5 是 2026 年 2 月最值得关注的发布之一。

与我有关三问

与我有关吗？

目标用户是谁：用 AI 辅助编程的开发者、想降低 LLM API 成本的团队、关注开源 AI 生态的技术人。

我是吗？ 如果你满足以下任一条件，你就是目标用户：

• 你正在用 Claude/GPT 写代码，但每月 API 账单让你肉疼
• 你在做需要 AI 自主执行多步骤任务的产品（Agent 应用）
• 你想在自己的服务器上跑一个“接近 Claude 水平”的模型
• 你是中国开发者，想用一个没有地缘政治风险的国产模型

什么场景会用到：

• 复杂后端架构设计和重构 -- 用这个
• 大型代码库的迁移项目 -- 用这个
• 简单的代码补全和短对话 -- 不需要这个，GLM-4.7 或更轻量的模型就够了
• 需要图片/音频理解 -- 不适合，GLM-5 只有文本能力

对我有用吗？

ROI 判断：如果你团队每月 API 开销超过 $500，花半天时间把部分任务迁移到 GLM-5 API 上，一个月就能回本。如果你只是个人开发者偶尔用用，直接 chat.z.ai 免费体验就行，不用折腾部署。

喜闻乐见吗？

爽点在哪：

• “结构优先”的工作方式：GLM-5 拿到任务后不会马上开始写代码，而是先理清任务边界、拆分模块、规划系统结构，然后才进入实现。这种“先画蓝图再盖楼”的感觉，用过的人都说比“直接吐代码”靠谱得多。
• 幻觉率全行业最低：AA-Omniscience 指标 -1 分，比上一代提升 35 分。它学会了“不知道就说不知道”。
• MIT 开源的自由感：不用担心 Meta 那种“你用户过亿就得重新谈许可”的限制。

用户真实评价：

"那些在编码前先规划的模型改变了人们构建软件的方式。更少的试错，更高的一次性正确率。" — Reddit 用户

"它真正的实力在于：极高的性能价格比。" — @fabienr34

"开源模型落后闭源模型一代的时代正在终结。" — VentureBeat

给独立开发者

技术栈

• 架构：混合专家模型 (MoE)，744B 总参数，256 个专家，每 token 激活 8 个（44B 活跃参数）
• 注意力机制：DeepSeek Sparse Attention，200K token 上下文窗口
• 训练数据：28.5 万亿 tokens
• 训练框架：华为昇腾芯片 + MindSpore（完全不依赖 NVIDIA GPU）
• 后训练："Slime" 异步强化学习框架 + Deep Thinking 自我批评模式
• 部署：vLLM / SGLang / Ollama / llama.cpp 全支持

核心功能实现

GLM-5 的 "Agentic Engineering" 不是营销话术，它的架构确实在往“自主工程师”方向设计。接到任务后，模型会走一个“理解 -> 规划 -> 拆分 -> 执行 -> 自检”的流程，而不是直接生成代码。这在多步骤、长时间运行的任务中，效果提升非常明显。

在 BrowseComp（网页信息检索）和 MCP-Atlas（工具调用+多步执行）上排名开源第一，说明它不只是“写代码快”，而是“调工具、跨步骤协调”的能力也到位了。

8 项基准测试对比图：GLM-5（深蓝色）在 BrowseComp、MCP-Atlas、Humanity's Last Exam 上超过所有竞品；在 SWE-bench 上接近 Claude Opus 4.5（80.9% vs 77.8%），但已超过 Gemini 3 Pro 和 GPT-5.2。

开源情况

• 许可证：MIT License -- 完全免费商用，可以微调、分发、做商业产品
• 代码仓库：github.com/zai-org/GLM-5，470 stars
• 权重下载：HuggingFace + ModelScope + Ollama
• 类似开源项目：DeepSeek R1（更便宜但推理能力不如）、Llama 3（Meta License 限制更多）、Qwen、Kimi K2.5（有视觉能力）

自己做类似的东西？ 难度：极高。744B MoE 模型需要数千张 GPU 训练几个月，光训练成本就是千万美元级别。但你可以基于开源权重做微调，这个门槛就低多了。

商业模式

• API 定价：约 $1/百万输入 tokens，约 $3/百万输出 tokens（OpenRouter）
• 对比 Claude Opus 4.6：便宜约 80%
• 变现逻辑：开源模型做品牌 + API 收入 + 企业定制方案（港股上市公司，主要靠 to B）

巨头风险

GLM-5 本身就是“巨头”出品（智谱是中国 AI 六小虎之一，港股上市，市值 $19B）。真正的风险是：Claude、GPT 继续降价，开源优势被压缩。但 MIT 开源 + 可自部署这张牌，闭源模型永远打不出来。

给产品经理

痛点分析

• 解决什么问题：开源 AI 模型“够用但不够强”的尴尬 -- 之前开源模型至少落后闭源一代，GLM-5 第一次把差距缩到“基本持平”
• 痛点有多痛：高频刚需。每个用 LLM 的团队都在为 API 成本和供应商锁定头疼
• 从 "Vibe Coding" 到 "Agentic Engineering"：不只是写代码片段，而是能自主规划、执行、调试完整的工程任务

用户画像

• 核心用户：AI 应用开发团队（需要稳定、便宜的推理能力）
• 次要用户：独立开发者（想本地跑强模型）、中国企业（规避地缘政治风险）
• 使用场景：Agent 应用后端、大规模代码迁移、复杂文档生成（原生支持 .docx/.pdf/.xlsx）

功能拆解

竞品差异

可借鉴的点

1. “先规划后执行”的 Agent 设计模式 -- 不是直接输出结果，而是先展示思考过程，用户信任度更高
2. Agent/Chat 双模式切换 -- 简单任务用 Chat 省资源，复杂任务切 Agent，用户自主选择
3. MIT 开源建信任 -- 在 AI 模型信任危机的当下，完全开放权重是最强的信任信号

给科技博主

创始人故事

这是一个典型的“清华教授创业”故事，但结局比大多数精彩得多：

• 唐杰（Tang Jie）：清华大学教授，IEEE/ACM/AAAI 三料 Fellow，2021 年参与打造了 1.75 万亿参数的“悟道”模型
• 李娟子（Li Juanzi）：清华教授，联合创始人
• 张鹏（Zhang Peng）：CEO，清华校友，负责把实验室技术变成生意

2019 年从清华知识工程实验室（KEG）孵化，最初做知识图谱，2020 年看到 GPT-3 发布后果断转向大模型。2026 年 1 月 8 日港股 IPO，成为全球第一个上市的纯基础模型公司。

有意思的是，GLM-5 发布前几周，它的代号 "Pony Alpha" 就在 Reddit 上泄露了，引发了一波猜测热潮。

争议点/讨论角度

• “开源 ≠ 人人可用”：模型 1.5TB，部署需要的硬件比一辆车还贵。所谓“开源民主化”到底是真的还是口号？
• 华为芯片训练：GLM-5 完全在华为昇腾芯片上训练，不依赖任何美国 GPU。2025 年美国把智谱列入实体清单，这个技术独立性意味着什么？
• "Agentic Engineering" 谁先说的？：智谱、Karpathy、Addy Osmani 几乎同时在用这个词，Simon Willison 专门写了博客讨论这个命名权的问题
• IPO 后一个月暴涨 173%：是实力还是泡沫？$19B 市值对比 24.7 亿亏损，投资者在赌什么？

热度数据

• PH：138 票（中等热度）
• Hacker News：多条讨论帖上首页
• Twitter/X：Z.ai 官方推文 88.97 万浏览
• 媒体覆盖：VentureBeat、South China Morning Post、Latent Space、Medium 大量报道
• Simon Willison 博客：专文评论

内容建议

• 适合写的角度："开源 AI 的代价 -- 当免费模型需要百万级硬件"
• 蹭热点机会：中美 AI 竞争叙事、“Agentic Engineering”概念解读、开源 vs 闭源 2026 终极对决

给早期采用者

定价分析

隐藏成本：自部署的电费和硬件折旧。BF16 满血版需要 ~1.5TB VRAM（约 20 张 A100 80GB），就算 2-bit 量化也需要 241GB（高配 Mac Studio 级别）。

上手指南

• 上手时间：5 分钟（API/chat.z.ai）到 2 小时（本地 Ollama）
• 学习曲线：低（API）/ 中（本地部署）

最快开始方式：

1. 直接去 chat.z.ai 试用（零门槛）
2. 用 Ollama 本地跑：ollama run glm-5:cloud
3. 用 API：在 OpenRouter 注册，获取 API key，兼容 OpenAI SDK

坑和吐槽

1. 简单任务反而慢：短对话、代码补全这种活儿，GLM-5 有明显延迟。用户反馈“搜索建议插件换成 GLM-5 后，用户能感觉到那一点点迟钝”
2. 只有文本：没有图片理解、没有音频处理。如果你需要多模态，看 Kimi K2.5 或 GPT-5.2
3. 推理成本翻倍：比 GLM-4.7 贵了 2 倍。对于已经在用 GLM-4.7 的团队，升级要算清楚账
4. 生成质量偶有瑕疵：测试中发现 UI demo 里出现假文本消息、图形质量下降等小问题
5. Token 效率不如 Claude：输出的 token 更多但信息密度不如 Claude Opus

安全和隐私

• 开源透明：权重完全开放，理论上可以审计
• 数据存储：自部署 = 数据完全在本地；API = 走 Z.ai 或 OpenRouter 的服务器
• 注意：智谱是中国公司（虽然港股上市），数据敏感的场景建议自部署

替代方案

给投资人

市场分析

• LLM 全球市场：2026 年约 $10B，预计 2033 年达 $82B（CAGR 33.7%）
• 企业 LLM 市场：2026 年 $5.91B，预计 2034 年达 $48.25B（CAGR 30%）
• 亚太区：增速全球最快，CAGR 89.21%
• 成本趋势：GPT-4 级性能成本已降至 2 年前的 1/100

竞争格局

Timing 分析

• 为什么是现在：开源模型追上闭源的窗口从 18 个月缩短到几个月。GLM-5 发布后 3 天就能在 Ollama 上跑，这种速度前所未有
• 技术成熟度：MoE 架构、Sparse Attention、异步 RL 都是成熟技术的创新组合，不是实验性质
• 市场准备度：企业已经从“试试 AI”进入“AI 是核心基础设施”阶段，需要可控、可自部署的方案

团队背景

• 创始人：唐杰（清华教授，IEEE/ACM/AAAI Fellow）、李娟子（清华教授）
• CEO：张鹏（清华校友）
• 公司地位：中国“AI 六小虎”之一，IDC 评为中国第三大 LLM 市场玩家
• 过往成绩：GLM 系列从 2021 年迭代至今，GLM-4.7 上线一周就在 OpenRouter 上 token 用量排第一

融资情况

• IPO：2026 年 1 月 8 日港股上市（HKEX: 2513），募资 $558M
• IPO 估值：$6.6B
• 当前市值：$19B+（IPO 后一个月暴涨 173%）
• 总融资：约 $1.5B
• 投资人：阿里巴巴、蚂蚁集团、腾讯、美团、小米、红杉、沙特阿美
• 财务状况：2024 年净亏损 RMB 24.7 亿，研发支出 > 收入 700%
• 盈亏平衡：预计 2027-2028 年
• 分析师：JPMorgan 给“增持”评级，目标价 HK$400

结论

GLM-5 是 2026 年开源 AI 最重要的发布之一。它不是“又一个开源模型”，而是第一个在 Agent 能力上真正逼近 Claude/GPT 的开源选手。但“开源”不等于“免费午餐”-- 真正的成本藏在硬件里。

资源链接

2026-02-14 | Trend-Tracker v7.3 | 数据来源：VentureBeat, SCMP, Hacker News, GitHub, Twitter/X, Caproasia, Precedence Research